Üretim hattında kaliteyi yalnızca son kontrolde ölçmek, hatanın kaynağına geç müdahale edilmesine neden olabilir. Leosay yapay zeka destekli kalite kontrol yaklaşımı; endüstriyel kamera, uygun optik ve aydınlatma, edge yapay zeka ve üretim verisini aynı akışta birleştirerek kusurları oluştuğu noktaya yakın tespit etmeyi hedefler. Böylece kalite ekibi sadece “uygun/uygun değil” sonucunu değil, hatanın türünü, konumunu, zamanını ve ilgili üretim koşullarını da izleyebilir.
Yapay zeka destekli kalite kontrol nedir?
Yapay zeka destekli kalite kontrol; ürün, parça, ambalaj veya üretim yüzeylerinden alınan görüntülerin bilgisayarlı görü ve makine öğrenmesi modelleriyle analiz edilmesidir. Sistem, önceden tanımlanan kalite kriterlerine göre kusurları tespit edebilir, sınıflandırabilir, ölçebilir ve sonucu üretim hattındaki diğer sistemlere aktarabilir.
Geleneksel görsel kontrolde karar, operatörün deneyimine, dikkatine ve kontrol için ayrılan süreye göre değişebilir. Sabit kurallı klasik makine görüsü ise aydınlatma, ürün konumu veya yüzey dokusu değiştiğinde yeniden ayar gerektirebilir. Yapay zeka tabanlı modeller; doğru veri, kontrollü görüntüleme ve düzenli doğrulama ile daha karmaşık hata örüntülerini öğrenebilir. Bununla birlikte başarı; ürün geometrisi, kusur tanımı, kamera yerleşimi, hat hızı ve kabul kriterleri birlikte değerlendirilerek doğrulanmalıdır.
Yapay zeka kalite kontrol sistemi nasıl çalışır?
- Kontrol senaryosu tanımlanır: Üründe aranacak kusurlar, kabul-red sınırları, çevrim süresi ve mevcut kalite verileri netleştirilir.
- Görüntüleme koşulları tasarlanır: Kamera, lens, çözünürlük, görüş alanı, çekim açısı ve aydınlatma; yüzeyin ve kusürün fiziksel özelliklerine göre seçilir.
- Temsil edici veri toplanır: Uygun ve uygunsuz örnekler; farklı vardiya, ürün, hammadde ve çevre koşullarını içerecek biçimde kaydedilir.
- Model eğitilir ve test edilir: Hata tespiti, sınıflandırma, segmentasyon, ölçüm veya anomali tespiti için uygun model geliştirilir. Ayrı test verisiyle yanlış kabul ve yanlış ret sonuçları ölçülür.
- Hat entegrasyonu yapılır: Model edge cihazda veya uygun sunucu mimarisinde çalıştırılır. Sonuçlar PLC, robot, ayırma mekanizması, MES, ERP, SCADA veya dashboard katmanına aktarılır.
- Performans izlenir: Yeni ürün, malzeme, kamera veya proses değişikliklerinde model performansı takip edilir; doğrulanmış yeni örneklerle kontrollü güncelleme yapılır.
Hangi hata ve kalite kriterleri kontrol edilebilir?
Yüzey kusurları ve anomaliler
Çizik, çatlak, leke, gözenek, kabarcık, ezik, çapak, renk sapması, kaplama ve boya kusurları gibi görsel uygunsuzluklar ürün özelinde modellenebilir. Daha ayrıntılı senaryolar için AI yüzey anomalisi tespiti ile boya ve kaplama kusurları tespiti çözümleri incelenebilir.
Montaj ve parça doğrulama
Eksik parça, yanlış komponent, ters montaj, konum sapması, bağlantı elemanı eksikliği veya hizalama problemi gibi montaj hataları kontrol edilebilir. Kamera görüşü dışında kalan kritik noktalar için birden fazla kamera veya sensör verisi birlikte kullanılabilir. AI montaj kusur tespiti sayfası bu kullanım alanını ayrıntılandırır.
Boyutsal ve geometrik uygunluk
Kenar, açı, boşluk, çap, mesafe, form ve konum kontrolleri; kalibre edilmiş görüntüleme düzeni ve uygun optik seçimiyle yapılabilir. Ölçüm toleransının kamera çözünürlüğü ve mekanik kurulumla uyumlu olması gerekir. Detaylı bilgi için AI ölçüm ve geometrik sapma tespiti çözümüne bakabilirsiniz.
Etiket, kod ve baskı kontrolü
OCR ve OCV yöntemleriyle seri numarası, tarih, lot bilgisi ve metin okunabilirliği doğrulanabilir; barkod veya karekod varlığı ve eşleşmesi kontrol edilebilir. Etiket konumu, baskı bütünlüğü, kapak veya ambalaj doğruluğu da aynı kalite akışına dahil edilebilir. Etiketleme kusurları tespiti bu senaryolar için tamamlayıcıdır.
Sayma, sınıflandırma ve izlenebilirlik
Ürünler kalite sınıfına, tipe, renge veya varyanta göre ayrılabilir; toplam üretim ve hatalı ürün sayıları kaydedilebilir. Hata görseli, sınıfı, konumu, ürün/parti bilgisi ve zaman damgası birlikte saklandığında kalite kayıtları geriye dönük incelenebilir.
Manuel kontrol, klasik makine görüsü ve yapay zeka arasındaki fark
| Kontrol yaklaşımı | Güçlü yönü | Dikkat edilmesi gereken nokta |
|---|---|---|
| Manuel görsel kontrol | Yeni veya beklenmeyen durumları yorumlama esnekliği | Yorgunluk, hız ve operatörler arası karar farklılığı |
| Kural tabanlı makine görüsü | Net geometrik kurallarda hızlı ve tekrarlanabilir kontrol | Ürün, ışık veya yüzey değişikliklerinde yeniden ayar ihtiyacı |
| Yapay zeka destekli kontrol | Karmaşık görsel örüntüler, sınıflandırma ve anomali tespiti | Temsil edici veri, doğrulama, izleme ve model yönetimi gereksinimi |
En doğru mimari her zaman tek bir yöntemden oluşmaz. Net toleransların klasik görüntü işleme ile, değişken görsel kusurların yapay zeka modeliyle kontrol edildiği hibrit sistemler birçok üretim senaryosunda daha yönetilebilir olabilir.
Üretim hattı, PLC, MES ve ERP entegrasyonu
Kalite kontrol çıktısının sahada değer üretmesi için yalnızca kusuru göstermek yeterli değildir. Sistem; hatalı ürünü ayırma sinyali, alarm, durdurma veya operatör onayı gibi aksiyonları PLC ve robot katmanına iletebilir. Hata kayıtları MES, ERP, SCADA veya kalite yönetim sistemlerine aktarılabilir; ürün, parti, vardiya, makine ve reçete bilgileriyle ilişkilendirilebilir.
Edge AI mimarisi, görüntüyü üretim sahasına yakın noktada işleyerek gecikmeyi ve sürekli dış bağlantı ihtiyacını azaltmaya yardımcı olur. Merkezi dashboard ise farklı hat veya tesislerden gelen kalite verilerini ortak raporlama yapısında gösterebilir. Donanım tarafında Leosay Camera ve Leosay Edge Box; izleme tarafında Leosay Dashboard proje mimarisine göre konumlandırılabilir.
Hangi sektörlerde kullanılabilir?
- Otomotiv: kaynak, yüzey, boya, montaj ve parça doğrulama.
- Beyaz eşya: kaplama, çizik, ezik, komponent ve etiket kontrolü.
- Tekstil: dokuma, iplik, leke, renk ve kumaş yüzeyi kusurları.
- Ambalaj: baskı, kapak, mühür, etiket, kod ve bütünlük kontrolü.
- Elektronik: komponent varlığı, yön, lehim ve montaj doğrulama.
- Plastik: çapak, deformasyon, renk, yüzey ve kalıp kaynaklı kusurlar.
- Sağlık ve medikal üretim: montaj, boyut, yüzey, ambalaj ve kod doğrulama.
Başarı kriterleri nasıl belirlenir?
Bir yapay zeka kalite kontrol projesi yalnızca genel bir “doğruluk” yüzdesiyle değerlendirilmemelidir. Kusürün kaçırılma riski ile uygun ürünün hatalı olarak ayrılması farklı operasyonel sonuçlar doğurur. Pilot aşamada aşağıdaki göstergeler ürün ve hat bazında ayrı ayrı izlenmelidir:
- Onaylı test setinde kusur yakalama oranı ve kusur sınıfı bazlı performans
- Yanlış ret ve kaçan kusur oranı
- Görüntü alma, karar ve hat aksiyonu dahil toplam çevrim süresi
- Fire, yeniden işleme, müşteri iadesi ve kalite maliyetindeki değişim
- Sistem kullanılabilirliği, kamera/ışık kararlılığı ve operatör müdahale sıklığı
- Yeni ürün veya proses değişikliğinde model performansının korunması
Hedef değerler hazır bir paket olarak belirlenmemeli; kusürün kritikliği, ürün değeri, hat hızı ve mevcut kalite yöntemiyle birlikte tanımlanmalıdır.
Uygulama öncesinde dikkat edilmesi gerekenler
- Kusur sözlüğü: Uygun ve uygunsuz ürün tanımları kalite, üretim ve proses ekipleri tarafından ortaklaştırılmalıdır.
- Görüntü kalitesi: Yapay zeka modeli, kameranın göremediği veya aydınlatmanın ayırt edemediği bir kusuru güvenilir biçimde öğrenemez.
- Veri çeşitliliği: Vardiya, hammadde, renk, ürün varyantı ve çevresel değişimler veri setinde temsil edilmelidir.
- Hat aksiyonu: Tespit sonucunun operatör onayı mı, otomatik ayırma mı yoksa alarm mı üreteceği önceden belirlenmelidir.
- Model yaşam döngüsü: Sürüm, onay, yeniden eğitim, geri alma ve performans izleme sorumlulukları tanımlanmalıdır.
- Bilgi güvenliği: Görüntülerin nerede işlendiği ve saklandığı; edge, tesis içi sunucu veya bulut seçeneklerine göre planlanmalıdır.
Sıkça sorulan sorular
Yapay zeka kalite kontrol sistemi mevcut üretim hattına eklenebilir mi?
Evet. Kamera ve aydınlatma için uygun fiziksel alan, tetikleme sinyali, çevrim süresi ve PLC/MES bağlantısı doğrulandığında sistem mevcut hatta sonradan entegre edilebilir. Bazı projelerde önce bağımsız bir pilot istasyon kurularak performans ölçülür.
Model eğitimi için kaç görüntü gerekir?
Tek bir sabit sayı yoktur. Kusürün görsel çeşitliliği, ürün varyantı, sınıf dengesi, görüntü kalitesi ve kullanılacak model yaklaşımı ihtiyacı belirler. Az sayıda örnekle fizibilite testi yapılabilir; üretim onayı için temsil edici ve bağımsız test verisi gerekir.
Daha önce görülmemiş kusurlar tespit edilebilir mi?
Anomali tespiti yaklaşımları, normal ürün görünümünden sapmaları işaretleyebilir. Ancak her sapma gerçek kusur olmayabilir. Bu nedenle yeni anomali örnekleri kalite ekibi tarafından doğrulanmalı ve sistemin karar kuralları kontrollü biçimde güncellenmelidir.
Sistem yüzde 100 hatasız çalışır mı?
Hiçbir yapay zeka modeli için koşulsuz yüzde 100 performans varsayılmamalıdır. Amaç; tanımlı ürün, kusur ve ortam koşullarında kabul edilen yanlış ret ve kaçan kusur sınırlarını karşılamaktır. Sonuçlar pilot test, doğrulama seti ve canlı hat takibiyle ölçülmelidir.
Yapay zeka insan kalite kontrolünün yerini tamamen alır mı?
Sistem, tekrarlı ve yüksek hızlı görsel kontrolleri standartlaştırabilir; kalite uzmanları ise istisna yönetimi, proses iyileştirme, yeni kusur tanımı ve model doğrulama görevlerine odaklanabilir. İnsan ve otomasyonun rolü, kusürün kritikliği ve sektör gereksinimlerine göre tasarlanmalıdır.
Proje ne kadar sürede devreye alınır?
Süre; ürün çeşitliliği, veri hazırlığı, mekanik kurulum, hat entegrasyonu ve kabul testine bağlıdır. Leosay önce saha keşfi ve fizibilite çalışmasıyla kontrol senaryosunu sınırlar; ardından pilot, KPI doğrulama ve yaygınlaştırma adımlarını planlar.
Üretim hattınız için fizibilite çalışması başlatın
Kontrol etmek istediğiniz ürünleri, örnek kusur görsellerini, hat hızını ve mevcut kalite adımlarını paylaşın. Leosay ekibi kamera ve aydınlatma yaklaşımını, AI modelini, edge donanımı, entegrasyon noktalarını ve pilot başarı kriterlerini birlikte değerlendirsin. Yapay zeka kalite kontrol projeniz için uzmanla görüşün.