Endüstriyel Görüntü İşleme: Makine Vizyonu Sistemleri

Endüstriyel Görüntü İşleme Nedir?

Endüstriyel görüntü işleme, üretim hatlarında ve endüstriyel süreçlerde kamera sistemleri ve yazılım algoritmaları kullanarak otomatik görsel denetim, ölçüm ve analiz yapılmasını sağlayan bir teknolojidir. Makine vizyonu olarak da adlandırılan bu sistemler, insan gözünün kapasitesini aşan hız ve hassasiyette çalışarak kalite kontrol, nesne tanıma, pozisyon belirleme ve yüzey analizi gibi kritik görevleri yerine getirir.

Günümüzde Endüstri 4.0 devriminin temel yapı taşlarından biri olan makine vizyonu, üretim süreçlerinde verimliliği artırırken hata oranlarını minimize eder. Otomotivden gıdaya, elektronikten ilaca kadar hemen her sektörde yaygın olarak kullanılmaktadır.

Makine Vizyonu Sistemlerinin Temel Bileşenleri

1. Kamera ve Görüntü Sensörleri

Endüstriyel kameralar, tüketici kameralarından farklı olarak yüksek çözünürlük, hızlı kare yakalama ve zorlu ortam koşullarına dayanıklılık sunar. Başlıca kamera tipleri şunlardır:

• Alan tarama kameraları (Area Scan): Tek bir karede iki boyutlu görüntü yakalayan, en yaygın kullanılan kamera tipidir. Statik nesnelerin incelenmesinde idealdir.
• Çizgi tarama kameraları (Line Scan): Hareket halindeki nesneleri satır satır tarayarak görüntü oluşturur. Sürekli üretim hatlarında, özellikle tekstil, kağıt ve çelik gibi rulo malzemelerin denetiminde tercih edilir.
• 3D kameralar: Stereo görüntüleme, yapısal ışık veya uçuş süresi (ToF) teknolojileri kullanarak üç boyutlu veri toplayan kameralardır. Hacim ölçümü ve yüzey profili çıkarma gibi uygulamalarda kullanılır.
• Termal kameralar: Kızılötesi bölgede çalışarak sıcaklık dağılımlarını görüntüler. Elektrik panosu denetimi ve kaynak kalite kontrolünde önemli rol oynar.

2. Aydınlatma Sistemleri

Endüstriyel görüntü işlemede aydınlatma, sistemin başarısını doğrudan etkileyen en kritik bileşenlerden biridir. Doğru aydınlatma seçimi, görüntü kalitesini ve dolayısıyla analiz doğruluğunu belirler. Yaygın kullanılan aydınlatma teknikleri arasında arkadan aydınlatma (backlight), halka aydınlatma (ring light), kubbe aydınlatma (dome light) ve yapısal aydınlatma (structured light) yer alır.

3. Optik ve Lens Sistemleri

Endüstriyel lensler, görüntüleme alanı, çalışma mesafesi ve çözünürlük gereksinimlerine göre seçilir. Telesentrik lensler, perspektif bozulmasını ortadan kaldırarak hassas ölçüm uygulamalarında tercih edilirken, makro lensler çok küçük detayların görüntülenmesinde kullanılır.

4. Görüntü İşleme Yazılımı ve Donanımı

Yakalanan görüntülerin analiz edilmesi için güçlü işlemciler ve optimize edilmiş yazılımlar gereklidir. FPGA tabanlı donanım hızlandırıcılar, GPU işleme üniteleri ve endüstriyel bilgisayarlar bu amaçla kullanılır. Yazılım tarafında ise OpenCV, Halcon, Cognex VisionPro ve MATLAB gibi platformlar yaygın olarak tercih edilmektedir.

Temel Görüntü İşleme Algoritmaları

Makine vizyonu sistemleri, çeşitli algoritmik yöntemler kullanarak görüntülerden anlamlı bilgiler çıkarır. İşte en sık kullanılan teknikler:

Görüntü Ön İşleme

Ham görüntüler genellikle gürültü, düşük kontrast veya aydınlatma dengesizlikleri içerir. Ön işleme adımları bu sorunları gidererek analiz doğruluğunu artırır. Aşağıda OpenCV kullanarak temel ön işleme adımlarını gösteren bir Python örneği bulunmaktadır:

import cv2
import numpy as np

# Görüntüyü yükle
image = cv2.imread("urun_gorseli.png")

# Gri tonlamaya çevir
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# Gauss bulanıklaştırma ile gürültü azaltma
blurred = cv2.GaussianBlur(gray, (5, 5), 0)

# Adaptif eşikleme ile binarizasyon
binary = cv2.adaptiveThreshold(
    blurred, 255,
    cv2.ADAPTIVE_THRESH_GAUSSIAN_C,
    cv2.THRESH_BINARY_INV, 11, 2
)

# Morfolojik işlemler ile küçük gürültüleri temizle
kernel = np.ones((3, 3), np.uint8)
cleaned = cv2.morphologyEx(binary, cv2.MORPH_OPEN, kernel, iterations=2)

cv2.imwrite("onislenmis.png", cleaned)

Kenar Algılama ve Kontur Tespiti

Kenar algılama, nesnelerin sınırlarını belirlemek için kullanılır ve kalite kontrol uygulamalarının temelini oluşturur. Canny kenar algılama algoritması, endüstriyel uygulamalarda en sık tercih edilen yöntemdir:

import cv2

image = cv2.imread("parca_gorseli.png", cv2.IMREAD_GRAYSCALE)

# Canny kenar algılama
edges = cv2.Canny(image, threshold1=50, threshold2=150)

# Kontur tespiti
contours, hierarchy = cv2.findContours(
    edges, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE
)

# Her konturun alanını hesapla ve filtrele
for contour in contours:
    area = cv2.contourArea(contour)
    if area > 500:  # Minimum alan filtresi
        x, y, w, h = cv2.boundingRect(contour)
        aspect_ratio = float(w) / h
        print(f"Alan: {area}, En-Boy Oranı: {aspect_ratio:.2f}")

Derin Öğrenme ile Hata Tespiti

Geleneksel algoritmalar belirli hata tiplerinde yetersiz kalabilir. Derin öğrenme tabanlı yaklaşımlar, özellikle karmaşık yüzey hatalarının tespitinde devrim yaratmıştır. Aşağıda PyTorch kullanarak basit bir hata sınıflandırma modeli örneği verilmiştir:

import torch
import torch.nn as nn
import torchvision.transforms as transforms
from torchvision import models

# Önceden eğitilmiş ResNet modelini yükle ve son katmanı değiştir
model = models.resnet18(pretrained=True)
model.fc = nn.Linear(model.fc.in_features, 2)  # 2 sınıf: hatalı / hatasız

# Görüntü dönüşümleri
transform = transforms.Compose([
    transforms.Resize((224, 224)),
    transforms.ToTensor(),
    transforms.Normalize(
        mean=[0.485, 0.456, 0.406],
        std=[0.229, 0.224, 0.225]
    )
])

# Tahmin fonksiyonu
def predict_defect(image_path):
    from PIL import Image
    image = Image.open(image_path).convert("RGB")
    input_tensor = transform(image).unsqueeze(0)

    model.eval()
    with torch.no_grad():
        output = model(input_tensor)
        probabilities = torch.softmax(output, dim=1)
        predicted_class = torch.argmax(probabilities, dim=1).item()

    labels = ["Hatasız", "Hatalı"]
    confidence = probabilities[0][predicted_class].item() * 100
    return labels[predicted_class], confidence

Endüstriyel Uygulama Alanları

Kalite Kontrol ve Hata Tespiti

Makine vizyonunun en yaygın kullanım alanı kalite kontroldür. Üretim hattındaki her ürün saniyenin kesirleri içinde taranarak yüzey çizikleri, renk sapmaları, boyut hataları ve montaj eksiklikleri tespit edilir. Örneğin otomotiv sektöründe bir motor bloğunun yüzeyindeki mikron seviyesindeki çatlaklar, insan gözünün fark edemeyeceği hassasiyette algılanabilir.

Boyutsal Ölçüm ve Metroloji

Endüstriyel parçaların geometrik ölçümleri, makine vizyonu ile mikrometre hassasiyetinde yapılabilir. Çap, uzunluk, açı, düzlemsellik gibi parametreler üretim hattında gerçek zamanlı olarak kontrol edilir ve tolerans dışı ürünler otomatik olarak ayrılır.

Robot Rehberliği

Makine vizyonu, endüstriyel robotlara "görme" yeteneği kazandırır. Robotlar, kamera verilerini kullanarak nesnelerin konumunu, yönelimini ve tipini belirleyerek tutma, yerleştirme ve montaj işlemlerini hassas bir şekilde gerçekleştirir. Bu teknoloji bin picking (kutudan rastgele parça alma) gibi karmaşık görevleri mümkün kılmıştır.

Barkod ve OCR Okuma

Üretim ve lojistik süreçlerinde barkod, QR kod ve metin okuma işlemleri makine vizyonu ile otomatikleştirilir. Yüksek hızda hareket eden ürünlerdeki etiketler bile doğru bir şekilde okunarak izlenebilirlik sağlanır.

Gıda ve İlaç Endüstrisi

Gıda sektöründe renk analizi, boyut sınıflandırma ve yabancı madde tespiti; ilaç sektöründe ise tablet sayma, ambalaj bütünlüğü kontrolü ve seri numarası doğrulama gibi kritik görevler makine vizyonu ile gerçekleştirilir.

Sistem Tasarımında Dikkat Edilmesi Gerekenler

1. Aydınlatma tasarımı: Sistemin başarısının yaklaşık %70'i doğru aydınlatmaya bağlıdır. Farklı aydınlatma geometrileri denenerek en iyi kontrast elde edilmelidir.
2. Kamera çözünürlüğü: Tespit edilmesi gereken en küçük hata boyutuna göre piksel/mm oranı hesaplanmalıdır. Genel kural olarak, en küçük hatanın en az 3-5 piksel genişliğinde olması hedeflenmelidir.
3. İşleme hızı: Üretim hattının hızına uygun kare yakalama ve işleme süresi sağlanmalıdır. Yüksek hızlı hatlarda donanım tetikleme ve FPGA tabanlı ön işleme gerekebilir.
4. Çevresel koşullar: Titreşim, toz, sıcaklık değişimleri ve ortam ışığı gibi faktörler göz önünde bulundurularak uygun koruma sınıfına sahip ekipman seçilmelidir.
5. Kalibrasyon ve bakım: Sistem düzenli olarak kalibre edilmeli ve lens, aydınlatma gibi bileşenlerin performans düşüşü izlenmelidir.

Güncel Trendler ve Gelecek Perspektifi

Endüstriyel görüntü işleme alanı hızla evrilmektedir. Derin öğrenme tabanlı yöntemler, geleneksel kural tabanlı algoritmaların yerini almaya başlamıştır. Özellikle etiketli veri gereksinimini azaltan az örnekli öğrenme (few-shot learning) ve öz denetimli öğrenme (self-supervised learning) yaklaşımları endüstriyel ortamlar için büyük potansiyel taşımaktadır.

Edge AI (uç nokta yapay zekası), görüntü işleme algoritmalarının doğrudan kamera veya endüstriyel bilgisayar üzerinde çalıştırılmasını sağlayarak gecikmeyi azaltır ve veri güvenliğini artırır. NVIDIA Jetson, Intel Movidius ve Google Coral gibi platformlar bu alanda öne çıkmaktadır.

Hiperspektral görüntüleme, görünür ışığın ötesinde yüzlerce dalga boyunda veri toplayarak malzeme analizi ve kimyasal kompozisyon tespiti gibi gelişmiş uygulamaları mümkün kılar. Gıda güvenliği ve geri dönüşüm sektörlerinde kullanımı hızla yaygınlaşmaktadır.

Sonuç olarak, endüstriyel görüntü işleme ve makine vizyonu sistemleri, modern üretimin vazgeçilmez bir parçası haline gelmiştir. Yapay zeka, bulut bilişim ve IoT teknolojileri ile entegre edilen bu sistemler, akıllı fabrikaların temelini oluşturmaya devam edecektir. Sektördeki gelişmeleri yakından takip etmek ve sürekli güncellenen teknolojilere adaptasyon sağlamak, rekabet avantajı elde etmenin anahtarıdır.