Derin öğrenme ile görsel denetim, kameranın çektiği ürün görüntüsünü çok katmanlı bir yapay sinir ağıyla inceleyip kusurlu parçayı ayırmaktır. Model kusurun neye benzediğini kurallardan değil, örnek görüntülerden öğrenir. Bu yüzden çizik, leke ya da çapak gibi her parçada farklı görünen kusurlarda kural tabanlı sistemlerin zorlandığı yerde tutarlı sonuç verir.
Plastik enjeksiyonla kapak üreten bir hattı düşünelim. Kapaklardaki akış izleri her parçada başka bir yerde, başka bir biçimde çıkıyor. Kural tabanlı sistem için "akış izi" tanımı yazmaya çalışan mühendis, ya iyi parçaları reddeden ya da izleri kaçıran bir eşikte takılıp kalıyor. Derin öğrenme modeli ise yüzlerce örnek görüntüden izin neye benzediğini öğrenir ve yeni bir biçimde çıksa bile tanır.
Derin öğrenme nedir?
Derin öğrenme, çok sayıda katmandan oluşan yapay sinir ağlarıyla veriden örüntü öğrenen bir makine öğrenmesi yöntemidir. Yapay zekâ kavramlarını tanımlayan ISO/IEC 22989 da derin öğrenmeyi, çok sayıda gizli katmanı olan sinir ağlarının eğitilmesiyle katmanlı temsiller oluşturma yaklaşımı olarak tanımlar. Görüntüde en yaygın kullanılan tip konvolüsyonel sinir ağıdır (CNN). İlk katmanlar kenar ve doku gibi basit özellikleri, sonraki katmanlar bunları birleştirerek "çizik" ya da "eksik parça" gibi anlamlı kalıpları yakalar.
Klasik makine öğrenmesinde mühendis hangi özelliklere bakılacağını kendisi seçer, örneğin parlaklığı ya da kenar sayısını. Derin öğrenmede bu özellikleri model kendisi bulur. Örneğin bir model, mühendisin tarif edemediği ince bir doku farkını yalnızca iyi ve kusurlu örnekleri karşılaştırarak öğrenebilir.
Görsel denetimde hangi derin öğrenme yöntemleri kullanılır?
Görsel denetimde dört temel yöntem kullanılır. Hangisinin seçileceğini, parçada neyi bilmek istediğiniz belirler.
| Yöntem | Ne söyler | Örnek görev |
|---|---|---|
| Sınıflandırma | Parça iyi mi, kusurlu mu, kusur hangi tipte | Kapağı "iyi", "çizik", "çapak" olarak ayırmak |
| Nesne tespiti | Kusurun ya da parçanın görüntüde nerede olduğu | Kasadaki eksik ürünü kutu içine almak |
| Segmentasyon | Kusurun piksel düzeyinde sınırı ve alanı | Lekenin alanını ölçüp tolerans ile karşılaştırmak |
| Anomali tespiti | Görüntünün iyi parçalardan ne kadar farklı olduğu | Daha önce hiç görülmemiş bir kusuru yakalamak |
Örneğin kusur tipleri belli ve her tipten yeterli örnek varsa sınıflandırma ya da nesne tespiti uygundur. Kusurlar seyrek ve çeşitliyse anomali tespiti öne çıkar, çünkü bu modeller yalnızca iyi parça görüntüleriyle eğitilebilir. Endüstriyel anomali tespiti için yaygın kullanılan karşılaştırma veri seti MVTec AD, Bergmann ve arkadaşlarının 2019'da CVPR'de yayımladığı çalışmayla tanıtıldı.
Model için kaç görüntü gerekir?
Gereken görüntü sayısı yönteme, kusurun ne kadar belirgin olduğuna ve ürün çeşidine bağlıdır. Kesin bir sayı vermek yerine iki kurala bakın. Model her kusur tipini, sahada karşılaşacağı çeşitlilikte görmeli ve kusurlu görüntüler iyi görüntülerle aynı ışık ve kamera düzeninde çekilmelidir.
Sahada en sık karşılaşılan sorun kusurlu örneğin azlığıdır. İyi işleyen bir hatta kusurlu parça az çıkar. Örneğin bir hattan bir haftada binlerce iyi kapak ama yalnızca birkaç düzine akış izli kapak toplanabilir. Bu durumda ya kusurlu örnekler aylarca biriktirilir ya da anomali tespitiyle başlanır.
Görüntüleri etiketlemek de zaman ister. Etiketleri, kusuru en iyi tanıyan kalite ekibinin vermesi modelin doğruluğunu doğrudan etkiler.
Bir modelin başarısı nasıl ölçülür?
Görsel denetim modelinin başarısı iki hatayla ölçülür. Kusurlu parçayı iyi saymak, yani kaçırma, ve iyi parçayı kusurlu saymak, yani yanlış ret. Tek bir "doğruluk yüzdesi" bu iki hatayı gizler.
Örneğin 10.000 parçalık bir test grubunda 50 kusurlu parça olsun. Model kusurlulardan 48'ini yakalayıp 2'sini kaçırıyor ve iyi parçalardan 30'unu reddediyor. Kaçırma oranı yüzde 4, yanlış ret oranı yaklaşık yüzde 0,3 olur. "Doğruluk" ise yüzde 99,7 görünür, çünkü iyi parçalar çoğunluktadır.
Hangi hatanın sizin için daha pahalı olduğuna karar verip modelin eşiğini buna göre ayarlarsınız. Fren parçasında kaçırma kabul edilemez, ambalaj baskısında bir miktar yanlış ret kabul edilebilir.
Derin öğrenme modeli hatta nasıl çalışır?
Model eğitildikten sonra hat yanındaki bir endüstriyel bilgisayarda ya da kameraya yakın bir uç cihazda çalışır. Kamera parçayı çeker, model görüntüyü inceler ve kararı PLC'ye gönderir, PLC de kusurlu parçayı hattan ayırır.
Kararın hat hızına yetişmesi gerekir. Örneğin saniyede 4 parçanın geçtiği bir hatta görüntü çekme, inceleme ve karar 250 ms'den kısa sürede tamamlanmalıdır. Model çalışmaya başladıktan sonra da izlenir. Yeni bir hammadde, değişen aydınlatma ya da yeni bir kalıp görüntüyü değiştirebilir. Bu durumda model yeni örneklerle yeniden eğitilir.
Derin öğrenme her denetimde gerekli mi?
Derin öğrenme her denetimde gerekli değildir. Ölçü kontrolü, kod okuma ve parça varlığı gibi tanımı net görevlerde kural tabanlı görüntü işleme daha basit, daha hızlı ve doğrulaması daha kolaydır.
Derin öğrenmeye görünümü değişken kusurlarda, doğal malzemelerde ve kuralla tarif edilemeyen görevlerde ihtiyaç duyulur. Örneğin bir vidanın boyunu ölçmek kural işidir, aynı vidanın yüzeyindeki pası ayırmak derin öğrenme işi olabilir. Kusuru kuralla tarif edemediğiniz her durumda yapay zekâ ile kalite kontrol değerlendirmeye değer. Kamera, ışık ve yazılımın bir araya geldiği sistemin temelini ise görüntü işlemenin adımları oluşturur.
İlk adım: kusurlu ve iyi numunelerden bir kutu ayırın
Derin öğrenmenin sizin kusurunuzda işe yarayıp yaramayacağını anlamanın en hızlı yolu gerçek numunelerdir. En çok sorun çıkaran kusur tipinden ulaşabildiğiniz kadar kusurlu parçayı ve aynı üründen bir grup iyi parçayı ayırın. Her kusurlu parçanın neden reddedildiğini kalite ekibinize not ettirin.
Bu numunelerle bir fizibilite çalışmasında kusurun kamerayla görünüp görünmediği ve hangi yöntemin uygun olduğu anlaşılır. Yapay zekâ destekli görüntü işleme projelerinde ilk görüşme genellikle böyle bir numune kutusuyla başlar. Numunelerinizle bize yazarsanız ilk değerlendirmeyi birlikte yapabiliriz.
Sık sorulan sorular
Derin öğrenme ile yapay zekâ aynı şey mi?
Aynı şey değildir. Yapay zekâ geniş bir alandır, makine öğrenmesi onun bir dalı, derin öğrenme de makine öğrenmesinin çok katmanlı sinir ağlarını kullanan bir alt dalıdır.
Derin öğrenme modeli için GPU gerekir mi?
Eğitim için genellikle gerekir. Hatta çalıştırma için ise modelin büyüklüğüne ve hat hızına göre endüstriyel bir bilgisayar, GPU'lu bir uç cihaz ya da akıllı kamera yeterli olabilir.
Model zamanla kendi kendine öğrenir mi?
Üretimde çalışan modeller genellikle kendi kendine değişmez, çünkü kontrolsüz değişim kalite kararlarını öngörülemez hale getirir. Yeni örnekler toplanır, kalite ekibi etiketler ve model kontrollü olarak yeniden eğitilir.
Derin öğrenme kararını açıklayabilir mi?
Kısmen açıklayabilir. Segmentasyon ve dikkat haritaları, modelin görüntünün hangi bölgesine bakarak karar verdiğini gösterir. Bu, kalite ekibinin modele güvenmesi için önemlidir.
