Kazanimlar:
- Kumaş yüzeyindeki kusurların görüntü işleme ve makine öğrenmesiyle nasıl tespit ve sınıflandırıldığını açıklayabilme
- Yanlış pozitif/negatif dengesini, 4-nokta puanlama sistemini ve model performans ölçütlerini yorumlayabilme
- Otomatik kusur tespiti çıktısını insan denetimi ve fiziksel muayeneyle sınayan bir doğrulama kurgusu tasarlayabilme
Kumaş kalite kontrolü uzun yıllar boyunca insan gözüne dayandı: bir operatör, aydınlatılmış bir muayene masasında saatlerce kumaş izler, gördüğü kusurları işaretler ve puanlar. Bu iş yorucu, öznel ve yorgunlukla hataya açıktır; dikkat, bir vardiyanın sonunda başındaki kadar keskin değildir. Görüntü işleme (İngilizce computer vision; kameradan gelen görüntüyü sayısal olarak analiz eden yöntemler) ve makine öğrenmesi, bu muayeneyi otomatikleştirme sözü verir: yüksek hızlı kamera kumaşı tarar, bir model kusurları saniyeler içinde tespit ve sınıflandırır. Bu ünitede bu sistemin nasıl çalıştığını, hangi ölçütlerle değerlendirildiğini ve neden insan denetiminin hâlâ vazgeçilmez olduğunu ele alacağız.
Kumaş Kusurları ve Muayenenin Dili
Otomatik tespiti anlamak için önce kusurların adını bilmek gerekir. Dokuma kumaşta tipik kusurlar: çözgü kopuşu (uzunlamasına iplik eksikliği), atkı hatası/tela (enlemesine çizgi), delik, leke, kalın/ince yer, çözgü sıçraması. Örme kumaşta: iğne izi (boyuna çizgi, bir iğnenin arızasından), kaçık ilmek, delik, kalınlık farkı. Baskı ve boyamada: renk farkı, abraj (boyama düzensizliği), kayma, sıçrama.
Muayene sonuçları çoğu zaman 4-nokta sistemi (four-point system) ile puanlanır: her kusura boyuna uzunluğuna göre 1-4 puan verilir (ör. 8 cm'ye kadar 1 puan, 15 cm üzeri 4 puan) ve 100 m² başına toplam puan hesaplanır. Bir eşiğin (ör. 40 puan/100 m²) altı "kabul", üstü "ret" sayılır. AI ile otomatik puanlama bu standardı taklit etmelidir; kendi keyfi puanını üretmemelidir.
İpucu: Otomatik sistemin çıktısı her zaman kabul edilen puanlama standardınıza (4-nokta gibi) ve müşteri toleransına çevrilebilmeli. "Model 12 anomali buldu" cümlesi tek başına iş kararı vermez; puana ve karara çevrilmesi gerekir.
Otomatik Kusur Tespiti Nasıl Çalışır?
Modern sistemler genellikle iki yaklaşımı birleştirir. Denetimli sınıflandırma, önceden etiketlenmiş binlerce kusur örneğiyle eğitilmiş bir yapay sinir ağının (özellikle görüntüye uygun evrişimli sinir ağı, İngilizce CNN) yeni görüntüde kusur olup olmadığını ve türünü tahmin etmesidir. Anomali tespiti ise "normal" kumaşı öğrenip normalden sapan her şeyi kusur adayı olarak işaretler; nadir, daha önce görülmemiş kusurlarda işe yarar çünkü her kusur türünü önceden etiketlemek gerekmez.
Sistemin performansını iki temel ölçütle okuruz. Duyarlılık (recall): gerçek kusurların yüzde kaçını yakaladı? Kesinlik (precision): kusur dediklerinin yüzde kaçı gerçekten kusurdu? Bu ikisi arasında bir denge vardır. Yanlış negatif (kusuru kaçırma) müşteriye hatalı mal gitmesi demektir; yanlış pozitif (kusursuzu kusurlu işaretleme) gereksiz fire ve yavaşlama demektir. Kalite-kritik uygulamada genellikle yanlış negatifi düşük tutacak eşik seçilir, artan yanlış pozitifler ise bir insan operatörün hızlı ikinci denetiminden geçer.
Burada kritik bir tuzak vardır: doğruluk (accuracy) tek başına yanıltıcıdır. Bir üretim hattında kumaşın belki %2'si kusurludur. Her şeye "kusursuz" diyen aptal bir model %98 doğruluk raporlar ama tek bir kusuru bile yakalamaz. Bu yüzden dengesiz veride doğruluğa değil, kusur sınıfının duyarlılık ve kesinliğine bakılır.
Adım Adım: Bir Tespit Sistemini Değerlendirme
- Temsili veri topla. Sistemin göreceği gerçek kumaş çeşitliliğini (renk, doku, aydınlatma) kapsayan görüntüler; nadir kusurlar dahil.
- Etiket kalitesini denetle. Eğitim etiketleri yanlışsa model de yanlış öğrenir; etiketleri uzman gözle örnekle.
- Duyarlılık/kesinlik ölç. Kusur sınıfı için ayrı ayrı; sadece genel doğruluğa bakma.
- Yanlış negatifleri incele. Kaçırılan kusurların ortak özelliği var mı (belli renk, belli ışık)?
- İnsan-döngüde kur. Modelin işaretlediklerini operatör onaylasın; belirsizleri insana yönlendir.
- İzle ve yeniden eğit. Yeni kusur türleri çıktıkça veri setini güncelle (kavram kayması).
Üç Mini Vaka: Rakamlarla
Vaka 1 — Yanıltıcı doğruluk. Bir tedarikçi "modelimiz %97 doğru" diye sistem sattı. Sahada müşteri iadeleri arttı. İnceleme, kusur sınıfının duyarlılığının yalnızca %61 olduğunu, yani her 100 gerçek kusurdan 39'unun kaçtığını gösterdi. Doğruluk yüksekti çünkü kumaşın çoğu zaten kusursuzdu. Eşik yeniden ayarlanıp insan denetimi eklendi; duyarlılık %92'ye çıktı, yanlış pozitifler operatör tarafından elendi.
Vaka 2 — Aydınlatma kayması. Bir hatta öğleden sonra güneş ışığı muayene bölgesine vurunca yanlış pozitifler üç katına çıktı; model gölgeleri leke sanıyordu. Görüntüleme koşulu (kapalı kabin, sabit LED aydınlatma) standartlaştırılınca sorun çözüldü. Ders: model kadar görüntüleme düzeneği de kalitedir.
Vaka 3 — Zaman ve işçilik. Bir işletme 100 m kumaşı elle muayene için ortalama 9 dakika harcıyordu. Kamera ön tarama + operatör onayı modeliyle süre 4 dakikaya indi ve operatör dikkatini yalnızca işaretli bölgelere verdiği için kaçırma azaldı. Kritik olan otomasyonun operatörü değil, operatörün gözünü keskinleştirmesiydi.
Zayıf Prompt / Güçlü Prompt
Not: Kusur görüntüsünü doğrudan analiz eden özel sistemler ayrıdır; burada AI'ı süreç tasarımı, veri değerlendirme ve rapor için kullanıyoruz.
Zayıf prompt:
Kusur tespit modelimiz iyi mi, söyle.
Güçlü prompt:
Rolün: Tekstil kalite mühendisi ve veri analisti.Aşağıda kusur tespit modelinin test sonuçları var (karışıklık matrisi:gerçek pozitif, yanlış pozitif, yanlış negatif, gerçek negatif).Görev:1) Kusur sınıfı için duyarlılık ve kesinliği hesapla, formülü göster.2) Genel doğruluğun neden yanıltıcı olabileceğini bu sayılarla açıkla.3) Yanlış negatif riskinin bu üretimde iş etkisini yorumla.4) Eşik ayarı ve insan denetimi için somut öneri ver.Sayılar: [matris]
Kopyalanabilir Şablonlar
1) Metrik hesaplama ve yorum:
Şu karışıklık matrisinden duyarlılık, kesinlik ve F1 skorunu hesapla,her formülü yaz ve kalite açısından hangisinin daha kritik olduğunugerekçelendir. Matris: [TP, FP, FN, TN]
2) Yanlış negatif kök neden:
Aşağıda kaçırılan (yanlış negatif) kusurların özellik listesi var(kusur türü, renk, ışık, hız). Ortak örüntü hipotezleri üret ve herhipotez için bir doğrulama denemesi öner. Veri: [liste]
3) 4-nokta puana çevirme:
Şu tespit çıktısını 4-nokta sistemine çevir: her kusurun uzunluğuna görepuanını ver, 100 m² başına toplam puanı hesapla, [eşik] puanla kıyasla vekabul/ret öner. Kusur listesi: [liste]
4) Muayene rapor taslağı:
Şu vardiya kusur verisinden yönetici özeti çıkar: en sık 3 kusur, olasıproses kaynağı (hipotez), toplam ret oranı ve önerilen aksiyonlar.Sayıları uydurma, sadece verilenleri kullan. Veri: [tablo]
Metrik Karşılaştırma Tablosu
Ölçüt
Ne ölçer
Yüksek olması iyi mi
Kalitedeki önemi
Doğruluk (accuracy)
Genel doğru oran
Yanıltıcı olabilir
Dengesiz veride düşük
Duyarlılık (recall)
Yakalanan gerçek kusur oranı
Evet
Yanlış negatifi düşürür (kritik)
Kesinlik (precision)
Kusur dediğinin doğruluğu
Evet
Yanlış pozitifi/fireyi düşürür
Yanlış negatif
Kaçan kusur
Hayır, düşük olmalı
Müşteriye hatalı mal riski
Yanlış pozitif
Boş alarm
Hayır ama tolere edilir
Verim/hız kaybı
Dikkat: Otomatik sistem bir "onaylayıcı" değil, bir "ön eleyici"dir. Nihai kalite kabul kararı, özellikle müşteri sözleşmesine bağlı partilerde, yetkin bir kalite sorumlusunun onayını gerektirir. Model insan denetimini hızlandırır, ondan muaf tutmaz.
Sık yapılan hatalar
- Doğruluğa bakıp memnun olmak. Dengesiz veride yüksek doğruluk kusurları gizler.
- Görüntüleme koşulunu ihmal etmek. Sabit aydınlatma ve sabit hız olmadan model güvenilmez.
- Etiket kalitesini denetlememek. Yanlış etiketle eğitilen model yanlış öğrenir.
- Yeni kusur türünü unutmak. Zamanla çıkan yeni kusurlar için veri güncellenmezse performans sessizce düşer.
- İnsanı devreden çıkarmak. Kritik kabul kararı insan onayı ister.
Özetle
Görüntü işleme kumaş muayenesini büyük ölçüde hızlandırır ve insan yorgunluğunu telafi eder. Ama performansı doğrulukla değil, kusur sınıfının duyarlılık ve kesinliğiyle okunur; yanlış negatif kalitedeki en tehlikeli hatadır. Sabit görüntüleme koşulu, kaliteli etiket ve insan-döngüde denetim, sistemin güvenilirliğinin üç dayanağıdır. Otomatik çıktı bir ön elemedir; nihai kabul kararı mühendisin onayında kalır.
Uygulama görevi
Bir kusur tespit sistemi için örnek bir karışıklık matrisi tanımlayın (ör. 100 kusurlu, 4900 kusursuz numune). Bu ünitedeki "metrik hesaplama" şablonuyla duyarlılık, kesinlik ve F1'i hesaplatın; ardından sonuçları elle kontrol edin. Aynı matriste yanlış negatifi yarıya indirmek için eşiği değiştirdiğinizde yanlış pozitiflere ne olacağını bir paragrafla tartışın ve hangi dengenin sizin ürününüz için doğru olduğuna karar verin.
Kontrol listesi
- [ ] Performansı doğrulukla değil, duyarlılık/kesinlikle değerlendiriyorum.
- [ ] Yanlış negatif riskini iş etkisiyle birlikte yorumluyorum.
- [ ] Görüntüleme koşullarını (ışık, hız) standartlaştırdım.
- [ ] Etiket kalitesini ve yeni kusur türlerini düzenli denetliyorum.
- [ ] Nihai kabul kararına insan onayı koyuyorum; model yalnızca ön eleyici.