EN
Biraz dürüstlükle başlayayım. Yeni bir ürün hattı eklemek güzel bir başarı göstergesidir; ancak aynı zamanda ciddi baş ağrısı da yaratabilir. Görüntü denetimi sisteminiz yeni parçaları tanımaz. Ayrıca iyi bir parça ile kötü bir parça arasındaki farkı da bilmez. Onu eğitmeniz gerekir. Eğer bu eğitimi yanlış bir şekilde gerçekleştirirseniz, yanlış reddetmeler, kaçırılan kusurlar ve çok sayıda sinirlenmiş operatörle karşılaşacaksınız. İyi haber şu ki, doğru adımları takip ederseniz, bir görüntü denetimi sistemi eğitimi hızlı ve sorunsuz olabilir.
Hazırlık, Örnek Toplama ile Başlar
Sisteme bile dokunmadan önce örneklerinizi toplamanız gerekir. Bu, en önemli adımdır; ancak aynı zamanda insanların en çok acele ettiği adımdır. Lütfen bu tür bir kişi olmayın.
Birden fazla türde örnek ihtiyacınız vardır. Öncelikle iyi parçaları toplayın. Kalite standartlarınızı karşılayan ürünlerin yalnızca birkaç görüntüsünden daha fazlasına ihtiyacınız olacaktır. Onlarca hatta yüzlerce görüntüye ihtiyaç duyabilirsiniz. Sahip olduğunuz görüntü sayısı ne kadar fazlaysa, sistem kabul edilebilir görünümün neye benzediğini o kadar iyi anlayacaktır. Bu iyi parçalar, renklerdeki küçük farklılıklar, konumda küçük kaymalar veya dokuda küçük değişiklikler gibi beklediğiniz normal varyasyonları da kapsamalıdır. Eğitim verilerinizde yalnızca mükemmel parçalar yer alırsa, görüş denetimi sistemi, görünüşte biraz farklı olsa bile aslında tamamen sorunsuz olan tüm parçaları reddedecektir.
İkinci olarak, kusurlu parçaları toplayın. Size önemli gelen her kusur türü için kapsamlı bir liste oluşturun. Bu liste, çizikler, çatlaklar, eksik bileşenler, yanlış renkler veya hizalanmamış etiketler gibi öğeleri içerebilir. Kusur örneklerinizin çeşitliliği ne kadar fazlaysa, sistemin neye bakması gerektiğini öğrenmesi de o kadar iyi olur. Bir araştırma, önceden eğitilmiş bir kusur tespit modelinin, yeni ürünleri tanıması için orta düzeyde yeni örnek alımına ve az miktarda ince ayarlama işlemine ihtiyaç duyduğunu göstermiştir. Ancak 'orta düzey' ifadesi 'asgari düzey' anlamına gelmez. Zayıf bir veri kümesi yine zayıf sonuçlar doğurur; bu nedenle, net tanımlanmış örnekler hazırladığınızdan emin olun.
Hızlı Başlangıç İçin Quick Teach Özelliğini Kullanın
Örnek veri kümenizi hazırladıktan sonra sistem eğitimi zamanı gelmiştir. Şanslısınız çünkü neredeyse tüm modern görüş denetimi sistemlerinde Quick Teach ya da tek tuşla öğretme adı verilen yerleşik bir özellik bulunur. Bu özellik, yeni bir ürün hattı eklerken işinizi çok daha kolaylaştırır.
Hızlı Öğretim, kusursuz bir parçanın referans görüntüsünü alarak ve bu görüntüye dayalı olarak sistem parametrelerini otomatik olarak ayarlayarak çalışır. Sistem, referansı inceler, ana özellikleri ölçer ve toleranslar uygular. Sayıları manuel olarak girmenize veya eşik değerlerinin nerede olması gerektiğini tahmin etmenize gerek yoktur. Sistem, yoğun iş yükünü sizin için üstlenir.
Bu yöntem, hepsi aynı görünen bir parça partisini hızlıca incelemek için oldukça etkilidir. Örneğin, özdeş sac levha parçalarını veya kalıp plastik bileşenleri denetliyorsanız, Hızlı Öğretim işi birkaç saat yerine yalnızca birkaç dakikada tamamlayabilir. Bazı modern kameralar, birkaç örnek görüntüden otomatik olarak öğrenerek kurulum süresini saatlerden yalnızca dakikalara indirir. Anahtar nokta, referans görüntünüzün, partiden beklediğiniz parçaların görünümünü iyi temsil eden bir örnek olmasıdır.
Parçalar Değiştiğinde Standart Öğretim’e Geçin
Hızlı Öğretim'in bir dezavantajı vardır. Parçalarınızın görünümünde önemli değişkenlikler varsa, Hızlı Öğretim iyi parçaların daha büyük bir kısmını reddetme eğilimi gösterir. Bu durumda sistem, birkaç parça yinelemesinden öğrenmesi gerekir.
Standart Öğretim farklı çalışır. Tek bir referans görüntüsü kullanmak yerine, iyi parçalardan oluşan tam bir parti sistemden geçirilir. Görüntü denetim sistemi hepsine bakar, doğal değişkenliği ölçer ve kabul edilebilir sonuçların tüm aralığını içerecek şekilde toleranslarını ayarlar. Bu sayede sistem, mükemmel bir laboratuvar ortamında değil, gerçek üretim koşullarınızda iyi olanın nasıl göründüğünü öğrenir.
Öğretim süreci sırasında kullanabileceğiniz örnek sayısı için bir sınır yoktur. Sisteme gösterdiğiniz iyi parçaların sayısı ne kadar fazlaysa, sistemin kabul edilebilir olanı anlama düzeyi de o kadar artar. İşte size bir uzman ipucu: Standart Öğretim işlemi yaparken yalnızca iyi parçalar kullanın. Eğer yanlışlıkla bir kötü parça dahil ederseniz, sistem bu kusurun kabul edilebilir olduğunu öğrenir ve elinizde büyük bir karışıklık oluşur.
Gerekirse Manuel Olarak Ayarlayın
Bazen otomatik öğretim yeterli olmaz. Parçalarınızın karmaşık özellikleri olabilir ve sistem bu özelliklerle mücadele etmekte zorlanabilir. Bu tür durumlarda parametreleri manuel olarak ayarlamanız gerekir.
Çoğu görsel denetim sistemi, araçlara girip ayarları elle değiştirmenize olanak tanır. İlgi alanı bölgesini ayarlayabilir, tolerans eşiklerini değiştirebilir ve geçti/kaldı mantığını hassas bir şekilde ayarlayabilirsiniz. Bu işlem daha fazla zaman alır ve bazı deneyim gerektirir; ancak size en yüksek düzeyde kontrol imkânı sağlar. Hatta çok küçük hataların bile önemli olduğu yüksek hassasiyetli uygulamalarda manuel ayarlama ekstra çaba harcamaya değerdir.
Eğer eski bir ürüne benzeyen yeni bir ürünle çalışıyorsanız, mevcut bir muayeneyi başlangıç noktası olarak kullanarak zaman kazanabilirsiniz. Aktarım öğrenimi üzerine yapılan bir çalışma, eski ürünler üzerinde eğitilen bir modelin yalnızca orta düzeyde yeni eğitim verisiyle yeni ürünlere uyarlanabileceğini ve %98’in üzerinde doğruluk oranını koruyabileceğini göstermiştir. Bu, her zaman sıfırdan başlamak zorunda olmadığınız anlamına gelir. Bunun yerine mevcut modellerden yola çıkarak geliştirme yapabilirsiniz.
Karmaşık Muayeneler İçin Yapay Zekâdan Yararlanın
Geleneksel görüş muayene sistemleri sabit kurallara dayanır. Çizik X milimetreden uzun mu? Renk Y aralığının dışında mı? Bu tür kurallar basit muayeneler için oldukça etkilidir. Ancak kusurlar düzensiz, tutarsız veya sabit kurallarla tanımlanması zor olduğunda geleneksel sistemler genellikle yetersiz kalır.
Yapay zekâ destekli görsel denetim oyunun kurallarını değiştiriyor. Sistem, önceden belirlenmiş bir kural kümesini takip etmek yerine örneklerden öğrenir. Sisteme yüzlerce veya binlerce iyi ve kötü görüntü gösterirsiniz ve sistem bu desenleri kendi başına çıkarır. Yapay zekâ destekli görsel denetim, ürün kalitesini korumaya ve israfı en aza indirmeye çalışan üreticiler için özellikle faydalıdır. Ayrıca ürün değişikliklerine karşı son derece uyarlanabilir özelliktedir. Bazı platformlar, yanlış pozitif sonuçları azaltmak ve kusurlu ürünlerin müşterilere ulaşmasını engellemek amacıyla denetimde süpervizyonlu ve süpervizyonsuz yapay zekâ öğrenimini, kurallara dayalı araçlarla birleştirir.
Günümüz sistemlerinin en büyük avantajı, kullanıcı dostu olmalarıdır. Belirli kameralar artık yalnızca birkaç örnek görüntüden otomatik olarak öğrenebilen yerleşik yapay zekâya sahiptir; bu da uzun süren elle yapılandırma işlemlerine gerek kalmadan sistemin kurulmasını sağlar. Kullanıcı dostu arayüzler, operatörleri aydınlatma ayarlamalarından referans görüntülerin kaydedilmesine kadar kurulum sürecinin her aşamasında yönlendirir. Hatta görüş denetimi konusunda sınırlı deneyime sahip operatörler bile sağlam denetim süreçleri oluşturabilir.
Test ve Doğrulama Zorunludur
İşte burada çoğu kişi kritik hatalar yapar. Sistemi eğitirler, hızlı bir test çalıştırırlar ve ardından doğrudan üretimde kullanmaya başlarlar. Bu büyük bir hatadır.
Görüş denetim sisteminizin gözetimsiz çalışmasına izin vermeden önce, bunu doğru şekilde doğrulamanız gerekir. Bilinen iyi ve bilinen kötü parçalardan oluşan bir partiyle sistemi çalıştırın. Tüm kusurları tespit edip etmediğini kontrol edin. İyi parçaları reddediyor mu diye bakın. Yanlış reddetme oranınız çok yüksekse, toleranslarınızı ayarlamak için geri dönün. Kaçırma oranınız çok yüksekse, eğitim kümenize daha fazla kusurlu örnek ekleyin.
Burada bir 'kavram kanıtı' yaklaşımı iyi sonuç verir. Her şeyi bir anda otomatikleştirmeye çalışmak yerine, yeni üretim hattınızda yalnızca bir kritik denetim noktasıyla başlayın. İyi ve kötü örneklerden oluşan altın veri kümenizi toplayın, uygulanabilirliği test edin ve ancak o zaman ölçeklendirme yapın. Bu adımı doğru şekilde yapmak, sonunda size çok büyük miktarda para tasarrufu sağlayacaktır.
Sürekli İyileştirme İçin Planlama
Bir görüş denetim sistemi eğitimi tek seferlik bir olay değildir. Ürünleriniz değişecektir. Tedarikçileriniz değişecektir. Üretim koşullarınız değişecektir. Denetim sisteminiz de buna ayak uydurmalıdır.
Sürekli eğitim için bir süreç oluşturun. Sisteminizin kaçırdığı yeni bir kusur türü bulduğunuzda, bu görüntüleri eğitiminize ekleyin ve yeniden eğitin. Ürün tasarımınızı değiştirdiğinizde referans görüntülerinizi güncelleyin. Bazı gelişmiş sistemler, ürün varyasyonlarına zaman içinde uyum sağlayabilen sürekli öğrenme özelliklerine sahiptir. Sisteminizi ne kadar çok eğitirseniz, o kadar akıllı hâle gelir.
Bu konuda doğru yolu izleyen üreticiler gerçek sonuçlar elde eder. Yapay zekâ tabanlı görsel denetim, kusurların daha erken tespit edilmesini, kök neden analizinin daha hızlı yapılmasını ve verimliliği artırıp israfı azaltan gerçek zamanlı eyleme dönüştürülebilir içgörüler sunar. YIHUI, bu eğitim ilkelerini göz önünde bulundurarak görsel denetim ekipmanları tasarlar ve makine, elektronik, havacılık ve otomotiv sektörlerindeki üreticilere yeni ürün hatlarını daha hızlı devreye alma imkânı tanır. Sonuçta bir görsel denetim sistemi, verdiğiniz eğitime bağlı olarak iyi çalışır. Doğru şekilde uygulandığında, markanızı yıllarca koruyacaktır.