Görüntü İşleme ile Otomatik Kalite Kontrol: Sahada Çalışan Mimari

Donanım seçimi: kameradan önce ışık

Vision projelerinde başarının %60'ı aydınlatmadır. Kamera çözünürlüğünden önce sabit, gölgesiz, vardiyalar arası stabil bir ışık tasarımı kurulmalı. Aksi halde en iyi model bile mevsime ve dış aydınlatmaya göre değişen sonuçlar üretir.

Standart yaklaşımlar: ön cephe parlak yüzeyler için diffüze dome aydınlatma, kenar/profil tespiti için backlight, koyu kontrast için low-angle aydınlatma. LED ömrü ve renk sıcaklığı kayması da modelin uzun vadeli performansını etkiler; 50.000+ saat ömürlü ve ±100 K renk stabilitesi olan endüstriyel LED'ler tercih edilmeli.

Kamera tarafında çözünürlük ihtiyacı 'tespit edilmesi gereken en küçük hata'nın 3 piksel ile temsil edilmesi kuralıyla hesaplanır. 0,2 mm'lik bir hata için 50 mm görüş alanında ~5 MP çözünürlük tipik olarak yeterlidir.

Veri toplama ve etiketleme

İlk modelin eğitimi için tipik olarak hata sınıfı başına 200–500 etiketli örnek yeterlidir. Üretimde anomali tabanlı yaklaşımlar (PatchCore, PaDiM) ise yalnızca 'iyi' örneklerle çalışır ve az veriyle hızlıca devreye alınabilir; bu özellikle ender görülen hatalar için kritik avantajdır.

Etiketleme bir defalık iş değil, sürekli bir döngüdür. Hat üstünde toplanan yeni veriler haftalık yeniden etiketlenir ve model 4–8 haftada bir yeniden eğitilir. Bu döngü kurulmadan modelin doğruluğu 3–6 ay içinde %15–25 düşer; vision projelerinin 'sessiz ölümü' bu noktada başlar.

Karar mimarisi ve hat entegrasyonu

Modelin çıktısı bir 'hata var/yok' bayrağı değil; bir olasılık, bir konum ve bir sınıf üçlüsüdür. Bu üçlü, hat PLC'sine OPC UA üzerinden iletilir ve fiziksel reddetme mekanizmasını (pneumatic pusher, divert konveyörü) tetikler.

Üretimde gerçek başarı kriteri 'false negative' (kaçırılan hata) ve 'false positive' (yanlış red) arasındaki dengedir. Müşteri sözleşmesindeki AQL düzeyi bu eşiği belirler; bir otomotiv ana sanayi müşterisi için %0,01 kaçak, beyaz eşya müşterisi için %0,1 kabul edilebilir olabilir.