Yapay zeka destekli kalite kontrol; üretim sırasında ürünlerin kamera sistemleriyle görüntülenmesi ve bu görüntülerin yapay zeka veya görüntü işleme algoritmalarıyla analiz edilerek görsel kalite problemlerinin otomatik olarak tespit edilmesini sağlayan kontrol yaklaşımıdır.
Amaç, yalnızca son kontrolde hatalı ürünü ayırmak değildir. Asıl değer; problemi mümkün olduğunca erken görünür hale getirmek, kalite kayıplarını ölçülebilir hale getirmek ve operatörlerin daha hızlı aksiyon almasını sağlamaktır.
ENRATECH bu yaklaşımı yalnızca kamera ve algoritma kurulumundan ibaret görmez. Önce hat, ürün, ışık koşulları, hata tipleri ve mevcut kalite kontrol süreci analiz edilir; ardından görüntü işleme, yapay zeka, kamera, lens ve aydınlatma bileşenleri gerçek saha ihtiyacına göre kurgulanır.
Yüksek hacimli üretim yapan tesislerde üretim hızı arttıkça kalite kontrolü aynı standartta sürdürebilmek daha zor hale gelir.
Özellikle hızlı akan üretim hatlarında yalnızca manuel denetime dayalı kontrol yapıları; dikkat dağılması, yorgunluk, vardiya farklılıkları, üretim yoğunluğu ve küçük görsel hataların gözden kaçması nedeniyle sınırlı kalabilir.
ENRATECH olarak ambalaj üretimi gerçekleştiren bir tesiste altı üretim hattını kapsayan görüntü işleme tabanlı kalite kontrol projesi yürüttük.
Yaklaşık altı aylık:
sürecinin ardından kalite hata oranında yaklaşık %47 azalma elde edildi.
Bu projedeki yaklaşımımız yalnızca mevcut kalite sürecini dijitalleştirmek değildi.
Önce kontrol sürecini ve hatanın nerede oluştuğunu anlamaya, ardından gerçekten ihtiyaç duyulan noktada teknolojiyi devreye almaya odaklandık.
İsrafı dijitalleştirmedik. Önce problemi görünür hale getirdik, sonra teknolojiyi doğru noktaya yerleştirdik.
Proje başlangıcında üretim hatlarında özellikle ambalaj yüzeyinde oluşan mürekkep lekeleri ve boyutsal uygunsuzluklar manuel yöntemlerle kontrol ediliyordu.
Ancak yüksek hızda çalışan üretim hatlarında her ürünün aynı dikkat seviyesiyle değerlendirilmesi pratikte oldukça zordu.
Gözden kaçan hatalı ürünler:
neden olabiliyordu.
Ayrıca manuel kalite kontrol performansı; operatör, vardiya, üretim yoğunluğu ve dikkat seviyesine bağlı olarak değişkenlik gösterebiliyordu.
Bu nedenle ihtiyaç yalnızca bir kamera sistemi kurmak değildi.
Asıl ihtiyaç:
üretim hattına uyarlanabilen, sürekli ölçüm üreten, kalite problemlerini erken görünür hale getiren ve operatörün doğru noktaya daha hızlı müdahale etmesini sağlayan bir kontrol yapısı oluşturmaktı.
Projeye doğrudan algoritma geliştirerek başlamadık.
Öncelikle:
inceledik.
Bu aşama önemliydi çünkü görüntü işleme projelerinde başarının önemli bir bölümü yalnızca algoritmaya değil, görüntünün doğru şekilde alınmasına bağlıdır.
Yanlış kamera açısı, yetersiz ışık, hatalı lens seçimi veya değişken ürün pozisyonu en gelişmiş algoritmanın bile performansını sınırlayabilir.
Bu nedenle çözüm;
kamera + optik + aydınlatma + yazılım + kontrol kriteri
birlikte düşünülerek tasarlandı.
Altı üretim hattına entegre edilen sistem, üretim sırasında alınan görüntüleri analiz ederek belirlenen kalite problemlerini tespit edecek şekilde kurgulandı.
Projede temel olarak iki kalite problemi üzerine çalışıldı:
Sistem, üretim devam ederken alınan görüntüleri analiz ederek operatörün dikkat etmesi gereken ürünleri ve bölgeleri görünür hale getirdi.
Üretim hattındaki kameralardan alınan görüntüler görüntü işleme ve uygun kontrol algoritmalarıyla analiz edildi.
Böylece kalite kontrolü yalnızca belirli zamanlarda yapılan numune kontrollerine bırakılmadan üretim akışı içinde desteklendi.
Belirlenen kalite kriterlerinin dışında kalan durumlar tespit edildiğinde sistem operatöre uyarı üretecek şekilde tasarlandı.
Bu yapı sayesinde problemin üretimin daha ileri aşamalarına taşınmadan fark edilmesi ve operatörün daha hızlı müdahale etmesi hedeflendi.
Burada sistemin amacı insanı tamamen devreden çıkarmak değil; insanın daha hızlı ve daha tutarlı karar vermesini desteklemektir.
Manuel kontrolün aksine, yazılım aynı kontrol kriterlerini her görüntü üzerinde tekrar uygulayabilir.
Bu sayede kalite kontrol kriterlerinin vardiya veya operatör farklılıklarından daha az etkilenmesi sağlanabilir.
Tespit edilen kalite problemlerinin kayıt altına alınması yalnızca anlık kontrol için değil, uzun vadeli iyileştirme için de önemlidir.
Bu veriler sayesinde:
gibi sorular analiz edilebilir hale gelir.
Bu yaklaşım kalite kontrolünü yalnızca “hatalı / hatasız” kararından çıkarıp sürekli iyileştirme sürecinin veri kaynağı haline getirir.
Proje sonunda takip edilen kalite oranlarında şu değişim gözlemlendi:
| Ölçülen Metrik | Proje Öncesi | Proje Sonrası | İş Etkisi |
|---|---|---|---|
| Kalite Oranı | %98,5 | %99,2 | Hata oranında yaklaşık %47 azalma |
| Kontrol Kapsamı | Manuel ve sınırlı kontrol | 6 üretim hattında görüntü tabanlı kontrol | Daha geniş ve standartlaştırılmış kontrol |
İlk bakışta %98,5’ten %99,2’ye geçiş küçük bir değişim gibi görünebilir.
Ancak hata oranı üzerinden değerlendirildiğinde fark daha nettir.
Hata oranı:
%1,5 → %0,8
seviyesine düşmüştür.
Bu yaklaşık olarak:
%46,7 oranında hata azalmasına
karşılık gelir.
Yuvarlanmış değerle proje sonucunu yaklaşık %47 hata azalması olarak ifade ediyoruz.
Bu hesaplamayı yazıda tutmak çok önemli; çünkü %47 rakamının nereden geldiğini açıkça gösteriyor.
Yüksek hacimli üretimde yüzde değerleri tek başına yanıltıcı olabilir.
Örneğin kalite oranında yalnızca 0,7 puanlık artış, milyonlarca ürün üreten bir tesiste ciddi miktarda hatalı ürünün önlenmesi anlamına gelebilir.
Bu etkinin işletmeye yansıması yalnızca hurda maliyeti değildir.
Kalite problemleri aynı zamanda:
üzerinde de etkili olabilir.
Bu nedenle yapay zeka veya görüntü işleme tabanlı kalite kontrol yatırımı değerlendirilirken yalnızca kamera ve yazılım maliyetine değil, mevcut kalite kaybının toplam maliyetine bakmak gerekir.
Hayır.
Görsel kalite kontrol sistemi, kamera tarafından görülebilen ve ölçülebilen kalite özelliklerinde anlamlıdır.
Örneğin:
görüntü tabanlı kontrol için uygun olabilir.
Ancak ürünün yalnızca fiziksel, kimyasal veya iç yapısıyla ilgili bir problem kameradan görülemiyorsa farklı sensör veya ölçüm yöntemleri gerekebilir.
Bu nedenle ENRATECH’in yaklaşımı:
Her probleme kamera koymak değil, doğru probleme doğru kontrol teknolojisini uygulamaktır.
Hayır.
Bu projedeki uygulama ambalaj üretiminde gerçekleştirilmiş olsa da görüntü tabanlı kalite kontrol yaklaşımı farklı üretim süreçlerine uyarlanabilir.
Örneğin:
kamera tabanlı kontrol için değerlendirilebilir.
Ancak her hat için aynı kamera, ışık, lens ve kontrol kriterinin kullanılacağını söylemek doğru değildir.
Ürün veya üretim koşulları değiştiğinde sistemin:
yeniden uyarlanabilir.
Bu nedenle modüler mimari önemlidir.
Sahadaki görüntü işleme ve kalite kontrol projelerinden elde ettiğimiz deneyimi daha modüler ve tekrar kullanılabilir bir yapıya dönüştürmek amacıyla ENRATECH Vision Box üzerinde çalışıyoruz.
ENRATECH Vision Box;
farklı ürün, makine ve üretim hatlarına uyarlanabilen yapay zeka ve görüntü işleme destekli görsel kalite kontrol sistemi olarak konumlanmaktadır.
Yaklaşımın temel amacı:
Vision Box yalnızca rulolu üretimler için tasarlanmamaktadır.
Tekil ürünlerin konveyör üzerinde ilerlediği hatlarda veya farklı makine ve ürün gruplarında da kamera, lens, aydınlatma ve kontrol reçetesi uyarlanarak kullanılabilecek bir mimari hedeflenmektedir.
ENRATECH Vision Box hakkında detaylı bilgi:
ENRATECH Vision Box – Yapay Zekâ Destekli Görsel Kalite Kontrol
Yüksek hacimli üretimde kalite problemini ürün tamamlandıktan sonra görmek çoğu zaman geç kalmak anlamına gelir.
Asıl değer problemi mümkün olduğunca oluştuğu noktaya yakın tespit edebilmektir.
ENRATECH’in yaklaşımı yalnızca bir kamera veya algoritma kurmak değildir.
Önce:
problemi anlarız.
Sonra:
kontrol edilebilir hale getiririz.
Ardından:
doğru teknolojiyi uygular ve sonucu ölçeriz.
Bu projede altı üretim hattında gerçekleştirilen çalışma sonucunda kalite hata oranında yaklaşık %47 azalma elde edilmesi, doğru kurulmuş bir görüntü işleme sisteminin üretimde oluşturabileceği etkinin somut örneklerinden biridir.
Kaliteyi yalnızca kontrol etmeyin. Görünür, ölçülebilir ve geliştirilebilir hale getirin.
See. Think. Optimize.
Yapay zeka destekli kalite kontrol; üretim sırasında ürünlerin kamera sistemleriyle görüntülenmesi ve bu görüntülerin yapay zeka veya görüntü işleme algoritmalarıyla analiz edilerek görsel kalite problemlerinin otomatik olarak tespit edilmesini sağlayan kontrol yaklaşımıdır.
Amaç, yalnızca son kontrolde hatalı ürünü ayırmak değildir. Asıl değer; problemi mümkün olduğunca erken görünür hale getirmek, kalite kayıplarını ölçülebilir hale getirmek ve operatörlerin daha hızlı aksiyon almasını sağlamaktır.
ENRATECH bu yaklaşımı yalnızca kamera ve algoritma kurulumundan ibaret görmez. Önce hat, ürün, ışık koşulları, hata tipleri ve mevcut kalite kontrol süreci analiz edilir; ardından görüntü işleme, yapay zeka, kamera, lens ve aydınlatma bileşenleri gerçek saha ihtiyacına göre kurgulanır.
Yüksek hacimli üretim yapan tesislerde üretim hızı arttıkça kalite kontrolü aynı standartta sürdürebilmek daha zor hale gelir.
Özellikle hızlı akan üretim hatlarında yalnızca manuel denetime dayalı kontrol yapıları; dikkat dağılması, yorgunluk, vardiya farklılıkları, üretim yoğunluğu ve küçük görsel hataların gözden kaçması nedeniyle sınırlı kalabilir.
ENRATECH olarak ambalaj üretimi gerçekleştiren bir tesiste altı üretim hattını kapsayan görüntü işleme tabanlı kalite kontrol projesi yürüttük.
Yaklaşık altı aylık:
sürecinin ardından kalite hata oranında yaklaşık %47 azalma elde edildi.
Bu projedeki yaklaşımımız yalnızca mevcut kalite sürecini dijitalleştirmek değildi.
Önce kontrol sürecini ve hatanın nerede oluştuğunu anlamaya, ardından gerçekten ihtiyaç duyulan noktada teknolojiyi devreye almaya odaklandık.
İsrafı dijitalleştirmedik. Önce problemi görünür hale getirdik, sonra teknolojiyi doğru noktaya yerleştirdik.
Proje başlangıcında üretim hatlarında özellikle ambalaj yüzeyinde oluşan mürekkep lekeleri ve boyutsal uygunsuzluklar manuel yöntemlerle kontrol ediliyordu.
Ancak yüksek hızda çalışan üretim hatlarında her ürünün aynı dikkat seviyesiyle değerlendirilmesi pratikte oldukça zordu.
Gözden kaçan hatalı ürünler:
neden olabiliyordu.
Ayrıca manuel kalite kontrol performansı; operatör, vardiya, üretim yoğunluğu ve dikkat seviyesine bağlı olarak değişkenlik gösterebiliyordu.
Bu nedenle ihtiyaç yalnızca bir kamera sistemi kurmak değildi.
Asıl ihtiyaç:
üretim hattına uyarlanabilen, sürekli ölçüm üreten, kalite problemlerini erken görünür hale getiren ve operatörün doğru noktaya daha hızlı müdahale etmesini sağlayan bir kontrol yapısı oluşturmaktı.
Projeye doğrudan algoritma geliştirerek başlamadık.
Öncelikle:
inceledik.
Bu aşama önemliydi çünkü görüntü işleme projelerinde başarının önemli bir bölümü yalnızca algoritmaya değil, görüntünün doğru şekilde alınmasına bağlıdır.
Yanlış kamera açısı, yetersiz ışık, hatalı lens seçimi veya değişken ürün pozisyonu en gelişmiş algoritmanın bile performansını sınırlayabilir.
Bu nedenle çözüm;
kamera + optik + aydınlatma + yazılım + kontrol kriteri
birlikte düşünülerek tasarlandı.
Altı üretim hattına entegre edilen sistem, üretim sırasında alınan görüntüleri analiz ederek belirlenen kalite problemlerini tespit edecek şekilde kurgulandı.
Projede temel olarak iki kalite problemi üzerine çalışıldı:
Sistem, üretim devam ederken alınan görüntüleri analiz ederek operatörün dikkat etmesi gereken ürünleri ve bölgeleri görünür hale getirdi.
Üretim hattındaki kameralardan alınan görüntüler görüntü işleme ve uygun kontrol algoritmalarıyla analiz edildi.
Böylece kalite kontrolü yalnızca belirli zamanlarda yapılan numune kontrollerine bırakılmadan üretim akışı içinde desteklendi.
Belirlenen kalite kriterlerinin dışında kalan durumlar tespit edildiğinde sistem operatöre uyarı üretecek şekilde tasarlandı.
Bu yapı sayesinde problemin üretimin daha ileri aşamalarına taşınmadan fark edilmesi ve operatörün daha hızlı müdahale etmesi hedeflendi.
Burada sistemin amacı insanı tamamen devreden çıkarmak değil; insanın daha hızlı ve daha tutarlı karar vermesini desteklemektir.
Manuel kontrolün aksine, yazılım aynı kontrol kriterlerini her görüntü üzerinde tekrar uygulayabilir.
Bu sayede kalite kontrol kriterlerinin vardiya veya operatör farklılıklarından daha az etkilenmesi sağlanabilir.
Tespit edilen kalite problemlerinin kayıt altına alınması yalnızca anlık kontrol için değil, uzun vadeli iyileştirme için de önemlidir.
Bu veriler sayesinde:
gibi sorular analiz edilebilir hale gelir.
Bu yaklaşım kalite kontrolünü yalnızca “hatalı / hatasız” kararından çıkarıp sürekli iyileştirme sürecinin veri kaynağı haline getirir.
Proje sonunda takip edilen kalite oranlarında şu değişim gözlemlendi:
| Ölçülen Metrik | Proje Öncesi | Proje Sonrası | İş Etkisi |
|---|---|---|---|
| Kalite Oranı | %98,5 | %99,2 | Hata oranında yaklaşık %47 azalma |
| Kontrol Kapsamı | Manuel ve sınırlı kontrol | 6 üretim hattında görüntü tabanlı kontrol | Daha geniş ve standartlaştırılmış kontrol |
İlk bakışta %98,5’ten %99,2’ye geçiş küçük bir değişim gibi görünebilir.
Ancak hata oranı üzerinden değerlendirildiğinde fark daha nettir.
Hata oranı:
%1,5 → %0,8
seviyesine düşmüştür.
Bu yaklaşık olarak:
%46,7 oranında hata azalmasına
karşılık gelir.
Yuvarlanmış değerle proje sonucunu yaklaşık %47 hata azalması olarak ifade ediyoruz.
Bu hesaplamayı yazıda tutmak çok önemli; çünkü %47 rakamının nereden geldiğini açıkça gösteriyor.
Yüksek hacimli üretimde yüzde değerleri tek başına yanıltıcı olabilir.
Örneğin kalite oranında yalnızca 0,7 puanlık artış, milyonlarca ürün üreten bir tesiste ciddi miktarda hatalı ürünün önlenmesi anlamına gelebilir.
Bu etkinin işletmeye yansıması yalnızca hurda maliyeti değildir.
Kalite problemleri aynı zamanda:
üzerinde de etkili olabilir.
Bu nedenle yapay zeka veya görüntü işleme tabanlı kalite kontrol yatırımı değerlendirilirken yalnızca kamera ve yazılım maliyetine değil, mevcut kalite kaybının toplam maliyetine bakmak gerekir.
Hayır.
Görsel kalite kontrol sistemi, kamera tarafından görülebilen ve ölçülebilen kalite özelliklerinde anlamlıdır.
Örneğin:
görüntü tabanlı kontrol için uygun olabilir.
Ancak ürünün yalnızca fiziksel, kimyasal veya iç yapısıyla ilgili bir problem kameradan görülemiyorsa farklı sensör veya ölçüm yöntemleri gerekebilir.
Bu nedenle ENRATECH’in yaklaşımı:
Her probleme kamera koymak değil, doğru probleme doğru kontrol teknolojisini uygulamaktır.
Hayır.
Bu projedeki uygulama ambalaj üretiminde gerçekleştirilmiş olsa da görüntü tabanlı kalite kontrol yaklaşımı farklı üretim süreçlerine uyarlanabilir.
Örneğin:
kamera tabanlı kontrol için değerlendirilebilir.
Ancak her hat için aynı kamera, ışık, lens ve kontrol kriterinin kullanılacağını söylemek doğru değildir.
Ürün veya üretim koşulları değiştiğinde sistemin:
yeniden uyarlanabilir.
Bu nedenle modüler mimari önemlidir.
Sahadaki görüntü işleme ve kalite kontrol projelerinden elde ettiğimiz deneyimi daha modüler ve tekrar kullanılabilir bir yapıya dönüştürmek amacıyla ENRATECH Vision Box üzerinde çalışıyoruz.
ENRATECH Vision Box;
farklı ürün, makine ve üretim hatlarına uyarlanabilen yapay zeka ve görüntü işleme destekli görsel kalite kontrol sistemi olarak konumlanmaktadır.
Yaklaşımın temel amacı:
Vision Box yalnızca rulolu üretimler için tasarlanmamaktadır.
Tekil ürünlerin konveyör üzerinde ilerlediği hatlarda veya farklı makine ve ürün gruplarında da kamera, lens, aydınlatma ve kontrol reçetesi uyarlanarak kullanılabilecek bir mimari hedeflenmektedir.
ENRATECH Vision Box hakkında detaylı bilgi:
ENRATECH Vision Box – Yapay Zekâ Destekli Görsel Kalite Kontrol
Yüksek hacimli üretimde kalite problemini ürün tamamlandıktan sonra görmek çoğu zaman geç kalmak anlamına gelir.
Asıl değer problemi mümkün olduğunca oluştuğu noktaya yakın tespit edebilmektir.
ENRATECH’in yaklaşımı yalnızca bir kamera veya algoritma kurmak değildir.
Önce:
problemi anlarız.
Sonra:
kontrol edilebilir hale getiririz.
Ardından:
doğru teknolojiyi uygular ve sonucu ölçeriz.
Bu projede altı üretim hattında gerçekleştirilen çalışma sonucunda kalite hata oranında yaklaşık %47 azalma elde edilmesi, doğru kurulmuş bir görüntü işleme sisteminin üretimde oluşturabileceği etkinin somut örneklerinden biridir.
Kaliteyi yalnızca kontrol etmeyin. Görünür, ölçülebilir ve geliştirilebilir hale getirin.
See. Think. Optimize.
