Endüstriyel Makine Görüsü: Temelleri, Uygulamaları ve Sanayide Kullanımı

Makine görüsü teknolojileri, sanayi üretiminde kalite kontrol, otomasyon ve verimlilik artışı gibi alanlarda giderek daha fazla kullanılıyor. Kamera, işlemci ve yapay zeka alanındaki gelişmeler sayesinde, üretim hatlarında insan müdahalesine gerek kalmadan hızlı ve hassas denetim yapılabiliyor. Bu rehberde, endüstriyel makine görüsünün temel prensipleri, kullanılan donanım ve yazılım teknolojileri, başlıca uygulama alanları ve pratikte dikkat edilmesi gereken noktalar ayrıntılı olarak ele alınacaktır.

Makine Görüsü Nedir ve Nasıl Çalışır?

Makine görüsü, bir veya birden fazla görüntüden veri çıkararak karar mekanizmalarını yönlendiren algoritma ve teknolojilerin bütünüdür. Temel olarak, bir kamera veya sensör ile görüntü alınır, ardından bu görüntü otomatik analiz süreçlerinden geçer. Elde edilen veriler, üretim hattındaki bir karar algoritmasına aktarılır. Böylece, ürünlerin kalite kontrolü ya da otomatik yönlendirme gibi işlemler insan müdahalesi olmadan gerçekleşir.

Makine görüsü sistemleri genellikle şu adımlardan oluşur:

• Görüntüleme: Kamera veya sensör ile görüntü yakalanır.
• Görüntü İşleme: Görüntü analiz edilir, gerekli bilgiler çıkarılır.
• Karar Algoritması: Elde edilen veriler, önceden tanımlı kurallar veya yapay zeka algoritmaları ile değerlendirilir.
• Çıktı ve Eylem: Sonuç üretim hattına ya da başka bir sisteme iletilir.

Bu süreç, üretim hattında ürünlerin hızlı ve tutarlı şekilde incelenmesini sağlar. İnsan gözünün kaçırabileceği küçük kusurlar, makine görüsü sistemleriyle kolayca tespit edilebilir. Ayrıca, sürekli ve yorulmadan çalışabilen bu sistemler, üretim süreçlerinde standardizasyonun sağlanmasına da katkı sunar.

Kullanılan Donanım ve Yazılım Teknolojileri

Makine görüsü sistemlerinde kullanılan donanım ve yazılımlar, uygulama gereksinimlerine göre çeşitlilik gösterir. Temel bileşenler arasında endüstriyel kameralar, aydınlatma sistemleri, görüntü işleme kartları, işlemciler ve özel yazılımlar bulunur.

Donanım Bileşenleri

• Kameralar: Endüstriyel makine görüsünde genellikle yüksek çözünürlüklü, hızlı çekim yapabilen ve zorlu üretim ortamlarına dayanıklı kameralar tercih edilir. Renkli ve monokrom kameralar, uygulamanın ihtiyacına göre seçilir.
• Aydınlatma: Doğru aydınlatma, görüntü kalitesini doğrudan etkiler. LED, halojen veya lazer tabanlı aydınlatma sistemleriyle, ürün üzerindeki detaylar net şekilde ortaya çıkarılır.
• İşlemciler ve Görüntü İşleme Kartları: Görüntülerin gerçek zamanlı işlenmesi için güçlü işlemcilere ihtiyaç duyulur. Örneğin, Labforge Bottlenose™ kamerasında Toshiba Visconti-5™ işlemcisi kullanılır. Bu işlemci, birden fazla ARM CA53 çekirdeği, makine görüsü işleme çekirdekleri ve yerleşik Derin Sinir Ağı (DNN) ile donatılmıştır. 20 TFLOPS'un üzerinde hesaplama gücüyle, karmaşık analizleri hızlıca tamamlayabilir.

Yazılım Bileşenleri

Makine görüsü yazılımlarında geleneksel görüntü işleme yöntemleriyle derin öğrenme tabanlı yaklaşımlar birlikte kullanılır.

• Geleneksel Yöntemler: Kenar, kontur, renk ve şekil tespiti gibi el ile tanımlanan algoritmalar kullanılır. Bu yöntemler, belirli ve tekrarlayan görevlerde hızlı ve güvenilir sonuçlar verir.
• Derin Öğrenme Tabanlı Yöntemler: Büyük veri setleriyle eğitilmiş çok katmanlı sinir ağları, görüntüdeki karmaşık desenleri ve kusurları otomatik olarak algılayabilir. Bu sayede, klasik algoritmaların zorlandığı değişkenlik gösteren veya karmaşık ürünlerde daha yüksek doğruluk elde edilir.

Endüstride Makine Görüsünün Başlıca Uygulamaları

Makine görüsü, sanayi üretiminde özellikle otomatik denetim ve kalite kontrol alanlarında yaygın olarak kullanılır. Ayrıca, robotik kolların yönlendirilmesi, montaj doğrulama, paketleme ve lojistikte de önemli rol oynar.

Otomatik Denetim

Üretim hatlarında otomatik denetim, makine görüsü sayesinde insan gözüyle yapılması zor olan incelemeleri yüksek hızda ve hassasiyetle gerçekleştirir. Özellikle Bottlenose gibi cihazlarda, özellik çıkarımı, sınıflandırma, nesne tespiti ve derinlik analizi gibi işlemler doğrudan cihaz üzerinde yapılabilir. Bu sayede, üretim hattında anlık kararlar alınabilir ve hata oranı en aza indirilir. Otomatik denetim sistemleri, örneğin elektronik kart üretiminde lehim hatalarını, otomotivde montaj eksikliklerini veya gıda sektöründe ambalaj kusurlarını tespit edebilir.

Kalite Kontrol

Makine görüsü sistemleri, ürünlerin kalite standartlarına uygunluğunu otomatik olarak denetler. Tespit edilebilen kalite kriterleri arasında şunlar yer alır:

• Varlık/Yokluk Kontrolü: Parçanın doğru yerde olup olmadığının tespiti.
• Yönelim: Parçanın doğru pozisyonda olup olmadığının belirlenmesi.
• Pozisyon: Parçanın istenen konumda olup olmadığının kontrolü.
• Renk: Ürünün belirli bölgelerindeki renklerin doğruluğunun denetlenmesi.
• Tanıma/İçerik Analizi: Barkod, harf veya RFID gibi kodların okunması.
• Geometrik Kontrol: Parçanın boyut ve toleranslarının ölçülmesi.

Kalite kontrol uygulamaları, tekstil sektöründe kumaş üzerindeki dokuma hatalarının tespitinden, ilaç endüstrisinde blister paketlerin eksiksizliğinin kontrolüne kadar çok geniş bir yelpazede kullanılmaktadır.

Diğer Uygulama Alanları

• Robotik Yönlendirme: Makine görüsü, robotik kolların hassas şekilde yönlendirilmesini sağlar. Örneğin, otomotivde kaynak robotlarının doğru noktaya hareket etmesi veya lojistikte paketlerin ayrıştırılması bu teknolojiyle mümkün olur.
• Montaj Doğrulama: Parçaların doğru şekilde monte edilip edilmediği, makine görüsüyle otomatik olarak kontrol edilebilir.
• Paketleme ve Etiketleme: Ürünlerin doğru şekilde paketlenip etiketlendiği, barkod ve QR kodların okunabildiği sistemler makine görüsünden yararlanır.

Algoritmalar: Geleneksel Yöntemler ve Derin Öğrenme

Makine görüsünde kullanılan algoritmalar iki ana grupta toplanabilir:

• Geometrik Yöntemler: Kenar, kontur ve şekil tespiti gibi el ile tanımlanan özellik çıkarıcılar kullanılır. Örneğin, varlık/yokluk kontrolü için kontur tabanlı bir dedektör tasarlanabilir. Bu yöntemler, sabit ve tekrarlayan görevlerde hızlı sonuç verir.
• Derin Sinir Ağı (DNN) Tabanlı Yöntemler: Çok katmanlı konvolüsyonel ağlar, büyük veri setleriyle eğitilerek karmaşık nesne tespiti ve sınıflandırma görevlerinde yüksek doğruluk sağlar. Bu yöntemlerde milyonlarca parametre otomatik olarak öğrenilir. Özellikle ürün varyasyonlarının fazla olduğu hatlarda, derin öğrenme tabanlı sistemler daha esnek ve uyarlanabilir çözümler sunar.

Edge ve Bulut Bilişim: Makine Görüsünde En İyi Uygulamalar

Makine görüsü sistemlerinde verinin işlenme yeri de kritik öneme sahiptir. İşlemci gücünün artmasıyla birlikte, görüntü işleme doğrudan cihaz üzerinde (edge) veya şirket içi sunucuda yapılabilir. Edge bilişim, düşük gecikme süresi ve veri güvenliği avantajı sunarken, bulut tabanlı çözümler ise büyük veri setlerinin işlenmesi ve merkezi yönetim açısından öne çıkar. IIC'nin yayınladığı "Optimal Use of Cloud and Edge in Industrial Machine-Vision Applications" başlıklı rapor, edge ve bulutun avantajlarını ve sınırlarını detaylı şekilde ele alıyor. Örneğin, gerçek zamanlı karar gerektiren uygulamalarda edge tercih edilirken, uzun vadeli analiz ve model eğitimi için bulut altyapısı kullanılabilir.

Pratikte Dikkat Edilmesi Gerekenler

• Donanım seçimi yapılırken, işlemci gücü ve enerji tüketimi göz önünde bulundurulmalı.
• Kullanılacak algoritmanın üretim hattındaki ihtiyaçlara uygun olması önemli.
• Edge ve bulut arasında seçim yaparken, veri güvenliği ve gecikme süreleri dikkate alınmalı.
• Sistem entegrasyonunda, mevcut üretim altyapısı ile uyum gözetilmeli.
• Aydınlatma ve kamera yerleşimi, görüntü kalitesini doğrudan etkiler; bu nedenle uygulama öncesi testler yapılmalı.
• Operatör eğitimi ve bakım süreçleri, sistemin sürekliliği için planlanmalı.

Makine görüsü teknolojileri, sanayi üretiminde kaliteyi artırmak, hata oranını azaltmak ve süreçleri otomatikleştirmek isteyen işletmeler için önemli bir araç haline gelmiştir. Doğru donanım, yazılım ve algoritma seçimiyle, üretim hatlarında yüksek verimlilik ve hassasiyet sağlanabilir.

Kaynak: https://www.iiconsortium.org/2023/03/applications-of-industrial-machine-vision/