Dijital görüntü, fotoğraftan önce bir ölçümdür.
Kamera sensörü sahneyi doğrudan 'anlamaz'. Lens üzerinden gelen fotonları, piksel adı verilen küçük algılayıcılarda elektrik yüküne dönüştürür. Analog sinyal daha sonra sayısallaştırılır ve her piksel bir parlaklık veya renk değeri alır. Gri görüntü tek bir yoğunluk matrisi; renkli görüntü ise çoğunlukla üç kanalın birlikte temsilidir.
Bu sayısal değerler yüzey özelliğinin saf kaydı değildir. Aydınlatma şiddeti, ışığın geliş açısı, lensin kontrast aktarımı, sensörün kuantum verimi, pozlama süresi ve elektronik gürültü aynı değerin içinde birleşir. Bu nedenle piksel, 'burada çizik var' demez; yalnızca belirli koşullarda sensöre ulaşan ışığı raporlar.
Endüstriyel sistemin ilk görevi, aranan fiziksel farkı görüntüde baskın ve tekrarlanabilir bir sinyale dönüştürmektir. Algoritmanın işi ancak bundan sonra kolaylaşır.
İyi aydınlatma kusuru büyütür, değişkenliği küçültür.
Parlak metal, cam ve plastik yüzeyler yalnızca renkleriyle değil, ışığı yönlü yansıtmalarıyla da görüntü oluşturur. Kameranın veya parçanın açısındaki küçük bir değişim, gerçek kusurdan daha büyük parlaklık farkı yaratabilir. Böyle bir sahnede eşik değerini değiştirmek semptomu bastırır; ölçüm problemini çözmez.
Difüz kubbe ya da geniş alan ışığı yansımayı homojenleştirir. Çapraz polarizasyon, yüzey parlamasının bir bölümünü bastırarak renk ve doku bilgisini daha kararlı hâle getirir. Düşük açılı karanlık alan ışığı ise düz yüzeyden kameraya ulaşmaz; çizik, kabartı ve çukur kenarlarında saçılarak topografik kusuru parlak gösterir. Arka ışık, renk ve doku yerine parçanın siluetini ölçmek istediğimizde güçlüdür.
Buradaki temel prensip basittir: Yazılımın görmekte zorlandığı özelliği önce optikle görünür kılmak gerekir.
Kalibrasyon, pikseli karşılaştırılabilir bir birime dönüştürür.
Lensler görüntüyü kusursuz taşımaz. Özellikle geniş açıda doğrular eğilebilir; görüntünün merkez ve kenar ölçeği farklılaşabilir. Kamera kalibrasyonu, iç parametreleri ve distorsiyon katsayılarını tahmin ederek bu geometrik sapmayı düzeltir. Zhang'ın düzlemsel desen yaklaşımı, pratik kalibrasyonun en yaygın temellerinden biridir.
Boyutsal kontrolde ayrıca piksel ile milimetre arasındaki ilişki tanımlanır. Perspektif etkisini azaltmak için sabit çalışma mesafesi, rijit mekanik montaj ve uygun olduğunda telesentrik lens kullanılır. Renk temelli kontrolde beyaz dengesi, pozlama, gamma ve renk referansı kilitlenir; parlaklık alanındaki değişim için flat-field düzeltmesi uygulanabilir.
Kalibrasyon tek seferlik bir kurulum adımı değildir. Lens odağı, kamera konumu, aydınlatma veya mekanik düzen değiştiğinde ölçüm geçerliliği yeniden doğrulanmalıdır.
Klasik görüntü işleme hâlâ güçlüdür.
Sahne kontrollüyse birçok problem derin öğrenme gerektirmez. Önce ilgi bölgesi belirlenir; görüntü gri seviyeye veya Lab/HSV gibi amaca uygun bir renk uzayına dönüştürülür. Gürültü filtrelenir, arka plan normalize edilir ve eşikleme ile aday bölgeler ayrılır.
Morfolojik açma küçük gürültüyü temizleyebilir; kapama kusur içindeki boşlukları birleştirebilir. Bağlı bileşen analizi aday bölgelerin alanını, çevresini ve şeklini ölçer. Kenar bulma boyutsal kontrol için; histogram, GLCM veya Local Binary Pattern gibi doku tanımlayıcıları yüzey yapısını ayırmak için kullanılabilir.
Bu yöntemlerin en büyük avantajı açıklanabilirliktir. Hangi pikselin neden kusur sayıldığı izlenebilir. Ancak değişken ürün geometrisi, karmaşık doku ve çok sayıda kusur görünümü arttıkça kural tabanı kırılganlaşabilir.
Yapay zekâ ne zaman gerçekten değer üretir?
Denetimli sınıflandırma görüntünün hangi kusur sınıfına ait olduğunu; nesne tespiti kusurun yaklaşık yerini; segmentasyon ise kusurlu pikselleri belirleyebilir. Kusurlu örneklerin az ve çeşitliliğinin öngörülemez olduğu üretimlerde, yalnızca sağlam örnekleri öğrenen anomali tespiti yaklaşımları anlamlı olabilir. MVTec AD veri seti bu gerçek dünya problemine yönelik önemli bir araştırma referansıdır.
Ancak modelin yüksek laboratuvar doğruluğu, üretimde güvenilir olduğu anlamına gelmez. Yeni tedarikçi yüzeyi, farklı lot rengi, ışık yaşlanması, kamera değişimi veya kabul edilebilir proses varyasyonu dağılım kaymasına yol açabilir. Model ürünü değil arka planı, kusuru değil yansımayı öğrenmiş olabilir.
Bu nedenle yapay zekâ, optik tasarımın alternatifi değildir. Daha iyi görüntü daha az veri ihtiyacı, daha kolay eğitim ve daha anlaşılır hata analizi sağlar.
Doğru metrik, yanlış kararın maliyetine göre seçilir.
Yüzde 99 doğruluk etkileyici görünebilir; fakat üretimin yalnızca binde biri kusurluysa tüm parçaları sağlam kabul eden anlamsız bir sistem bile yüzde 99,9 doğruluk gösterebilir. Bu nedenle karışıklık matrisi, hassasiyet, kesinlik, özgüllük ve yanlış alarm oranı birlikte değerlendirilmelidir.
Güvenlik veya kritik kalite özelliğinde kusur kaçırmanın maliyeti yüksekse, duyarlılık öncelik kazanır. Çok yüksek üretim hacminde hatalı ret küçük görünse bile büyük fire ve inceleme yükü yaratabilir. Eşik değeri bu iki riskin iş gerekçesiyle dengelendiği noktada belirlenmelidir.
Model geliştirme, doğrulama ve nihai test verileri ayrılmalı; aynı parçanın benzer kareleri farklı veri gruplarına dağılmamalıdır. Aksi hâlde sistem daha önce gördüğü örneği tanıyıp genelleme yapıyormuş gibi görünür.
Üretimdeki sistemin bir yaşam döngüsü vardır.
Canlıya alınan görüntü işleme sistemi; kamera reçetesi, ışık seviyesi, yazılım sürümü, model dosyası, eşik değerleri ve kabul kriterleriyle birlikte yönetilmelidir. Her ret görüntüsünün saklanması şart olmayabilir; ancak kararın izlenebilirliğini sağlayacak kayıt stratejisi risk ve veri hacmine göre kurulmalıdır.
Işık kaynakları yaşlanır, lens kirlenir, mekanik bağlantılar hareket eder ve ürün değişir. Altın numune kontrolleri, periyodik performans izleme, trend analizi ve kontrollü değişiklik yönetimi bu nedenle gereklidir. Sistem yalnızca kurulum gününde değil, aylar sonra da aynı fiziksel özelliği ölçebilmelidir.
Başarılı proje; etkileyici bir demo değil, sınırları bilinen, hata modları test edilmiş ve üretim ekibinin sürdürebildiği bir karar mekanizmasıdır.
Kaynaklar ve ileri okuma
- Kamera kalibrasyonunun temel yaklaşımıZ. Zhang, A Flexible New Technique for Camera Calibration
- Eşikleme, filtreleme ve morfolojik işlemler için uygulama referansıOpenCV — Image Processing Tutorials
- Endüstriyel kusur tespitinde optik, görüntüleme ve analiz yaklaşımıRen et al., State of the Art in Defect Detection Based on Machine Vision
- Endüstriyel anomali tespiti için gerçek dünya veri setiBergmann et al., MVTec AD — CVPR 2019
- Doku temsili için klasik ve etkili bir yaklaşımOjala et al., Multiresolution Gray-Scale and Rotation Invariant Texture Classification with Local Binary Patterns
Endüstriyel görüntü işleme, algoritma seçme problemi olarak başlarsa genellikle geç başlar. Doğru başlangıç; kusurun fiziğini anlamak, onu uygun ışıkla görünür kılmak, görüntüleme zincirini kalibre etmek ve karar performansını üretim riskiyle birlikte doğrulamaktır. Güvenilir sonuç, tek bir modelin değil; optik, mekanik, veri, yazılım ve kalite disiplinlerinin ortak ürünüdür.