Bilgisayarlı Görü ile Endüstriyel Kalite Kontrol: Her Parçayı Yapay Zeka ile Denetlemek

Yazar: Dr. Gökhan Tahıl, AI Yapay Zeka Mühendislik A.Ş. kurucusu. Fransa'da yapay zeka alanında doktora, bilgisayar mühendisliği temeli. Son güncelleme: 17 Ağustos 2026.

Kalite kontrol bütçesi çoğu üretim tesisinde iki kalemden konuşulur: hurdaya ayrılan parça ve müşteriye giden hatalı ürün. İkisi de aynı soruya çıkar. Hattan geçen her parçayı, hattı yavaşlatmadan görebiliyor musunuz? Cevap genellikle “kısmen” olur. Numune alınır, operatör gözüyle bakılır, vardiya ilerledikçe dikkat düşer. Aradan kaçan parça fabrikada değil, müşteride ortaya çıkar. Bilgisayarlı görü tam bu boşluğu kapatmak için kullanılır: kamerayı bir ölçüm cihazına çevirip her parçayı aynı standartla değerlendirmek.

Bu yazıda kamera tabanlı kalite kontrol kurmayı düşünen bir yöneticinin karar vermeden önce bilmesi gereken konuları sırayla ele alıyoruz. Hangi hata tipleri yakalanır, hangileri yakalanmaz. Hat hızına yetişecek sistem nasıl hesaplanır. Doğruluk oranı neden tek başına yanıltıcıdır. Sistem kenarda mı bulutta mı çalışmalı, model zamanla bozulduğunda ne olur ve projeye hangi sırayla başlanır.

Bilgisayarlı görü ile endüstriyel kalite kontrol nedir?

Bilgisayarlı görü ile endüstriyel kalite kontrol, üretim hattındaki parçanın görüntüsünü kamerayla alıp bir yapay zeka modeliyle değerlendiren ve sonucu hattaki ayırma mekanizmasına ileten otomatik denetim yöntemidir. Amaç numune yerine her parçayı, operatörden operatöre değişmeyen tek bir eşikle kontrol etmektir.

Bilgisayarlı görü (computer vision), kameradan gelen görüntüyü sayısal veriye çevirip bilgisayarın bu veriden karar üretmesini sağlayan alandır. Üretim hattında zincir şöyle işler: sensör parçanın geldiğini algılar ve kamerayı tetikler, kamera görüntüyü alır, model görüntüyü değerlendirir, karar milisaniyeler içinde hat kontrol sistemine iletilir, hatalı parça ayrılır ya da işaretlenir.

Buradaki model, örnek görüntülerle eğitilmiş bir yazılımdır. Ona sağlam ve hatalı parçalar gösterilir, aradaki farkı ayırt etmeyi öğrenir. Klasik kural tabanlı makine görüsünden farkı şudur: sabit kural yazmazsınız, örnek gösterirsiniz. “Şu bölgede şu kadar koyu piksel varsa hatalıdır” gibi bir kural, çizik ve ezik gibi düzensiz kusurlarda hızla yetersiz kalır. Örnekle öğrenen bir model bu kusurları da kapsama alabilir. Buna karşılık ölçüm, barkod okuma ve varlık kontrolü gibi net tanımlı görevlerde kural tabanlı yaklaşım hâlâ daha hızlı ve daha öngörülebilirdir. Pratikte iyi kurulmuş sistemlerin çoğu ikisini birlikte kullanır.

İnsan gözüyle yapılan kontrol nerede yetersiz kalır?

İnsan gözüyle kontrol üç noktada tıkanır: kapsama, tutarlılık ve izlenebilirlik. Sorun operatörün dikkatsizliği değil, işin fiziğidir.

• Kapsama: Hat hızlıysa her parçaya bakılamaz, numune alınır. Numunenin dışında kalan hata sahada görünür.
• Tutarlılık: Aynı parçayı iki operatör farklı değerlendirebilir. Vardiyanın sonunda aynı operatör bile sabahki eşiği uygulamaz.
• İzlenebilirlik: Karar kayıt altına alınmadığı için “bu parça neden geçti” sorusunun cevabı sonradan bulunamaz.

Kamera tabanlı sistem ilk üç satırı birden değiştirir. Her parçaya bakar, aynı eşikle bakar ve baktığının kaydını tutar. Son madde en az konuşulan ama müşteri denetiminde en çok işe yarayan taraftır: şikâyet geldiğinde o parçanın görüntüsüne, karar zamanına ve o an çalışan model sürümüne geri dönebilirsiniz. Yürüttüğümüz projelerden birinde insan değerlendirmesiyle yüzde 80 seviyesinde olan başarı, yapay zeka desteğiyle yüzde 90 seviyesine çıkarıldı.

Kamerayla hangi hatalar yakalanır, hangileri yakalanmaz?

Kamerayla yakalanan kusurlar, yüzeyde görünür bir iz bırakanlardır. Malzemenin içinde kalan ve yüzeye yansımayan kusurlar görüntüyle tespit edilemez. Ayrım pratikte bu kadar nettir.

Güvenilir biçimde yakalanan kusur tipleri:

• Yüzey kusurları: çizik, çapak, leke, kabarcık, korozyon.
• Boyut ve geometri sapmaları. Ölçüm, bilinen bir kalibrasyon referansıyla piksel-milimetre ilişkisi kurularak yapılır; hassas ölçümde perspektif hatasını azaltmak için telesentrik lens tercih edilir.
• Eksik veya yanlış montaj: olması gereken parçanın yerinde olmaması, ters takılması.
• Etiket, baskı ve barkod doğrulama. Burada OCR devreye girer; OCR (optik karakter tanıma), görüntüdeki yazıyı bilgisayarın işleyebileceği metne çeviren teknolojidir.
• Renk, sıralama ve dizilim sapmaları.
• Şeffaf ambalajda dolum seviyesi ve kapak oturma kontrolü.

Kameranın tek başına yetmediği yerler de net. Malzemenin içindeki boşluk veya mikro çatlak gibi yüzeyde iz bırakmayan kusurlar için X-ray ya da ultrasonik muayene gerekir. Çok nadir görülen kusur tiplerinde eğitim için yeterli örnek bulunmaz; bu durumda anomali tespiti yaklaşımı kullanılır. Anomali tespiti, modele yalnızca sağlam parçayı öğretip normalden sapan her şeyi işaretlemek demektir. Karşılığında daha fazla yanlış alarm alırsınız, ama hiç görmediğiniz bir kusur tipini kaçırma riskini düşürürsünüz.

Optik ve aydınlatma, model seçiminden önce gelir

Bu projelerde en sık atlanan başlık optik ve aydınlatmadır. Parlak ve yansıtıcı yüzeylerde yanlış açıdan verilen ışık, hiçbir modelin telafi edemeyeceği bir görüntü üretir. Çizik gibi sığ yüzey kusurları çoğu zaman ancak yandan gelen sıyırma açılı ışıkla görünür hâle gelir; aynı parça tepeden aydınlatıldığında kusur görüntüde hiç oluşmaz.

Hareket de aynı ölçüde belirleyicidir. Bant 1 m/s hızla ilerlerken 1 milisaniyelik pozlama, görüntüde yaklaşık 1 mm hareket bulanıklığı üretir. Bu yüzden hareketli parçada global shutter sensör ve kısa süreli flaş (strobe) aydınlatma gerekir; rolling shutter sensör hareketli nesnede geometrik bozulma oluşturur. Fizibilite aşamasında kamera, lens ve aydınlatma denemesi yapılmadan model tartışmasına geçmek zaman kaybıdır.

Üretim hattının hızına yetişecek sistem nasıl kurulur?

Burada iki ayrı ölçü vardır ve bunları karıştırmak en yaygın hatadır. FPS (frames per second, saniyedeki kare sayısı) sistemin kapasitesini gösterir; gecikme (latency) ise tek bir parçanın görüntüsü alındıktan sonra kararın verilmesine kadar geçen süredir. Bir sistem yüksek FPS üretip yine de geç karar verebilir, çünkü kareler ardışık işlendiğinde toplam kapasite artar ama tek bir parçanın karar süresi kısalmaz. Ayırma mekanizmasını tetikleyen şey FPS değil, gecikmedir.

Hesap iki adımdır. Birincisi kapasite: dakikada 600 parça geçen bir hatta saniyede 10 parça düşer, yani sistem en az 10 FPS üretmelidir. İkincisi gecikme bütçesi: bunu belirleyen şey kamera istasyonu ile ayırma mekanizması arasındaki mesafenin bant hızına bölümüdür. Aradaki mesafe 500 mm ve bant hızı 1 m/s ise toplam gecikme bütçeniz 500 milisaniyedir. Tetikleme, pozlama, görüntü aktarımı, modelin çıkarım süresi, karar iletimi ve ayırıcının mekanik tepki süresi bu bütçeye birlikte sığmak zorundadır. Sadece modelin çıkarım süresine bakıp sistemin hızını hesaplamak yaygın bir hatadır; pratikte görüntü aktarımı ve mekanik tepki süresi çoğu zaman modelden daha büyük paya sahiptir.

Gerçek zamanlı çalışma, doğru modeli seçmenin yanında doğru donanımı seçmeyi de gerektirir. Nesne tespiti için YOLO ailesi gibi hız odaklı mimariler, hattın yanında konumlanan bir kenar sunucu ve GPU bu denklemin parçalarıdır. AI Yapay Zeka Mühendislik olarak görüntü işleme ve bilgisayarlı görü çalışmalarımızda PyTorch, TensorFlow, OpenCV ve YOLO ile birlikte özel geliştirilen modeller kullanıyoruz. Gerçek zamanlı tarafta kanıtımız, savunma sanayii bağlantılı bir müşteri için yürüttüğümüz çalışmadır: insansız hava aracı görüntüsünde sınıftan bağımsız uçan cisim tespiti ve takibi, 50-150 FPS gerçek zamanlı çalışma hedefiyle. Fabrika hattı ile hava aracı görüntüsü farklı problemlerdir, ancak zaman bütçesi mantığı aynıdır. Görüntü işleme projelerimizde yüzde 80 üzeri stabilite ile çalışıyoruz.

Yüzde 99 doğruluk cümlesi neden tek başına anlamsız?

Çünkü doğruluk oranı, maliyetleri birbirinden çok farklı iki hata tipini tek sayıya gömer ve kusur oranı düşük hatlarda tamamen yanıltıcı hâle gelir. Kusur oranı yüzde 1 olan bir üretimde hiçbir parçayı hatalı saymayan bir model de yüzde 99 doğruluk üretir; tek bir kusur yakalamadan.

Doğru okuma için üç kavram gerekir:

• Yanlış pozitif: Sağlam parçayı hatalı diye ayırmak. Sonucu gereksiz hurda ve boşa harcanan yeniden kontrol emeğidir.
• Yanlış negatif: Hatalı parçayı geçirmek. Sonucu müşteriye giden kusur, şikâyet ve gerektiğinde geri çağırmadır.
• Yakalama oranı ve kesinlik: Yakalama oranı (duyarlılık), gerçekten hatalı parçaların yüzde kaçının yakalandığını gösterir. Kesinlik ise sistemin hatalı dediği parçaların yüzde kaçının gerçekten hatalı olduğunu gösterir. Bu ikisi birbirine karşı çalışır: eşiği sıkılaştırınca yakalama artar, kesinlik düşer.

Bu ikisinin maliyeti hiçbir zaman eşit değildir ve dengesi sizin ürününüze göre kurulur. Güvenlik kritik parça üreten bir tedarikçide bir kaçak hatanın bedeli, birkaç fazla hurdadan kat kat yüksektir. Ambalaj hattında tablo tersine dönebilir; her yanlış alarm hattı durdurup operatörü meşgul eder. Sistemin karar eşiği bu maliyet farkına göre ayarlanır.

Dolayısıyla doğru soru “doğruluk oranınız kaç” değil, şudur: hangi kusur tipinde yakalama oranınız kaç, bunun karşılığında kaç sağlam parçayı boşuna ayırıyorsunuz ve bu iki sayının bizim ürünümüzdeki parasal karşılığı ne? Teklif değerlendirirken tek bir doğruluk yüzdesi sunan bir sistem, cevabı değil sorunun üstünü örten bir sayı veriyordur.

Sistem nerede çalışmalı: kenarda mı, bulutta mı?

Hat üstünde karar veren kalite kontrol sistemi kenarda, yani fabrika içindeki bir sunucuda çalışmalıdır. Görüntüyü buluta gönderip kararı beklemek, ağ gecikmesi ve bağlantı kesintisi nedeniyle hat hızındaki bir karar döngüsüne uygun değildir.

Kenarda çalıştırmanın üç somut gerekçesi vardır: gecikme bütçesine sığmak, internet kesildiğinde üretimin durmaması ve üretim görüntülerinin tesis dışına çıkmaması. Bulut tarafında ise merkezî raporlama, birden fazla tesisin karşılaştırılması, yeni model sürümlerinin eğitimi ve dağıtımı anlamlıdır.

Pratikte kurduğumuz mimari hibrittir: çıkarım kenarda, eğitim ve izleme merkezde. Dağıtımı Docker konteyner tabanlı yapıyoruz; böylece aynı model sürümü farklı hatlarda ve farklı tesislerde aynı davranışı gösterir, geri alma işlemi tek adıma iner. Kurulumlarımız ağırlıklı olarak on-premise, yani müşterinin kendi donanımı üzerindedir; bulut opsiyoneldir.

Model zamanla bozulur mu, bozulduğunda ne yapılır?

Evet. Devreye alındığı gün iyi çalışan bir model, üretim koşulları değiştikçe performans kaybeder. Buna model kayması (model drift) denir ve kalite kontrol sistemlerinde sebep neredeyse her zaman fiziksel bir değişikliktir.

En sık görülen tetikleyiciler:

• Hammadde tedarikçisinin değişmesi; yüzey dokusu ve parlaklık değişir.
• Kalıp veya kesici takım aşınması; kusur görünümü yavaşça kayar.
• Aydınlatmanın zamanla zayıflaması, lensin tozlanması veya yağ filmi kaplaması.
• Yeni ürün varyantının hatta girmesi.
• Kamera konumunun bakım sonrası milimetrik kayması.

Kayma, sonuç sahaya yansımadan önce üç göstergeden fark edilir: ayırma oranının geçmiş ortalamadan sapması, operatörün sistem kararını geçersiz kılma sıklığının artması ve model güven skoru dağılımının kayması. Bu üç metrik izlenmiyorsa kaymayı ilk fark eden taraf müşteri olur.

Yapılması gereken, sistemi bir kez kurulup unutulan cihaz değil, sürümlenen bir varlık gibi yönetmektir: sahadan düzenli örnek toplamak, periyodik yeniden eğitim yapmak, yeni sürümü önce gölge modda (karar vermeden, mevcut sürümle paralel) çalıştırıp karşılaştırmak ve her sürümün geri alınabilir olmasını sağlamak. Yapay zeka yönetim sistemimiz ISO 42001 belgelidir; model sürümlerinin, karar kayıtlarının ve yeniden eğitim döngüsünün belgelenmesi bu standardın gerektirdiği izlenebilirliğin parçasıdır. Aynı konuda ISO 42001 danışmanlığı da veriyoruz.

Bilgisayarlı görü projesine hangi sırayla başlanır?

Sıra önemlidir, çünkü yanlış sırada ilerleyen projeler genellikle model aşamasında değil, ondan çok önce yapılmamış bir işte takılır.

1. Kusur kataloğu ve kabul kriteri. Hangi kusur tipleri var, hangisi hurda hangisi kabul edilebilir? Sınır numuneler fiziksel olarak toplanır. Bu adım atlanırsa sonraki her adım tartışmalı hâle gelir.
2. Optik fizibilite. Kamera, lens, aydınlatma ve mekanik konumlandırma denemesi. Çıktı, kusurun görüntüde gerçekten göründüğünün kanıtıdır.
3. Zaman bütçesi hesabı. Parça başına süre, kamera-ayırıcı mesafesi ve gecikme bütçesi hesaplanır; donanım buna göre seçilir.
4. Veri toplama. Görüntüler laboratuvarda değil, hat üstünde ve gerçek vardiya koşullarında toplanır. Nadir kusurlar için anomali tespiti yaklaşımı planlanır.
5. Gölge mod pilotu. Sistem karar vermeden çalışır, kararları operatör kararlarıyla karşılaştırılır. Eşik bu veriyle ayarlanır.
6. Devreye alma ve izleme. Ayırıcı entegrasyonu, kayıt altyapısı, kayma izleme metrikleri ve yeniden eğitim takvimi birlikte kurulur.

Sık sorulan sorular

Bilgisayarlı görü ile kalite kontrol sistemi için kaç örnek görüntü gerekir?

Sabit bir sayı yoktur. Belirleyici olan toplam görüntü sayısı değil, kusur tipi başına örnek çeşitliliğidir: aynı kusurun farklı şiddetlerde, farklı konumlarda ve farklı vardiya koşullarında görülmesi gerekir. Bir kusur tipinden yeterli örnek toplanamıyorsa yalnızca sağlam parçayla eğitilen anomali tespiti yaklaşımıyla başlanır ve saha örnekleri biriktikçe modele kusur sınıfları eklenir.

Mevcut üretim hattı durdurulmadan bilgisayarlı görü sistemi kurulabilir mi?

Büyük ölçüde evet. Optik fizibilite, veri toplama ve gölge mod pilotu hat çalışırken yürütülebilir. Planlı duruş yalnızca kamera ile aydınlatmanın mekanik montajı ve ayırma mekanizmasının hat kontrol sistemine bağlanması için gerekir.

Bilgisayarlı görü sistemi internet bağlantısı olmadan çalışır mı?

On-premise kurulumda evet. Model fabrika içindeki kenar sunucusunda çalıştığı için karar döngüsü internete bağımlı değildir. Bağlantı yalnızca merkezî raporlama, uzaktan bakım ve yeni model sürümünün aktarılması için kullanılır; kesildiğinde hat kontrolü devam eder.

Endüstriyel kalite kontrolde kaç doğruluk oranı yeterlidir?

Tek bir doğruluk oranı hedefi anlamlı değildir. Hedef, yanlış negatif ve yanlış pozitifin sizin ürününüzdeki parasal karşılığına göre belirlenir. Kaçak kusurun maliyeti yüksekse yakalama oranı öne alınır ve daha fazla sağlam parçanın boşuna ayrılması kabul edilir; fazla hurdanın maliyeti yüksekse eşik ters yönde ayarlanır. Kusur oranı yüzde 1 olan bir hatta hiçbir parçayı hatalı saymayan bir model bile yüzde 99 doğruluk üretir.

Kamera tabanlı kalite kontrol sistemi operatörün yerini alır mı?

Rutin tarama görevini alır, karar sorumluluğunu tamamen almaz. Sistem her parçaya bakıp net olanları ayırdığında operatörün işi sınır durumları değerlendirmeye, kusurun kök nedenini üretim tarafında aramaya ve sistemin kararlarını denetlemeye kayar. Uygulamada operatörün geçersiz kılma kararları modelin yeniden eğitiminde en değerli veri kaynağıdır.

Kamerayla ölçülemeyen kusurlar için ne yapılır?

Malzemenin içindeki boşluk, mikro çatlak veya iç yapı kusurları görüntüyle tespit edilemez; bunlar için X-ray veya ultrasonik muayene gerekir. Pratik yaklaşım, kamera tabanlı sistemi yüzeyde iz bırakan kusurlarda tam kapsama için kullanmak, iç kusurlar içinse ayrı bir muayene istasyonunu numune bazlı çalıştırmaktır.

Değerlendirme

Kamera tabanlı kalite kontrolde belirleyici olan model seçimi değil, üç sorunun doğru cevaplanmasıdır: kusur görüntüde gerçekten görünüyor mu, gecikme bütçesi hat fiziğine sığıyor mu ve karar eşiği sizin maliyet dengenize göre mi kurulmuş? Bu üçü yerindeyse model tarafı çözülebilir bir mühendislik problemidir. Üçünden biri eksikse en iyi model bile sahada tutmaz.

Hattınızda hangi kusur tiplerinin kamerayla yakalanabileceğini ve gecikme bütçenizin neye izin verdiğini konuşmak isterseniz, görüntü işleme ve bilgisayarlı görü hizmetlerimiz sayfasından bize ulaşabilirsiniz. AI Yapay Zeka Mühendislik A.Ş. — her gün 09.00-19.00, 0540 509 19 05, gokhan@aiyapayzeka.io

Ücretsiz danışmanlık için bize ulaşın

← Tüm yazılar