Proje Detayı
Yapay Zekâ Destekli Kalite Kontrol
Yüksek hızlı üretimde zor tespit edilen bir paketleme kalite problemini belirlemek amacıyla termal görüntüleme, derin öğrenme tabanlı görüntü işleme ve makine kontrol entegrasyonunun birlikte kullanılması.
Proje; görüntüleme yönteminin seçilmesi ve hata sınıflandırmasından büyük ölçekli veri seti oluşturma, inline inference, PLC entegrasyonu ve gerçek üretim doğrulamasına kadar uzanan bütünleşik bir mühendislik sürecini kapsadı.
Bağlam
Yüksek hızlı bir paketleme prosesinde, ürünlerin küçük bir bölümünün yeterli şekilde kapatılmadan prosesten çıkabildiği tekrarlayan bir kalite problemi bulunuyordu.
Paket malzemesinin şeffaf olması nedeniyle açık paket hataları görünür spektrum görüntülerinde yeterince belirgin değildi. Farklı hata tiplerinin farklı görsel karakteristikler göstermesi de kural tabanlı görüntü işlemenin güvenilirliğini sınırlıyordu. Bu nedenle proje, inline kontrol için termal görüntüleme ile derin öğrenme tabanlı sınıflandırmanın birlikte kullanılmasına odaklandı.
Mühendislik hedefi; üretim hızında çalışabilecek, kapatma problemleriyle ilişkili hata desenlerini tespit edebilecek, sonucu makine kontrol sistemine iletebilecek ve normal üretimi gereksiz yere bozmadan uygulanabilir bir kalite aksiyonunu destekleyebilecek bir kontrol sistemi geliştirmekti.
Mühendislik Problemi
Temel zorluk yalnızca bir yapay zekâ modeli eğitmek değil, tüm kontrol sisteminin gerçek ve yüksek hızlı üretim koşullarında güvenilir biçimde çalışmasını sağlamaktı.
Başlıca mühendislik zorlukları:
- üretim hızında kullanılabilir termal görüntülerin alınması,
- kamera konumu ve görüntü alma zamanlamasının belirlenmesi,
- yeterli büyüklükte gerçek üretim veri setinin oluşturulması ve etiketlenmesi,
- gerçek kapatma hatalarının normal termal değişimlerden ayrıştırılması,
- inline kullanım için yeterince hızlı çalışan bir derin öğrenme modelinin geliştirilmesi,
- görüntü alımının ürün hareketiyle senkronize edilmesi,
- kontrol sonuçlarının PLC/makine kontrol sistemine entegre edilmesi,
- görüntü alma, inference ve makine aksiyonu arasındaki zamanlamanın yönetilmesi,
- gereksiz üretim kayıplarına yol açabilecek yanlış tespitlerin azaltılması,
- sistemin yalnızca laboratuvar verileriyle değil gerçek üretim koşullarında doğrulanması.
Bu nedenle proje; görüntü işleme, derin öğrenme, otomasyon, zamanlama ve üretim prosesi bilgisinin tek bir bütünleşik sistem olarak ele alınmasını gerektiriyordu.
Rolüm
Rolüm, kontrol konseptinin geliştirilmesinden üretim entegrasyonu ve doğrulamaya kadar uçtan uca mühendislik sürecini kapsıyordu.
Sorumluluklar:
- kontrol konsepti ve sistem mimarisinin tanımlanması,
- algılama yöntemi olarak termal görüntülemenin değerlendirilmesi,
- kamera sisteminin seçilmesi ve entegrasyonu,
- görüntü alma ve PLC senkronizasyon mantığının tanımlanması,
- görüntü toplama ve veri yönetim sürecinin oluşturulması,
- hata tiplerinin belirlenmesi ve hata sınıflandırma yaklaşımının oluşturulması,
- gerçek üretim veri setinin oluşturulması ve etiketlenmesi,
- derin öğrenme tabanlı hata tespit yaklaşımının geliştirilmesi ve doğrulanması,
- inference sonuçlarının PLC/makine kontrol sistemine entegrasyonu,
- ürün hareketi, görüntü alma ve kontrol sonucu arasındaki zamanlamanın yönetilmesi,
- sistemin gerçek üretim koşullarında test edilmesi,
- yanlış tespitlerin ve kaçırılan hataların analiz edilmesi,
- üretim geri bildirimlerine göre kontrol mantığının iyileştirilmesi,
- çözümün kalite problemi üzerindeki gerçek etkisinin doğrulanması.
Mühendislik Yaklaşımı
Mühendislik yaklaşımı, çözümü bağımsız bir yapay zekâ modeli olarak değil, üretimin parçası olan bütünleşik bir kontrol sistemi olarak geliştirmeye odaklanıyordu.
-
Kontrol probleminin tanımlanması
İlk olarak kapatma kaynaklı kalite problemi analiz edildi ve üretim sırasında hangi hata durumlarının tespit edilmesi gerektiği belirlendi.
-
Görüntüleme ve tespit yönteminin değerlendirilmesi
Paket malzemesinin şeffaf olması nedeniyle açık paket hataları görünür spektrum görüntülerinde yeterince belirgin değildi. Farklı hata tiplerinin farklı görsel karakteristikler göstermesi de kural tabanlı görüntü işlemenin güvenilirliğini sınırlıyordu. Bu nedenle termal görüntüleme ile derin öğrenme tabanlı sınıflandırmanın birlikte kullanılması tercih edildi.
-
Görüntü alma ve senkronizasyonun tanımlanması
Her paketin üretim koşullarında tutarlı biçimde görüntülenebilmesi için kamera konumu, görüntü alma zamanlaması ve ürün hareketiyle senkronizasyon yapısı belirlendi.
-
Hata sınıflarının oluşturulması
Tekrarlayan hata tipleri belirlendi ve veri etiketleme sürecinden önce sınıflandırma yapısı oluşturuldu.
-
Gerçek üretim veri setinin oluşturulması ve etiketlenmesi
Gerçek üretim görüntüleri toplandı ve belirlenen hata sınıflarına göre etiketlenerek model geliştirme ve doğrulama için uygun veri seti oluşturuldu.
-
Derin öğrenme yaklaşımının geliştirilmesi ve doğrulanması
Model, kabul edilebilir paketlerle farklı hata durumlarını ayırabilecek ve inline kullanım için gerekli inference süresini sağlayabilecek şekilde geliştirildi.
-
Kontrol sonucunun makine sistemine entegrasyonu
Inference sonuçları PLC/makine kontrol sistemine aktarılarak görüntü işleme kararının üretim prosesinin bir parçası haline gelmesi sağlandı.
-
Gerçek üretim koşullarında doğrulama
Görüntü kalitesi, inference süresi, yanlış tespitler, kaçırılan hatalar ve makine ile etkileşim dahil olmak üzere tüm sistem üretim sırasında test edildi.
-
Üretim geri bildirimiyle iyileştirme
Gerçek üretim sonuçlarına göre kontrol mantığı, hata sınıflandırması ve sistem davranışı geliştirildi.
Amaç yalnızca yüksek model doğruluğuna ulaşmak değil, yüksek hızlı üretimin zamanlama kısıtları içinde kullanılabilir karar verebilen güvenilir bir inline kontrol sistemi oluşturmaktı.
Sistem Mimarisi
Ürün ve Proses Katmanı
Yüksek hızlı üretim prosesi içinde hareket eden paketlenmiş ürünler
Termal Görüntüleme Katmanı
Paket ve kapatma durumlarıyla ilişkili sıcaklık desenlerini görüntüleyen termal kameralar
Görüntü Alma ve Senkronizasyon Katmanı
Ürün algılama, trigger mantığı, görüntü alma zamanlaması ve ürün hareketiyle senkronizasyon
Veri Seti ve Sınıflandırma Katmanı
Tanımlanmış hata tipleri, etiketlenmiş gerçek üretim görüntüleri ve yapılandırılmış eğitim/doğrulama veri setleri
Derin Öğrenme Inference Katmanı
Görüntü ön işleme, hata sınıflandırma/tespit ve inline inference
Karar Katmanı
Model çıktısının üretimde kullanılabilir kontrol kararına dönüştürülmesi
PLC / Makine Entegrasyon Katmanı
Kontrol sonuçlarının makine kontrol sistemine aktarılması ve üretim mantığıyla koordinasyonu
Üretim Aksiyonu Katmanı
Kontrol sonucuna ve üretim gereksinimlerine göre makine veya operatör aksiyonu
Doğrulama ve İyileştirme Katmanı
Yanlış pozitiflerin analizi, kaçırılan hataların analizi, üretim doğrulaması ve iteratif model/sistem iyileştirmesi
Temel Teknolojiler ve Yöntemler
Proje; termal görüntüleme, derin öğrenme tabanlı görüntü işleme ve makine kontrol entegrasyonunu yüksek hızlı üretim ortamında tek bir sistem içinde bir araya getiriyordu.
Teknoloji yapısının asıl mühendislik değeri; görüntüleme, veri, yapay zekâ ve makine kontrolünün birbirinden bağımsız bileşenler olarak değil, tek bir üretim sistemi olarak bütünleştirilmesiydi.
Sonuç / Mühendislik Değeri
Proje; görünür spektrum görüntülerinde yeterince ayırt edilemeyen ve kural tabanlı görüntü işleme yöntemleriyle yeterli kararlılıkta tespit edilemeyen bir kalite hatasının, termal görüntüleme ile derin öğrenme tabanlı sınıflandırmanın birlikte kullanılması sayesinde yüksek hızlı üretimde uygulanabilir şekilde tespit edilebildiğini gösterdi.
Geliştirilen sistem, dört termal kamera kullanılarak iki paketleme makinesinde uygulandı ve gerçek üretim koşullarında doğrulandı.
Çözüm:
- üretim çevrimiyle uyumlu kontrol süresi,
- düşük frekanslı ancak tekrarlayan paketleme hatasının tespiti,
- kontrol sonuçlarının makine kontrol sistemiyle entegrasyonu,
- gerçek üretim değişkenliği altında kararlı çalışma,
- hedeflenen kalite probleminin doğrulama sürecinde pratik olarak azaltılması
sağladı.
Üretim doğrulaması sırasında sistem yaklaşık 400.000 etiketlenmiş görüntü üzerinden geliştirildi ve test edildi. Inference süresi paket başına yaklaşık 150 ms seviyesindeydi; kullanılabilir üretim zamanı yaklaşık 400 ms idi.
Hedeflenen hata daha önce üretimin yaklaşık %1’i seviyesinde görülüyordu. Doğrulama sürecinde bu hataya bağlı müşteri şikâyetleri sıfıra indirildi.
Projenin temel mühendislik değeri yalnızca çalışan bir yapay zekâ modeli geliştirmek değildi. Zor tespit edilen bir kalite probleminin, gerçek üretim zamanlama kısıtları içinde çalışabilen ve makine kontrolüne entegre edilmiş bir inline kontrol sürecine dönüştürülmesi sağlandı.
Termal Sinyal → Hata Sınıflandırma → Üretim Kararı → Makine Aksiyonu → Kalite İyileştirme
Bu Çalışma Ne Gösteriyor
- Hatanın fiziksel özelliklerine göre uygun görüntüleme yönteminin seçilebilmesi
- Hata çeşitliliği gerektirdiğinde kural tabanlı görüntü işlemeden derin öğrenmeye geçilebilmesi
- Veri seti oluşturulmadan önce hata sınıflarının tanımlanması
- Büyük ölçekli gerçek üretim veri setlerinin oluşturulması ve etiketlenmesi
- Endüstriyel kalite kontrol için derin öğrenme geliştirme
- Sıkı üretim zamanlama kısıtları altında inline inference
- Görüntü işleme sonuçlarının PLC / makine kontrolüne entegrasyonu
- Laboratuvar yerine gerçek üretim koşullarında doğrulama
- Yanlış pozitiflerin ve kaçırılan hataların sistematik analizi
- Yapay zekâ tabanlı kontrolün ölçülebilir kalite iyileştirmesine dönüştürülmesi
- Otomasyon, görüntü işleme ve yapay zekânın tek bir üretim sistemi içinde birleştirilmesi