Görüntü İşleme Nedir? Nasıl Çalışır ve Üretimde Nerede İşe Yarar
Görüntü işleme, kamera veya sensörle alınan görüntüyü sayısal veriye çevirip bu veriden anlam çıkarma işidir: bir nesnenin varlığını, konumunu, ölçüsünü, rengini ya da yüzeyindeki kusuru insan müdahalesi olmadan belirlemek. Aynı alan uluslararası kaynaklarda computer vision, Türkçe akademik metinlerde ise bilgisayarlı görü adıyla geçer. Sanayideki pratik karşılığı ise nettir: gözle yapılan denetim, sayım ve okuma işlerinin kamera ve yapay zeka modelleriyle yürütülmesi.
Görüntü işleme nasıl çalışır?
Hangi teknoloji kullanılırsa kullanılsın, bir görüntü işleme akışı dört temel adımdan oluşur. Bu adımların her biri bağımsız bir mühendislik alanıdır ve projelerin çoğu ilk iki adımda kazanılır ya da kaybedilir.
1. Görüntü yakalama
Kamera, objektif, aydınlatma ve tetikleme düzeneğinin bir araya geldiği katman. Kameranın çözünürlüğü, deklanşör tipi (hareketli hatlarda global shutter tercih edilir), objektifin görüş alanı ve odak mesafesi bu aşamada belirlenir. Hat üzerinde parça hareket ediyorsa görüntünün doğru anda alınması için bir sensörle tetikleme kurulur. Bu katmanda alınan kararlar sonradan yazılımla telafi edilemez; bulanık ya da yansımalı bir kareden hiçbir model bilgi çıkaramaz.
2. Ön işleme
Ham görüntünün analiz edilebilir hâle getirilmesi: gürültü azaltma, kontrast düzenleme, perspektif düzeltme, ilgi alanının (ROI) kırpılması, gerekiyorsa renk uzayı dönüşümü. Amaç, modele veya kurala gitmeden önce görüntüdeki gereksiz değişkenliği azaltmaktır. İyi bir ön işleme adımı, sonraki aşamanın işini kolaylaştırır ve sistemi ortam koşullarındaki küçük oynamalara karşı daha dayanıklı yapar.
3. Öznitelik çıkarma
Görüntüdeki anlamlı bilginin sayısallaştırıldığı aşama. Klasik yöntemlerde bunlar mühendisin elle tanımladığı özniteliklerdir: kenarlar, konturlar, köşeler, alan ve çevre ölçüleri, histogram dağılımları, şablon eşleşme skorları. Derin öğrenmede ise öznitelikler elle yazılmaz; evrişimli sinir ağı katmanları örneklerden kendi temsilini öğrenir. İki yaklaşım arasındaki asıl ayrım da burada başlar.
4. Karar
Çıkarılan bilginin bir sonuca dönüştüğü adım: parça uygun mu, ölçü toleransta mı, etiket doğru mu, bölgede kişi var mı. Karar tek başına bir ekran çıktısı değildir; hattaki PLC'ye sinyal göndermek, kaydı üretim yönetim sistemine yazmak, kusurlu parçayı ayırmak gibi bir eylemle sonuçlanmalıdır. Görüntü işlemenin işletme değeri, bu son adımın mevcut sistemlere bağlanma kalitesiyle doğru orantılıdır.
Klasik görüntü işleme ile derin öğrenme farkı
Sahada iki yaklaşım da kullanılır ve biri diğerinin yerine geçmez. Klasik görüntü işleme, kuralın mühendis tarafından tanımlandığı yöntemdir: "şu bölgedeki koyu piksellerin alanı şu değeri aşarsa hata var." Derin öğrenme tabanlı görüntü işleme ise kuralı örneklerden öğrenir: yeterli sayıda kusurlu ve kusursuz görüntü verilir, model ayrımı kendisi çıkarır. Doğru seçim, işin tarif edilebilirliğine bağlıdır.
| Ölçüt | Klasik görüntü işleme | Derin öğrenme tabanlı |
|---|---|---|
| Kural nasıl konur | Mühendis elle tanımlar: eşikleme, kenar bulma, şablon eşleştirme, ölçüm | Etiketli örneklerden öğrenilir; ayrım kriteri açıkça yazılmaz |
| Veri ihtiyacı | Az sayıda referans görüntü yeterli olabilir | Etiketli ve çeşitliliği yeterli veri kümesi şarttır |
| Değişkenliğe dayanıklılık | Dardır; ışık, açı veya yüzey değişince kural bozulur | Daha geniştir, ancak yalnızca eğitim verisinin kapsadığı çeşitlilik kadar |
| Açıklanabilirlik | Karar adım adım izlenebilir, hata nedeni gösterilebilir | Kararın gerekçesi doğrudan okunamaz; ek analiz yöntemleri gerekir |
| Donanım | Sıradan endüstriyel bilgisayar çoğu işte yeterlidir | Eğitim için GPU, hat üzerinde çıkarım için hızlandırıcı gerekebilir |
| Uygun olduğu işler | Sabit fikstürde ölçüm, barkod okuma, varlık-yokluk, konum tespiti | Görünümü kuralla tarif edilemeyen yüzey kusurları, doğal doku çeşitliliği |
| Bakım biçimi | Kural veya parametre güncellenir | Yeni örnekler etiketlenip model yeniden eğitilir |
Pratikte çoğu üretim uygulaması melezdir: parçanın konumu ve ölçüsü klasik yöntemlerle bulunur, kusur sınıflandırması derin öğrenmeye bırakılır. "Her işe yapay zeka" yaklaşımı, kuralla iki günde çözülecek bir ölçüm işini haftalarca sürecek veri toplama projesine dönüştürebilir.
Üretimde görüntü işleme kullanım alanları
Görüntü işlemenin sanayideki karşılığı, üretim hattında insanın gözüne bağlı kalan adımların ölçülebilir hâle gelmesidir. Otomotiv yan sanayi, asansör imalatı, mobilya ve metal işleme gibi alanlarda en sık karşılaşılan başlıklar aşağıdadır. Zorluk sütunu, aydınlatma kurulumu, veri ihtiyacı ve hata toleransı birlikte değerlendirilerek verilmiştir.
| Kullanım alanı | Ne yapar | Zorluk |
|---|---|---|
| Etiket ve barkod okuma | Etiket varlığını, doğru ürüne ait olup olmadığını ve kod okunabilirliğini denetler | Kolay |
| Varlık-yokluk kontrolü | Vida, klips, conta, kapak gibi parçaların takılı olup olmadığını doğrular | Kolay |
| Montaj sırası ve doğruluğu | Parçaların doğru konumda, doğru yönde ve doğru sırayla monte edildiğini kontrol eder | Orta |
| Ölçü doğrulama | Delik çapı, kenar uzunluğu, açı ve mesafe gibi ölçüleri toleransa göre denetler | Orta |
| Renk ve ton tutarlılığı | Kaplama, boya veya kumaş tonunun referansla uyumunu ölçer | Orta |
| Güvenlik ve saha denetimi | Kişisel koruyucu donanım kullanımını, tehlikeli bölge ihlallerini ve yaya-forklift yakınlığını izler | Orta |
| Sayım ve izlenebilirlik | Palet, kutu veya parça sayar; seri numarasıyla ürünü hat boyunca takip eder | Orta-Zor |
| Yüzey hatası tespiti | Çizik, ezik, kaynak hatası, boya kusuru, döküm boşluğu gibi düzensiz kusurları bulur | Zor |
Bu başlıkların hiçbiri tek başına bir "yapay zeka dönüşümü" değildir; her biri belirli bir istasyondaki belirli bir kaybı hedefler. Görüntü işlemenin sanayideki yerini daha geniş bir çerçevede değerlendirmek için sanayide yapay zeka yazımıza bakabilirsiniz.
Bir görüntü işleme projesi gerçekte neye ihtiyaç duyar?
Bu konuda yazılan içeriklerin çoğu model mimarilerini anlatıp sahayı atlar. Oysa bir görüntü işleme projesinin başarısını en çok üç şey belirler: aydınlatma, kamera konumu ve etiketli veri kalitesi. Model seçimi çoğu zaman en kolay kısımdır; hazır mimariler olgunlaşmıştır ve benzer işlerde benzer sonuç verir. Fark, kameranın önündeki fiziksel düzenekte oluşur.
Aydınlatma. Görüntü işlemede ışık, yazılımın girdisidir. Ortam aydınlatmasına bırakılan bir kurulum, gün içindeki ışık değişimiyle, vardiya lambalarının açılıp kapanmasıyla ve mevsimle birlikte farklı görüntü üretir; model dünkü kadarıyla bugünü tanıyamaz. Sanayide bu yüzden kontrollü aydınlatma kullanılır: parlak yüzeylerde yansımayı kıran difüzör, kenar belirginleştirmek için arkadan aydınlatma, doku kusurlarını görünür kılmak için düşük açılı yandan aydınlatma. Kusuru gözle ayırt edilemeyen bir görüntü, modele de bir şey öğretemez.
Kamera konumu ve optik. Kameranın açısı, mesafesi ve objektifi neyin ölçülebileceğini belirler. Eğik açıyla bakan bir kamera perspektif hatası üretir ve ölçüm işlerinde kalibrasyon zorunlu hâle gelir. Kameranın titreşimli bir platforma bağlanması, parçanın her seferinde farklı yönde durması veya kablo, hortum gibi engellerin görüş alanına girmesi, sonradan tamamı yazılım maliyetine dönüşen sorunlardır. Uygulamada en sağlam çözüm, parçanın kamera önünde tekrarlanabilir biçimde konumlanmasını sağlayan basit bir fikstürdür.
Etiketli veri. Derin öğrenme tabanlı bir denetim kuruluyorsa proje süresinin büyük bölümü veri toplamak ve etiketlemekle geçer. Burada kritik olan miktardan çok kapsamdır: farklı vardiyalarda, farklı tedarikçi partilerinde, farklı yüzey ve renk varyantlarında ve gerçek kusur çeşitlerinde örnek bulunmalıdır. İkinci kritik nokta etiket tutarlılığıdır; aynı parçaya bir kalite personeli "kusurlu", diğeri "kabul" diyorsa, model bu tutarsızlığı öğrenir ve saha performansı beklentinin altında kalır. Çoğu üretim hattında sorun ise şudur: kusurlu parça azdır, yani öğretilecek örnek kıttır. Bu durumda veri toplama planı projenin ilk fazı olur.
Yüzey kusuru tespiti gibi işlerde ilk adım genellikle bir fizibilite çalışmasıdır: kusurun mevcut aydınlatma ve kamerayla görünür hâle gelip gelmediği, örnek parçalar üzerinde kısa sürede sınanır. Bu adım atlandığında, aylar süren bir yazılım çalışmasının sonunda kusurun görüntüde hiç bulunmadığı anlaşılabilir.
Görüntü işleme ne zaman işe yaramaz, neden başarısız olur?
Dürüst cevap şudur: her denetim işi görüntü işlemeye uygun değildir. Sık karşılaşılan başarısızlık nedenleri şunlardır.
Kusur görüntüde yoktur. İç çatlak, malzeme yorgunluğu, sertlik farkı veya yüzey altındaki boşluk gibi kusurlar görünür ışıkla ölçülemez. Bunlar ultrason, X-ışını, termal görüntüleme veya tahribatsız muayene yöntemlerinin alanıdır; standart kamerayla kurulan bir sistem bu işlerde sonuç vermez.
Kusurun tanımı yoktur. "Gözüme kötü göründüyse ayırıyorum" ile çalışan bir denetim istasyonunda otomatikleştirilecek bir karar kuralı da yoktur. Görüntü işleme, kabul kriteri netleşmemiş bir süreci netleştirmez; belirsizliği aynen kopyalar. Kriterin ölçülebilir hâle getirilmesi, projeden önce yapılacak iştir.
Ortam kontrol edilemiyordur. Açık alan, sürekli değişen ışık, toz, buhar, yağ sisi veya kameranın merceğine bulaşan malzeme, sistemi zamanla bozar. Kurulumda çalışan bir çözüm, temizlik ve bakım planı olmadan birkaç hafta içinde güvenilmez hâle gelir.
Ürün çeşitliliği çok yüksek, adet çok düşüktür. Her siparişin farklı olduğu, tek parça üretim yapılan hatlarda her varyant için veri toplamak pratik değildir. Bu tip işlerde klasik ölçüm yöntemleri veya insan denetimi genellikle daha makul kalır.
Sistem hatta bağlanmamıştır. Kusuru bulan ama kimseye haber vermeyen, kusurlu parçayı ayırmayan ve kaydı hiçbir yere yazmayan bir kurulum, bir gösteri ekranından ibaret kalır. Karar çıktısının PLC, ERP veya kalite kayıt sistemine bağlanması, projenin görüntü tarafı kadar önemlidir.
Devreye alma sonrası sahipsiz kalmıştır. Tedarikçi değişir, yüzey kaplaması değişir, yeni bir ürün varyantı gelir. Modelin yeni örneklerle güncellenmesini kimin, hangi sıklıkla yapacağı tanımlanmazsa doğruluk sessizce düşer ve operatörler bir süre sonra sistemi devre dışı bırakır. Görüntü işleme kurulan değil, işletilen bir sistemdir.
Görüntü işleme projesinin maliyetini ne belirler?
Fiyat, yazılım satırından çok kapsamla ilgilidir. Maliyeti belirleyen başlıca kalemler şunlardır: istasyon sayısı ve kamera adedi; aydınlatma ve mekanik düzenek (fikstür, muhafaza, montaj elemanları); hat hızı, yani karar için tanınan süre (hızlı hatlar daha güçlü donanım ve daha yalın model gerektirir); kusur çeşitliliği ve buna bağlı veri toplama-etiketleme emeği; entegrasyon derinliği (yalnızca ekran mı, yoksa PLC sinyali, ayırma mekanizması ve kalite kaydı mı); son olarak bakım ve yeniden eğitim için ayrılan sürekli emek.
Bu kalemlerin dağılımı proje tipine göre değişir. Barkod okuma gibi işlerde ağırlık donanımdadır ve devreye alma kısadır; yüzey kusuru tespitinde ise emeğin büyük kısmı veri tarafında toplanır. Kurulan denetim sisteminin çıktısının ne olacağı, raporlamanın ve uyarıların hangi sistemler üzerinden ilerleyeceği yapay zeka ajanları ile birlikte tasarlandığında, tespit edilen sapmalar ilgili ekibe otomatik biçimde iletilebilir. Kendi hattınız için hangi istasyonun uygun olduğunu değerlendirmek isterseniz hizmetlerimiz sayfasındaki çözüm başlıklarını inceleyebilirsiniz.
Sık Sorulan Sorular
Görüntü işleme ile bilgisayarlı görü aynı şey mi?
Büyük ölçüde evet; Türkiye'de yaygın kullanılan terim görüntü işlemedir. Akademik ayrım yapıldığında görüntü işleme daha çok görüntünün iyileştirilmesi ve dönüştürülmesini, bilgisayarlı görü (computer vision) ise görüntüden anlam ve karar çıkarmayı anlatır. Sanayi uygulamalarında iki alan aynı sistem içinde iç içe çalışır ve çoğu kaynak ikisini birlikte kullanır.
Görüntü işleme için mutlaka yapay zeka gerekir mi?
Hayır. Ölçüm, barkod okuma, varlık-yokluk ve konum tespiti gibi işler klasik yöntemlerle çözülebilir ve genellikle daha hızlı, daha açıklanabilir sonuç verir. Yapay zeka modelleri, kusurun kuralla tarif edilemediği ve görünümün doğal olarak çeşitlendiği işlerde belirgin fark oluşturur.
Mevcut güvenlik kameralarımla üretim denetimi yapabilir miyim?
Sınırlı biçimde. Güvenlik kameraları geniş alanı izlemek için tasarlanmıştır; alan denetimi, bölge ihlali ve koruyucu donanım kontrolü gibi işlerde kullanılabilir. Ölçüm veya yüzey kusuru tespiti için ise sabitlenmiş konum, uygun objektif, kontrollü aydınlatma ve çoğu durumda tetiklemeli endüstriyel kamera gerekir.
Bir görüntü işleme projesi ne kadar sürede devreye alınır?
Süreyi belirleyen, yazılım değil veri ve fiziksel kurulumdur. Kuralla çözülebilen ve ortamı kontrollü olan bir istasyon kısa sürede devreye alınabilir. Kusur örneklerinin toplanması gereken uygulamalarda ise takvimin büyük bölümünü veri toplama ve etiketleme aşaması belirler; bu nedenle proje planı fizibilite, veri toplama, pilot ve yaygınlaştırma fazlarına bölünerek yapılır.
Sistem hatalı karar verirse ne olur?
İki hata tipi ayrı ayrı ele alınır: kusurlu parçayı kabul etmek ve sağlam parçayı kusurlu saymak. İkisinin işletmeye maliyeti farklı olduğu için karar eşiği buna göre ayarlanır. Kritik uygulamalarda sistem doğrudan ayırma yapmak yerine önce şüpheli parçaları insan denetimine yönlendirir; güven verileri biriktikçe otomatik karar kapsamı kademeli olarak genişletilir.
