Üretim Hattı Kalite Kontrol: Görüntüyle Kusur Tespiti

Kazanimlar:

• Makine görüşü ile yüzey, kaynak ve montaj kusuru tespitinin otomotiv üretim hattındaki iş akışını kavrayabilme
• Görüntü veri seti kurma, etiketleme, model eğitimi ve eşik belirlemede yapay zekayı yapılandırılmış biçimde kullanabilme
• Kaçak (escape) ve yanlış ret oranını, hat hızını ve operatör güvenini dikkate alarak kalite kararını doğrulayabilme

Bir otomobil binlerce parçadan oluşur ve her biri saniyeler içinde hattan geçer. İnsan gözüyle her kaynağı, her boya yüzeyini, her montajı hatasız denetlemek hem yorucu hem de tutarsızdır; gözler yorulur, dikkat dağılır. İşte makine görüşü (machine vision) ve yapay zeka burada devreye girer: kameralar parçaları görüntüler, bir yapay zeka modeli kusuru saniyenin altında işaretler. Bu ünitede otomotiv üretiminde görüntüyle kalite kontrolün nasıl kurulduğunu, AI'nın rolünü ve en kritik konu olan hata dengesini ele alacağız.

Otomotivde tipik görsel kusurlar

Görüntüyle denetlenen başlıca kusur türleri:

• Yüzey/boya kusurları: portakal kabuğu (pürüzlü boya), toz kabarcığı, akma, çizik, renk farkı.
• Kaynak kusurları: eksik kaynak, sıçrama, gözeneklilik, yanlış konumlu nokta kaynağı.
• Montaj kusurları: eksik cıvata, yanlış takılmış klips, ters conta, boşta kalan konnektör.
• Etiket/işaret: okunmayan VIN, yanlış etiket, eksik damga.

Bu kusurların bir kısmı sadece estetik (küçük çizik), bir kısmı ise güvenlik-kritiktir (eksik kaynak bir gövde bağlantısında yorulma çatlağına yol açabilir). Bu ayrım, sonraki kararların tamamını belirler.

İpucu: Her kusuru aynı ciddiyette ele almayın. Bir kusur sınıflandırması yaparken "estetik / fonksiyonel / güvenlik-kritik" etiketi eklemek, eşik ve karar mantığını doğru kurmanın anahtarıdır.

İki temel yaklaşım: denetimli sınıflama ve anomali tespiti

Görüntüyle kusur tespitinde iki ana strateji vardır:

1. Denetimli (supervised) sınıflama/tespit: Modele "işte kusurlu örnekler, işte kusursuz örnekler" diye çok sayıda etiketli görüntü gösterip öğretirsiniz. Kusur türlerini biliyorsanız ve yeterli örneğiniz varsa güçlüdür. Zorluk: nadir kusurlardan yeterli örnek toplamak zordur (bir hat neredeyse hep sağlam parça üretir).
2. Anomali tespiti (anomaly detection): Modele yalnızca "normal/sağlam" görüntüleri gösterirsiniz; model normalin neye benzediğini öğrenir ve normalden sapan her şeyi "anomali" olarak işaretler. Kusur türünü önceden bilmeseniz de yeni/beklenmedik kusurları yakalayabilir. Zorluk: her sapmayı kusur sanabilir (aydınlatma değişimi gibi).

Pratikte ikisi birlikte kullanılır: anomali tespiti "burada bir tuhaflık var" der, sınıflama "bu bir kaynak sıçraması" der.

Adım adım: bir görsel denetim sistemi kurmak

1. Kusur kataloğu ve kabul kriteri: Kalite mühendisleriyle hangi kusurun kabul/ret olduğunu tanımlayın. Bu, modelin "gerçeği"dir.
2. Görüntü toplama: Sabit, tutarlı aydınlatma ve kamera konumu kritiktir. Kötü/değişken aydınlatma en sık başarısızlık nedenidir.
3. Etiketleme: Uzmanlar kusurları işaretler; tutarlılık için etiketleme kılavuzu şarttır.
4. Model eğitimi: Denetimli ve/veya anomali modeli eğitilir.
5. Eşik belirleme: Model bir "kusur olasılığı" verir; hangi olasılığın üstünü "ret" sayacağınız eşiktir. Bu, en kritik iş kararıdır (aşağıda).
6. Hat entegrasyonu: Model karar verir, şüpheli parçalar operatöre/istasyona yönlendirilir.
7. İzleme ve yeniden eğitim: Yeni kusur türleri, mevsimsel değişim, yeni parça çıktıkça model güncellenir.

En kritik konu: kaçak ve yanlış ret dengesi

Kusur tespitinde iki hata vardır ve otomotivde bunların maliyeti çok farklıdır:

• Kaçak (escape / yanlış negatif): Kusurlu parça "sağlam" sayılıp hattan geçer. Güvenlik parçasında bu, sahaya giden arızalı araç, müşteri şikayeti, hatta geri çağırma demektir. En pahalı hata.
• Yanlış ret (false reject / yanlış pozitif): Sağlam parça "kusurlu" sayılıp reddedilir. İsraf, gereksiz yeniden işleme, hat yavaşlaması demektir; can yakar ama güvenlik riski yaratmaz.

Karar eşiği

Kaçak

Yanlış ret

Ne zaman?

Gevşek (yüksek eşik)

Artar (tehlikeli)

Azalır

Asla güvenlik parçasında

Sıkı (düşük eşik)

Azalır

Artar (maliyetli)

Güvenlik-kritik parçalarda

Dengeli

Orta

Orta

Estetik kusurlarda

Dikkat: Güvenlik-kritik bir parçada (fren, direksiyon, gövde kaynağı) eşik daima kaçağı en aza indirecek şekilde sıkı tutulur; şüpheli parça insana yönlendirilir. "Yanlış ret pahalı" diye eşiği gevşetmek güvenlik parçasında kabul edilemez.

İnsan-makine iş bölümü

İyi kurulmuş bir sistemde model son karar mercii değildir; bir "ön eleyici"dir. Model açık kusurları yakalar ve emin olmadıklarını insana yollar. Bu, operatörün 1.000 parçaya bakmak yerine 30 şüpheli parçaya odaklanmasını sağlar. Operatör güveni de önemlidir: model çok fazla yanlış alarm verirse operatör uyarıları ciddiye almayı bırakır ("alarm yorgunluğu"). Bu yüzden yanlış ret oranı da izlenir.

Mini vaka çalışmaları

Vaka 1 - Aydınlatma tuzağı. Bir boya denetim modeli laboratuvarda %98 başarılıyken hatta %80'e düşüyor. İnceleme: hattaki tavan aydınlatması gün içinde değişiyor, model parlama farkını "kusur" sanıyor. Sabit tünel aydınlatması eklenince başarı %97'ye çıkıyor. Sonuç: Görüntü kalitesi, modelden daha belirleyici olabilir.

Vaka 2 - Kaçak maliyeti. Bir gövde kaynağı denetiminde eşik "verimlilik için" biraz gevşetiliyor; yanlış ret %6'dan %3'e iniyor ama bir ay sonra sahada iki araçta kaynak çatlağı raporlanıyor. Kök neden analizinde kaçak oranının arttığı görülüyor. Eşik yeniden sıkılaştırılıp şüpheli parçalar %100 insan kontrolüne alınıyor. Sonuç: Güvenlik parçasında kaçağı azaltmak, yanlış retten daima önceliklidir.

Vaka 3 - Nadir kusur. Yeni bir enjeksiyon kalıbından ara sıra çok küçük bir çapak kusuru çıkıyor ama denetimli modelin eğitiminde bu kusurdan neredeyse örnek yok, bu yüzden kaçırıyor. Anomali tespiti modeli devreye alınınca "normalden sapma" olarak yakalıyor. Sonuç: Nadir/yeni kusurlarda anomali tespiti denetimli modeli tamamlar.

Prompt şablonları

Şablon 1 - Kusur kataloğu ve önem sınıflaması:

Rol: Otomotiv kalite mühendisisin.Görev: Aşağıdaki kusur listesini önem sınıfına ayır.Bağlam: Gövde kaynak hattı; kusurlar: sıçrama, gözenek,eksik nokta, hafif renk farkı, yüzey çiziği.Kısıt: Her kusuru estetik/fonksiyonel/güvenlik-kritik olaraketiketle ve karar (kabul/insan kontrolü/ret) öner.Çıktı: Kusur | önem | önerilen karar | gerekçe tablosu.

Şablon 2 - Etiketleme kılavuzu:

Rol: Görüntü etiketleme kalite lideri.Görev: Boya kusuru etiketleme için tutarlılık kuralları yaz.Bağlam: Portakal kabuğu, akma, toz kabarcığı; farklı ışıkaltında çekilmiş görüntüler var.Çıktı: Kural | örnek | sınır durum | etiketleyici notu.

Şablon 3 - Eşik/metrik kararı yorumlama:

Rol: Makine görüşü değerlendirme uzmanı.Görev: Şu karar eşiği tablosunu yorumla.Bağlam: Güvenlik-kritik kaynak; eşik A'da kaçak %0,3 yanlışret %5; eşik B'de kaçak %1,2 yanlış ret %2.Kısıt: Güvenlik önceliğini gözet; hangi eşiği neden önerdiğiniaçıkla ve insan kontrol adımını ekle.Çıktı: Öneri + gerekçe + kalan risk.

Şablon 4 - Kök neden analizi:

Rol: Kalite mühendisisin.Görev: Son 3 vardiyada artan sıçrama kusuru için olası köknedenleri sırala.Bağlam: Robotik nokta kaynağı; elektrot değişimi 2 gün önceyapıldı; akım ayarı sabit.Çıktı: Olası neden | doğrulama kontrolü | öncelik.

Zayıf prompt / Güçlü prompt

Zayıf prompt:

Kusurlu parçaları bulan bir model yap.

Hangi kusur, hangi önem, hangi eşik, hangi karar belli değil; sonuç işe yaramaz.

Güçlü prompt:

Rol: Otomotiv kalite ve makine görüşü mühendisisin.Görev: Bir gövde kaynağı görsel denetim sistemi için tasarımkontrol listesi çıkar.Bağlam: Güvenlik-kritik nokta kaynağı; hat hızı yüksek; nadirkusurlar var; aydınlatma değişken.Kısıt: Kaçağı en aza indirmeyi önceliklendir; anomali tespitiile denetimli sınıflamayı nasıl birleştireceğimi ve insankontrol adımını belirt; 'sıfır hata' garantisi verme.Çıktı: Aşama | öneri | risk | doğrulama tablosu.

Sık yapılan hatalar

• Aydınlatma/görüntü kalitesini ihmal etmek. Kötü görüntü, en iyi modeli bile bozar.
• Kaçak ile yanlış reddi eşit sanmak. Otomotivde güvenlik parçasında kaçak çok daha maliyetlidir.
• Nadir kusurlarda sadece denetimli modele güvenmek. Anomali tespiti tamamlayıcıdır.
• Modeli son karar mercii yapmak. Şüpheli parçalar insana yönlendirilmelidir.
• Yeniden eğitimi unutmak. Yeni parça, yeni kalıp, mevsim değişimi modeli eskitir.

Ozetle

• Makine görüşü ve AI, otomotiv hattında yüzey, kaynak ve montaj kusurlarını hızlı ve tutarlı denetler.
• Denetimli sınıflama bilinen kusurlarda, anomali tespiti nadir/yeni kusurlarda güçlüdür; ikisi birlikte kullanılır.
• En kritik karar eşiktir: güvenlik-kritik parçada kaçak (yanlış negatif) en aza indirilir, şüpheli parça insana gider.
• Görüntü kalitesi ve aydınlatma çoğu zaman modelden daha belirleyicidir.
• Model bir ön eleyicidir; nihai kalite kararı ve güvenlik sorumluluğu insandadır.

Uygulama gorevi

Bir parça/istasyon seçin (ör. ön tampon montajı). (1) Olası kusurları listeleyip her birini estetik/fonksiyonel/güvenlik-kritik olarak etiketleyin. (2) Şablon 3 ile iki eşik seçeneğini kaçak/yanlış ret açısından karşılaştırıp bir öneri gerekçelendirin. (3) Nadir bir kusur için denetimli mi yoksa anomali tespiti mi kullanacağınızı açıklayın. (4) İnsan kontrol adımını ve yeniden eğitim tetikleyicisini tanımlayın.

Kontrol listesi

• [ ] Kusurları önem sınıfına ayırdım (estetik/fonksiyonel/güvenlik-kritik).
• [ ] Kaçak ve yanlış ret dengesini eşik kararında değerlendirdim.
• [ ] Güvenlik-kritik parçada kaçağı önceliklendirdim.
• [ ] Denetimli ve anomali yaklaşımlarını uygun yerde konumlandırdım.
• [ ] Görüntü kalitesi/aydınlatma gereksinimini belirledim.
• [ ] İnsan kontrol adımı ve yeniden eğitim planını tanımladım.