Endüstride Bilgisayarlı Görü Uygulamaları: Kalite Kontrol, Güvenlik ve Otomasyon Senaryoları

Bilgisayarlı görü, endüstride son yıllarda en görünür ve en hızlı değer üreten yapay zekâ uygulama alanlarından biri haline geldi. Bunun temel nedeni, üretim ve operasyon ortamlarının zaten uzun süredir yoğun biçimde görsel veri üretmesi ve bu verinin büyük bölümünün insan gözüyle takip edilmeye çalışılmasıdır. Üretim hattındaki parçalar, güvenlik kameralarındaki hareketler, depo içi akışlar, montaj sıraları, raf düzenleri, forklift geçişleri, kalite kontrol istasyonları, belge akışları ve insan-makine etkileşimleri; hepsi aslında görsel sinyal üretir. Bilgisayarlı görü burada yalnızca “görüntü işleme” yapmaz; bu sinyali operasyonel karara dönüştürür.

Ancak endüstriyel vision projeleri çoğu zaman yanlış anlaşılır. Birçok ekip problemi “kamerayı koy, modeli eğit, uyarı üret” düzeyinde düşünür. Oysa gerçek dünya çok daha karmaşıktır. Aynı parçanın farklı lotlarda rengi değişebilir, yüzey yansımaları farklılaşabilir, aydınlatma sabit kalmayabilir, kamera açısı küçük de olsa oynayabilir, işçiler ekipmanı farklı kullanabilir, güvenlik kuralları bağlama göre değişebilir ve sahadaki küçük varyasyonlar modelin davranışını ciddi biçimde etkileyebilir. Bu nedenle endüstride bilgisayarlı görü, yalnızca model eğitme problemi değil; veri tasarımı, saha kurulumu, hata maliyeti, latency, insan denetimi ve süreç entegrasyonu problemidir.

Üstelik endüstriyel kullanım senaryoları kendi içinde de homojen değildir. Bir kalite kontrol hattında amaç milimetrik kusur yakalamak olabilir. Güvenlik tarafında amaç, riskli davranışı mümkün olduğunca erken fark etmektir. Otomasyonda ise hedef, sistemin insan müdahalesini azaltacak biçimde güvenilir ve tekrar edilebilir karar üretmesidir. Bu üç ana alan birbirine temas eder; ama kalite kriterleri, tolerans yapıları, veri gereksinimleri ve kabul edilebilir hata profilleri farklıdır. Bir kalite kontrol sisteminde yanlış negatif çok pahalı olabilirken, bir güvenlik senaryosunda erken uyarı için daha fazla yanlış pozitif kabul edilebilir. Otomasyonda ise düşük gecikme ve entegrasyon kabiliyeti, salt doğruluk skorundan daha kritik hale gelebilir.

Bu yazıda endüstride bilgisayarlı görü uygulamalarını kalite kontrol, güvenlik ve otomasyon başlıkları altında sistematik biçimde inceleyeceğim. Önce endüstriyel vision projelerinin neden ayrı bir sistem tasarımı disiplini gerektirdiğini açıklayacağım. Ardından kalite kontrol, güvenlik ve otomasyon use-case’lerini iş değeri, teknik mimari, hata kalıpları ve değerlendirme mantığı açısından ele alacağım. Son bölümde ise sahada gerçekten çalışan endüstriyel vision sistemleri için veri, deployment, monitoring ve human-in-the-loop tasarım ilkelerini tartışacağım. Amaç, bilgisayarlı görü teknolojisini demo seviyesinden çıkarıp üretim ve operasyon bağlamında gerçek değer üreten bir altyapı olarak konumlandırmaktır.

Bilgisayarlı görü, akademik benchmark dünyasında çoğu zaman nesne sınıflandırma, detection veya segmentation metriği üzerinden değerlendirilir. Endüstride ise asıl soru farklıdır: sistem, süreç içinde güvenilir biçimde çalışıyor mu? Bir parçadaki kusuru zamanında yakalıyor mu? Tehlikeli bölge ihlalini operatör anlamlı aksiyon alacak kadar erken görebiliyor mu? Konveyör üzerindeki parça sayımı ERP veya PLC akışıyla tutarlı mı? İşte endüstriyel bakış açısı burada başlar.

Bu nedenle endüstriyel vision projelerinde şu başlıklar en az model kadar belirleyicidir:

• Kamera ve sensör konumlandırması
• Saha aydınlatması ve çevresel kararlılık
• Veri toplama stratejisi
• Nadir ama kritik hata örnekleri
• Yanlış negatif ve yanlış pozitif maliyeti
• Edge ya da on-prem inference gereksinimi
• Alarm / aksiyon mekanizması
• İnsan onayı ve operatör etkileşimi
• Üretim hattı entegrasyonu

Başka bir ifadeyle, endüstriyel vision modeli tek başına değer üretmez. Değeri, bir süreç içine güvenilir şekilde yerleştiğinde üretir.

"

Kritik gerçek: Endüstride bilgisayarlı görü başarısı, yalnızca görüntüyü tanımakla değil; tanınan sinyali doğru zamanda, doğru güven düzeyiyle ve doğru operasyonel akış içinde kullanabilmekle oluşur.

Endüstride bilgisayarlı görü uygulamalarını çok sayıda alt senaryoya ayırmak mümkündür; ancak pratikte çoğu kullanım üç ana değer ailesine oturur:

1. Kalite Kontrol: Ürünün, parçanın veya montaj sürecinin beklenen standarda uyup uymadığını denetlemek
2. Güvenlik: İnsan, ekipman ve çevre açısından riskli durumları tespit etmek ve önleyici aksiyon üretmek
3. Otomasyon: Görsel bilgiyi kullanarak sayım, yönlendirme, takip ve süreç optimizasyonu yapmak

Bu üç aile arasında sınırlar tamamen katı değildir. Örneğin bir montaj doğrulama sistemi hem kalite kontrol hem otomasyon işlevi görebilir. Bir forklift-yaya yakınlık sistemi hem güvenlik hem operasyon optimizasyonu sağlayabilir. Ancak tasarım açısından bu üçlü ayrım çok değerlidir; çünkü her biri farklı hata toleransı ve mimari öncelik üretir.

Kalite kontrol, endüstriyel vision uygulamalarının en olgun ve en yüksek yatırım geri dönüşü üreten alanlarından biridir. Bunun temel sebebi, kalite problemlerinin çoğu zaman doğrudan görsel belirti taşımasıdır. Yüzey kusurları, çatlaklar, çizikler, eksik bileşenler, yanlış montaj, etiketleme hatası, renk farklılığı, hizalama bozulması ve paketleme kusurları insan gözüyle de kontrol edilebilir; ancak bilgisayarlı görü bu işi daha hızlı, daha tutarlı ve daha ölçeklenebilir hale getirebilir.

Başlıca Kalite Kontrol Senaryoları

• Yüzey kusuru tespiti
• Eksik parça ve yanlış montaj kontrolü
• Etiket, barkod ve ambalaj doğrulama
• Renk ve boyut uyumluluğu kontrolü
• PCB ve elektronik bileşen incelemesi
• Cam, metal, tekstil, plastik ve kompozit yüzey analizi
• Şişe dolum seviyesi, kapak varlığı ve hizalama takibi

Kalite Kontrol Projelerinde Asıl İş Değeri Nerede Üretilir?

• Hatalı ürünlerin erken ayrıştırılması
• İnsan kalite kontrol yükünün azaltılması
• Kalite standardında vardiyalar arası tutarlılık
• Hurda ve iade maliyetinin azaltılması
• Kök neden analizine veri sağlanması
• Süreç içi geri bildirimle üretim optimizasyonu

Teknik Yaklaşım Seçimi Nasıl Yapılır?

Kalite kontrol problemlerinde yaklaşım, kusurun doğasına göre değişir:

• Kusur tipi net ve sınıflıysa classification veya detection yaklaşımı kullanılabilir
• Kusurun yeri ve şekli önemliyse segmentation gerekir
• Kusur nadir ve çeşitliliği belirsizse anomaly detection daha anlamlı olabilir
• Montaj doğrulama için obje varlığı + ilişki kontrolü birlikte gerekebilir

Tipik Hata Kalıpları

• Yansıma ve ışık değişimi nedeniyle sahte kusur algısı
• Küçük kusurlarda düşük recall
• Yeni ürün varyantlarında kalite düşüşü
• Benzer ama kabul edilebilir varyasyonların kusur sanılması
• Kirli lens veya titreşim nedeniyle görüntü bozulması
• Annotasyonlarda kusur sınırı tutarsızlığı

Kalite Nasıl Ölçülmeli?

• Kusur bazlı precision / recall
• Yanlış negatif oranı
• Ürün bazlı geçme-kalma doğruluğu
• İnsan yeniden kontrol ihtiyacı
• Hat durdurma veya ürün ayıklama etkisi
• Lot bazlı performans kararlılığı

Kalite kontrol senaryolarında genel accuracy çoğu zaman yanıltıcıdır. Çünkü asıl mesele, kritik kusurun kaçırılıp kaçırılmadığıdır.

Endüstride bilgisayarlı görünün ikinci büyük kullanım ailesi güvenliktir. Bu alandaki temel amaç, yalnızca olanı görmek değil; riskli durumu operasyonel olarak anlamlı bir hızda tespit edip müdahale imkanı üretmektir. İnsan denetimi çok değerlidir; ancak tehlikeli bölge ihlalleri, koruyucu ekipman eksikliği, forklift-yaya yakınlaşması, yasaklı alana giriş, tehlikeli davranış örüntüleri ve erişim kuralı ihlalleri gibi durumlarda sürekli ve tutarlı manuel takip zordur.

Başlıca Güvenlik Senaryoları

• Baret, yelek, gözlük ve maske gibi PPE uyumluluğu
• Tehlikeli bölgeye giriş tespiti
• Forklift-yaya yakınlık analizi
• Makine etrafında güvenli mesafe takibi
• Yasaklı alan veya zaman dışı erişim tespiti
• Düşme, yerde kalma veya anormal hareket analizi
• Yangın, duman veya kıvılcım ön tespiti

Güvenlik Senaryolarında Temel Tasarım Mantığı Nedir?

Güvenlik sistemlerinde amaç yalnızca yüksek doğruluk değil, anlamlı uyarı üretmektir. Bu nedenle model tasarımı kadar alarm stratejisi de önemlidir. Çok fazla yanlış alarm üreten sistem operatör körlüğüne yol açabilir. Çok az alarm veren sistem ise tehlikeli olayları kaçırabilir. Burada kalite, yalnızca detection performansı değil; aksiyon kalitesidir.

Güvenlik Projelerinde Tipik Teknik Katmanlar

• İnsan, araç ve ekipman detection
• Pose estimation veya davranış analizi
• Zone-based rule engine
• Track ve trajectory analizi
• Alarm ve escalation mantığı
• Kayıt, raporlama ve olay inceleme arayüzü

Tipik Hata Kalıpları

• Kısmi örtülmelerde PPE kaçırılması
• Kamera açısı nedeniyle zone ihlalinin yanlış yorumlanması
• Yoğun sahnede insan-araç takibinin bozulması
• Düşük ışıkta yanlış alarm artışı
• Benzer nesnelerin karışması
• Statik kuralla dinamik riskin tam temsil edilememesi

Kalite Nasıl Ölçülmeli?

• Kritik olay recall
• Yanlış alarm oranı
• Alarm başına operatör müdahale yükü
• Riskli olayın tespitten aksiyona kadar geçen süresi
• Vardiya, saat ve lokasyon bazlı performans
• Near-miss yakalama başarısı

Güvenlik use-case’lerinde çoğu zaman düşük yanlış negatif daha kritik olsa da, alarm yorgunluğu yaratmayacak kadar kontrollü yanlış pozitif oranı da zorunludur. Bu yüzden güvenlik sistemleri salt görsel model değil, görsel karar politikası olarak düşünülmelidir.

Endüstriyel vision’ın üçüncü ana ailesi otomasyondur. Buradaki amaç kusur veya risk bulmaktan öte, görsel bilgiyi sayım, yönlendirme, sıralama, durum takibi, süreç doğrulama ve akış optimizasyonu için kullanmaktır. Bu alan çok geniştir; çünkü operasyonel olarak kamera ile görülebilen her düzenlilik potansiyel otomasyon sinyali haline gelebilir.

Başlıca Otomasyon Senaryoları

• Konveyör üstünde parça sayımı ve sınıflama
• Robotik pick-and-place için görsel yönlendirme
• Depoda koli, palet ve stok hareket takibi
• Raf doluluk ve yerleşim kontrolü
• Montaj adımı doğrulama
• Operasyon tamamlama / eksik adım tespiti
• Belge, ekran veya HMI tabanlı süreç doğrulama

İş Değeri Nerede Üretilir?

• Tekrarlı manuel kontrolün azalması
• Süreç hızının artması
• Sayım ve takip hatalarının azalması
• ERP, MES, WMS veya PLC sistemleriyle görsel doğrulama entegrasyonu
• Operasyon görünürlüğünün artması

Teknik Yaklaşımlar

• Object detection ve multi-object tracking
• Pose estimation ve action recognition
• OCR / document vision
• Zone counting ve line-crossing analizi
• Segmentation ile alan doluluk ölçümü
• Rule-based orchestration + vision model hibriti

Tipik Hata Kalıpları

• Çakışan nesnelerde sayım hatası
• Track kaybı nedeniyle çift sayım
• Farklı ürün varyantlarında sınıflama bozulması
• OCR için açı ve kalite kaynaklı okuma hatası
• İş adımı değiştiğinde eski kural setinin kırılması
• Düşük latency gereksiniminde modelin yetişememesi

Kalite Nasıl Ölçülmeli?

• Sayım doğruluğu
• Track continuity
• İşlem tamamlama oranı
• Yanlış tetikleme oranı
• Gecikme ve çevrim süresi etkisi
• Downstream sistem doğruluğu üzerindeki etkisi

Otomasyon use-case’lerinde model doğruluğu tek başına yetmez. Görsel kararın iş akışına zamanında ve uyumlu biçimde bağlanması gerekir. Bu nedenle bu alanda latency, sistem entegrasyonu ve fallback tasarımı en az model kalitesi kadar önemlidir.

Endüstriyel projelerin çoğu yalnızca tek aileye ait değildir. Gerçek değer çoğu zaman hibrit sistemlerde oluşur:

• Montaj doğrulama hem kalite kontrol hem otomasyon problemidir
• Forklift-yaya sistemi hem güvenlik hem akış optimizasyonu sağlar
• Depoda palet takibi hem otomasyon hem güvenlik içgörüsü üretir
• Kusur tespiti çıktısı üretim hattı yönlendirmesine bağlanırsa kalite kontrolden otomasyona geçer

Bu nedenle olgun endüstriyel vision mimarisi, use-case’leri yalnızca ayrı projeler olarak değil; ortak kamera altyapısı, ortak veri katmanı ve ortak olay işleme mantığı üzerinde çalışan bir yetenek ağı olarak düşünür.

Akademik dünyada model başarıyı taşır; endüstride ise kurulum taşıyıcıdır. Aynı model, doğru kamera yüksekliği, sabit ışık, uygun lens, kontrollü arka plan ve net olay tanımıyla çok güçlü çalışabilirken; kötü fiziksel kurulum altında zayıf kalabilir. Bu nedenle endüstriyel vision sistemleri için kamera mühendisliği, aydınlatma tasarımı ve saha standardizasyonu başlı başına proje bileşenidir.

Kurulum Tarafında En Kritik Kararlar

• Kamera açısı ve kapsama alanı
• Çözünürlük ve frame rate
• Işık kaynağı ve parlama kontrolü
• Lens seçimi
• Çevresel titreşim ve sıcaklık etkisi
• Görüntü saklama ve loglama politikası

Kötü kurulum, çok iyi modeli boşa çıkarabilir. İyi kurulum ise daha mütevazı modeli operasyonel olarak güçlü hale getirebilir.

Endüstriyel senaryolarda deployment kararı kritik bir mimari konudur. Her use-case aynı altyapıyı gerektirmez.

Edge Yaklaşım Ne Zaman Daha Doğru?

• Latency çok kritikse
• İnternet bağlantısı kararsızsa
• Gizlilik ve veri çıkışı kısıtlıysa
• Gerçek zamanlı alarm gerekiyorsa

Cloud veya Merkezi Sunucu Ne Zaman Uygun?

• Toplu analiz ve raporlama gerekiyorsa
• Merkezi model yönetimi önemliyse
• Gerçek zaman baskısı daha düşükse
• Yüksek hesaplama gücü gerekiyorsa

Hibrit Yapı Ne Zaman Güçlüdür?

Birçok endüstriyel sistemde ilk filtreleme ve alarm edge’de, ağır analiz ve raporlama merkezi tarafta yapılır. Bu çoğu zaman en dengeli yaklaşımdır.

Endüstriyel ortamlarda bazı kararlar doğrudan maliyet, güvenlik veya kalite etkisi doğurur. Bu nedenle tam otomasyon her use-case için doğru değildir. Özellikle kritik kusur, güvenlik ihlali veya yüksek maliyetli ayıklama kararlarında insan onayı önemli olabilir.

Human-in-the-Loop Senaryoları

• Düşük güven skorlu kalite kusurlarında operatör onayı
• Yüksek riskli güvenlik olaylarında ikincil teyit
• Modelin yeni varyasyon gördüğü durumlarda insan etiketleme döngüsü
• Yanlış alarm analizi ile kural güncelleme süreci

Olgun sistemler insanı devreden çıkarmaz; insanı en yüksek kaldıraç noktasına yerleştirir.

1. Problemi yalnızca model seçimi sanmak
2. Kamera ve ışık kurulumunu sonradan düşünmek
3. Temiz demo verisini gerçek saha verisi sanmak
4. Nadir ama kritik olayları veri setinde yeterince temsil etmemek
5. Yanlış negatif ve yanlış pozitif maliyetini ayırmamak
6. Edge deployment gereksinimini geliştirme sonuna bırakmak
7. Operatör akışını ve alarm yorgunluğunu dikkate almamak
8. Monitoring ve re-labeling sürecini kurmamak
9. Görsel sistemi MES, PLC, ERP veya WMS entegrasyonundan kopuk tasarlamak
10. Tek bir genel metrikle kaliteyi özetlemeye çalışmak
11. İnsan onayı gerektiren use-case’te tam otomasyon varsaymak
12. Yeni ürün, yeni lot veya yeni saha domain’ini göz ardı etmek

Use-Case Ailesi	Ana Hedef	Başlıca Teknik Yaklaşım
Kalite Kontrol	Kusur, eksik parça veya uyumsuzluğu yakalamak	Classification, detection, segmentation, anomaly detection
Güvenlik	Riskli olay ve ihlalleri erken tespit etmek	Detection, tracking, pose estimation, zone rules
Otomasyon	Sayım, takip, yönlendirme ve süreç doğrulama	Detection, OCR, tracking, event logic, rule orchestration
Hibrit Senaryo	Görsel sinyali doğrudan operasyon kararına bağlamak	Vision + rule engine + workflow integration

1. Vision Projesini AI Projesi Değil, Operasyon Projesi Olarak Tasarla

Asıl değer model skorunda değil, sürece etkide ölçülmelidir.

2. Kamera ve Aydınlatma Tasarımını Model Kadar Önemse

Fiziksel kurulum zayıfsa model kalitesi sahada erir.

3. Hata Maliyetine Göre Mimari Kur

Kalite, güvenlik ve otomasyon use-case’lerinde kabul edilebilir hata yapısı farklıdır.

4. Edge-Case ve Domain Shift Yönetimini Baştan Planla

Yeni varyasyonlar istisna değil, sistemin doğal yaşam döngüsüdür.

5. Human-in-the-Loop Tasarımını Zayıflık Değil Güvenilirlik Aracı Olarak Gör

Doğru yerde insan onayı, sistem güvenini ve sürdürülebilirliğini artırır.

İlk 30 Gün: Use-Case ve Saha Haritasını Çıkar

• Kalite, güvenlik ve otomasyon senaryolarını ayrı sınıflandır
• Hata maliyeti ve alarm mantığını tanımla
• Kamera, ışık ve veri toplama altyapısını denetle

31-60 Gün: Teknik ve Operasyonel Tasarımı Kur

• Her use-case için uygun model ailesini ve inference mimarisini seç
• Slice-based evaluation, rare-case setleri ve human review akışını tanımla
• MES, PLC, ERP, WMS veya güvenlik platformu entegrasyon planını netleştir

61-90 Gün: Pilotu Operasyona Bağla

• Gerçek saha verisi ile kontrollü pilot çalıştır
• Offline metrik ile task completion, alarm kalitesi ve insan müdahale süresini birlikte izle
• İlk kurumsal industrial vision kullanım standardını yayınla

Endüstride bilgisayarlı görü uygulamaları, yalnızca nesne tanıyan akıllı kameralar değil; kaliteyi, güvenliği ve operasyonu daha görünür, daha ölçülebilir ve daha yönetilebilir hale getiren karar altyapılarıdır. Kalite kontrolde ürün standardını korur, güvenlikte riski erken görünür kılar, otomasyonda ise görsel bilgiyi iş akışına bağlayarak verimlilik üretir. Bu nedenle endüstriyel vision projeleri, teknik olarak ilginç olmanın ötesinde doğrudan iş sonucu üreten sistemlerdir.

Ancak güçlü sonuç için doğru kamera, doğru veri, doğru hata toleransı, doğru alarm mantığı ve doğru entegrasyon gerekir. Uzun vadede başarılı kurumlar, bilgisayarlı görüyü yalnızca pilot proje olarak kullananlar değil; onu süreç kalitesi, güvenlik kültürü ve operasyonel otomasyonun kalıcı bir bileşeni haline getiren kurumlar olacaktır.

Endüstriyel vision projelerinde en iyi başlangıç use-case’i hangisidir?

Genellikle tekrar eden, görsel olarak net sinyal taşıyan ve hata maliyeti ölçülebilir use-case’ler en iyi başlangıç noktasıdır. Kalite kontrol ve PPE takibi sık tercih edilir.

Kalite kontrol için anomaly detection mi yoksa supervised model mi daha doğru?

Bu, kusur tiplerinin ne kadar tanımlı ve etiketli olduğuna bağlıdır. Belirsiz ve nadir kusurlarda anomaly detection güçlü olabilir; net kusur sınıflarında supervised yaklaşım daha kontrollüdür.

Güvenlik use-case’lerinde yanlış alarm kabul edilebilir mi?

Belirli ölçüde evet; ancak alarm yorgunluğu yaratmayacak kadar kontrollü olmalıdır. Asıl tasarım dengesi burada kurulur.

Endüstriyel vision mutlaka edge üzerinde mi çalışmalıdır?

Hayır. Latency, gizlilik ve bağlantı gereksinimine göre edge, cloud veya hibrit yapı seçilebilir. Birçok senaryoda hibrit yaklaşım en dengeli çözümdür.

Bu sistemlerde insan onayı her zaman gerekli midir?

Her zaman değil; ama yüksek riskli kalite veya güvenlik kararlarında human-in-the-loop çoğu zaman güvenilirliği ve kabul edilebilirliği artırır.