Görüntü İşleme Nedir? Nasıl Çalışır ve Üretimde Nerede İşe Yarar
Görüntü işleme, kamera veya sensörle alınan görüntüyü sayısal veriye çevirip bu veriden anlam çıkarma işidir: bir nesnenin varlığını, konumunu, ölçüsünü, rengini ya da yüzeyindeki kusuru insan müdahalesi olmadan belirlemek. Aynı alan uluslararası kaynaklarda computer vision, Türkçe akademik metinlerde ise bilgisayarlı görü adıyla geçer. Sanayideki pratik karşılığı nettir: gözle yapılan denetim, sayım ve okuma işlerinin kamera ve yapay zeka modelleriyle yürütülmesi. Bu yazı dört adımlı işleyişi, iki temel yaklaşımın farkını, üretimdeki kullanım alanlarını ve projelerin hangi durumlarda başarısız olduğunu sırayla ele alır.
Görüntü işleme nasıl çalışır?
Görüntü işleme akışı, kullanılan teknolojiden bağımsız olarak dört temel adımdan oluşur: görüntü yakalama, ön işleme, öznitelik çıkarma ve karar. Her adım ayrı bir mühendislik alanıdır; en çok gözden kaçan ise ilkidir, çünkü görüntü yakalamadaki bir eksik sonraki adımlarda telafi edilemez.
1. Görüntü yakalama
Kamera, objektif, aydınlatma ve tetikleme düzeneğinin bir araya geldiği katman. Kameranın çözünürlüğü, deklanşör tipi, objektifin görüş alanı ve odak mesafesi bu aşamada belirlenir. Gerekli çözünürlük, görüş alanının genişliği ve yakalanması gereken en küçük kusurun boyutundan hesaplanır; örneğin 5 MP'lik bir endüstriyel kamera 2448 x 2048 piksellik kare üretir. Kare hızı hattın hızına göre seçilir; çözünürlük arttıkça kameranın bağlantı arayüzü ulaşılabilecek kare hızını sınırlar. Hareketli hatlarda global shutter deklanşör ve hattın hızına uygun kısa bir pozlama gerekir, aksi hâlde parça karede sürüklenir. Parça hat üzerinde ilerliyorsa görüntünün doğru anda alınması için bir sensörle tetikleme kurulur. Bu katmanda alınan kararlar sonradan yazılımla telafi edilmez; bulanık ya da yansımalı bir kareden hiçbir model bilgi çıkaramaz.
2. Ön işleme
Ham görüntünün analiz edilebilir hâle getirilmesi: gürültü azaltma, kontrast düzenleme, perspektif düzeltme, ilgi alanının (ROI) kırpılması, gerekiyorsa renk uzayı dönüşümü. Bu adımların referans uygulamalarını, eşikleme ve morfolojik işlemler dâhil, scikit-image belgelerinde adım adım incelemek mümkündür. Kırpmanın etkisi hesaplanabilir: 2448 x 2048 piksellik bir kareden 640 x 640 piksellik bir ilgi alanı almak, işlenecek piksel sayısını 12 kattan fazla azaltır. Klasik algoritmalarda bu, işlem süresine doğrudan yansır; derin öğrenme modellerinde ise asıl kazanç, görüntü modelin sabit girdi boyutuna küçültülürken küçük kusurların kaybolmamasıdır. Amaç, modele veya kurala gitmeden önce görüntüdeki gereksiz değişkenliği azaltmaktır.
3. Öznitelik çıkarma
Görüntüdeki anlamlı bilginin sayısallaştırıldığı aşama. Klasik yöntemlerde bunlar mühendisin elle tanımladığı özniteliklerdir: kenarlar, konturlar, köşeler, alan ve çevre ölçüleri, histogram dağılımları, şablon eşleşme skorları. Derin öğrenmede ise öznitelikler elle yazılmaz; evrişimli sinir ağı katmanları örneklerden kendi temsilini öğrenir. Nesne tespitindeki dönüm noktalarından biri, 2015'te yayımlanan ve tespiti tek bir ağ geçişinde yapan YOLO makalesidir. Aynı yıl biyomedikal görüntüler için yayımlanan U-Net mimarisi ise veri çoğaltmaya dayanarak az sayıda etiketli görüntüyle piksel düzeyinde bölütleme yapılabileceğini gösterdi; aynı yaklaşım kusurlu bölgeyi piksel piksel işaretlemek için de kullanılır. Sıfırdan mimari tasarlamak gerekmez: sınıflandırma, tespit ve bölütleme için önceden eğitilmiş modeller torchvision model kataloğunda hazır bulunur.
4. Karar
Çıkarılan bilginin bir sonuca dönüştüğü adım: parça uygun mu, ölçü toleransta mı, etiket doğru mu, bölgede kişi var mı. Karar tek başına bir ekran çıktısı değildir; hattaki PLC'ye 24 V dijital sinyal göndermek, kaydı üretim yönetim sistemine yazmak, kusurlu parçayı ayırmak gibi bir eylemle sonuçlanmalıdır. Görüntüden sinyale kadar geçen sürenin üst sınırını hattın hızı belirler; aşağıdaki maliyet bölümünde örnek bir hesap var. Görüntü işlemenin işletme değeri, büyük ölçüde bu son adımın mevcut sistemlere ne kadar iyi bağlandığına bağlıdır.
Klasik görüntü işleme ile derin öğrenme farkı
Klasik görüntü işleme ve derin öğrenme tabanlı görüntü işleme, sahada yan yana kullanılan iki ayrı yaklaşımdır; biri diğerinin yerine geçmez. Klasik yöntemde kuralı mühendis tanımlar: "şu bölgedeki koyu piksellerin alanı 500 pikseli aşarsa hata var." Derin öğrenme tabanlı yöntem ise kuralı örneklerden öğrenir: yeterli sayıda kusurlu ve kusursuz görüntü verilir, model ayrımı kendisi çıkarır. Doğru seçim, işin tarif edilebilirliğine bağlıdır. Aşağıdaki tablo iki yaklaşımı yedi ölçüt üzerinden karşılaştırır.
| Ölçüt | Klasik görüntü işleme | Derin öğrenme tabanlı |
|---|---|---|
| Kural nasıl konur | Mühendis elle tanımlar: eşikleme, kenar bulma, şablon eşleştirme, ölçüm | Etiketli örneklerden öğrenilir; ayrım kriteri açıkça yazılmaz |
| Veri ihtiyacı | Birkaç referans görüntü ve kuralı sınamaya yetecek örnek parça çoğu zaman yeterlidir | Etiketli ve çeşitliliği yeterli veri kümesi şarttır |
| Değişkenliğe dayanıklılık | Dardır; ışık, açı veya yüzey değişince kural bozulur | Daha geniştir, ancak yalnızca eğitim verisinin kapsadığı çeşitlilik kadar |
| Açıklanabilirlik | Karar adım adım izlenebilir, hata nedeni gösterilebilir | Kararın gerekçesi doğrudan okunamaz; ek analiz yöntemleri gerekir |
| Donanım | Sıradan endüstriyel bilgisayar çoğu işte yeterlidir | Eğitim için çoğunlukla GPU gerekir; hat üzerindeki çıkarım, model boyutuna ve hat hızına göre GPU, gömülü hızlandırıcı ya da güçlü bir CPU ile yapılır |
| Uygun olduğu işler | Sabit fikstürde ölçüm, barkod okuma, varlık-yokluk, konum tespiti | Görünümü kuralla tarif edilemeyen yüzey kusurları, doğal doku çeşitliliği |
| Bakım biçimi | Kural veya parametre güncellenir | Yeni örnekler etiketlenip model yeniden eğitilir |
Pratikte birçok üretim uygulaması melezdir: parçanın konumu ve ölçüsü klasik yöntemlerle bulunur, kusur sınıflandırması derin öğrenmeye bırakılır. Tespit modeli ile kural motorunun aynı hat bilgisayarında çalıştığı kurulumlar için hazır eğitim ve dışa aktarma araçları var; bunlardan birinin ayrıntıları Ultralytics belgelerinde anlatılır. Bu aracın açık kaynak sürümü AGPL-3.0 lisanslıdır; kaynak kodu açılmayacak ticari kullanımlar için üretici ayrıca kurumsal lisans sunar. "Her işe yapay zeka" yaklaşımı ise ters etki yapar: kuralla kısa sürede çözülecek bir ölçüm işi, uzun bir veri toplama projesine dönüşür.
Üretimde görüntü işleme kullanım alanları
Üretimde görüntü işleme, hat üzerinde insanın gözüne bağlı kalan adımları ölçülebilir hâle getirir. Otomotiv yan sanayi, asansör imalatı, mobilya ve metal işleme gibi sektörlerde öne çıkan sekiz başlık aşağıdadır. Zorluk sütunu kabaca bir sıralamadır; aydınlatma kurulumu, veri ihtiyacı ve hata toleransı birlikte düşünülerek verilmiştir.
| Kullanım alanı | Ne yapar | Zorluk |
|---|---|---|
| Etiket ve barkod okuma | Etiket varlığını, doğru ürüne ait olup olmadığını ve kod okunabilirliğini denetler | Kolay |
| Varlık-yokluk kontrolü | Vida, klips, conta, kapak gibi parçaların takılı olup olmadığını doğrular | Kolay |
| Montaj sırası ve doğruluğu | Parçaların doğru konumda, doğru yönde ve doğru sırayla monte edildiğini kontrol eder | Orta |
| Ölçü doğrulama | Delik çapı, kenar uzunluğu, açı ve mesafe gibi ölçüleri toleransa göre denetler | Orta |
| Renk ve ton tutarlılığı | Kaplama, boya veya kumaş tonunun referansla uyumunu ölçer | Orta |
| Güvenlik ve saha denetimi | Kişisel koruyucu donanım kullanımını, tehlikeli bölge ihlallerini ve yaya-forklift yakınlığını izler | Orta |
| Sayım ve izlenebilirlik | Palet, kutu veya parça sayar; seri numarasıyla ürünü hat boyunca takip eder | Orta-Zor |
| Yüzey hatası tespiti | Çizik, ezik, kaynak hatası, boya kusuru, döküm boşluğu gibi düzensiz kusurları bulur | Zor |
Bu başlıkların hiçbiri tek başına bir "yapay zeka dönüşümü" değildir; her biri belirli bir istasyondaki belirli bir kaybı hedefler. Görüntü işlemenin sanayideki yerini daha geniş bir çerçevede değerlendirmek için sanayide yapay zeka yazımıza bakabilirsiniz.
Bir görüntü işleme projesi gerçekte neye ihtiyaç duyar?
Bir görüntü işleme projesinin başarısını üç şey belirler: aydınlatma, kamera konumu ve etiketli veri kalitesi. Model seçimi bu üçlünün yanında en kolay parçadır; hazır mimariler olgunlaşmıştır. Fark, kameranın önündeki fiziksel düzenekte ve verinin kalitesinde oluşur.
Aydınlatma. Görüntü işlemede ışık, yazılımın girdisidir. Ortam aydınlatmasına bırakılan bir kurulum, gün içindeki ışık değişimiyle, vardiya lambalarının açılıp kapanmasıyla ve mevsimle birlikte farklı görüntü üretir; model dünkü kadarıyla bugünü tanımaz. Sanayide bu yüzden kontrollü aydınlatma kullanılır. Yaygın üç düzenek şunlardır: parlak yüzeylerde yansımayı kıran difüzör, kenarı belirginleştirmek için arkadan aydınlatma ve doku kusurlarını görünür kılmak için yüzeye sığ bir açıyla gelen (karanlık alan) aydınlatma. Kusuru gözle ayırt edilemeyen bir görüntü, modele de bir şey öğretmez.
Kamera konumu ve optik. Kameranın açısı, mesafesi ve objektifi neyin ölçülebileceğini belirler. Ölçüm piksel yerine milimetre cinsinden yapılacaksa kamera kalibrasyonu şarttır; eğik açıyla bakan bir kamera buna bir de perspektif hatası ekler. Kameranın titreşimli bir platforma bağlanması, parçanın her seferinde farklı yönde durması veya kablo, hortum gibi engellerin görüş alanına girmesi, sonradan tamamı yazılım maliyetine dönüşen sorunlardır. Uygulamada en sağlam çözüm, parçanın kamera önünde tekrarlanabilir biçimde konumlanmasını sağlayan basit bir fikstürdür.
Etiketli veri. Derin öğrenme tabanlı bir denetim kuruluyorsa proje süresinin ağırlığı veri toplamak ve etiketlemekle geçer. Burada kritik olan miktardan çok kapsamdır: tüm vardiyalardan, farklı tedarikçi partilerinden, farklı yüzey ve renk varyantlarından ve gerçek kusur çeşitlerinden örnek bulunmalıdır. İkinci kritik nokta etiket tutarlılığıdır; aynı parçaya bir kalite personeli "kusurlu", diğeri "kabul" diyorsa, model bu tutarsızlığı öğrenir ve saha performansı beklentinin altında kalır. Üretim hatlarındaki asıl darboğaz ise şudur: kusurlu parça azdır, yani öğretilecek örnek kıttır. Bu durumda veri toplama planı projenin ilk fazı olur.
Yüzey kusuru tespiti gibi işlerde ilk adım bir fizibilite çalışmasıdır: kusurun mevcut aydınlatma ve kamerayla görünür hâle gelip gelmediği, yazılım işine başlamadan önce örnek parçalar üzerinde kısa bir denemeyle sınanır. Bu adım atlandığında, uzun bir yazılım çalışmasının sonunda kusurun görüntüde hiç bulunmadığı ortaya çıkabilir.
Görüntü işleme ne zaman işe yaramaz, neden başarısız olur?
Görüntü işleme her denetim işine uygun değildir ve bunu proje başlamadan söylemek gerekir. Başlıca altı başarısızlık nedeni şunlardır.
1. Kusur görüntüde yoktur. İç çatlak, yüzey altındaki boşluk veya sertlik farkı gibi kusurlar görünür ışıkla ölçülmez. Bunlar ultrasonik, radyografik (X-ışını), termografik ya da girdap akımı muayenesi gibi tahribatsız muayene yöntemlerinin alanıdır; standart kamerayla kurulan bir sistem bu işlerde sonuç vermez.
2. Kusurun tanımı yoktur. "Gözüme kötü göründüyse ayırıyorum" ile çalışan bir denetim istasyonunda otomatikleştirilecek bir karar kuralı da yoktur. Görüntü işleme, kabul kriteri netleşmemiş bir süreci netleştirmez; belirsizliği aynen kopyalar. Kriterin ölçülebilir hâle getirilmesi, projeden önce yapılacak iştir.
3. Ortam kontrol edilemez. Açık alan, sürekli değişen ışık, toz, buhar, yağ sisi veya kameranın merceğine bulaşan malzeme, sistemi zamanla bozar. Kurulumda çalışan bir çözüm, temizlik ve bakım planı olmadan kısa sürede güvenilmez hâle gelir.
4. Ürün çeşitliliği yüksek, adet düşüktür. Her siparişin farklı olduğu, tek parça üretim yapılan hatlarda her varyant için veri toplamak pratik değildir; varyant sayısı arttıkça etiketleme yükü katlanır. Bu tip işlerde klasik ölçüm yöntemleri veya insan denetimi daha makul kalır.
5. Sistem hatta bağlanmamıştır. Kusuru bulan ama kimseye haber vermeyen, kusurlu parçayı ayırmayan ve kaydı hiçbir yere yazmayan bir kurulum, bir gösteri ekranından ibaret kalır. Karar çıktısının PLC, ERP veya kalite kayıt sistemine bağlanması, projenin görüntü tarafı kadar önemlidir.
6. Devreye alma sonrası sahipsiz kalmıştır. Tedarikçi değişir, yüzey kaplaması değişir, yeni bir ürün varyantı gelir. Modelin yeni örneklerle güncellenmesini kimin, hangi sıklıkla yapacağı tanımlanmazsa doğruluk sessizce düşer ve operatörler bir süre sonra sistemi devre dışı bırakır. Sağlıklı bir işletim planı, model gözden geçirmesi için düzenli bir takvim ve bir sorumlu tanımlar. Görüntü işleme kurulan değil, işletilen bir sistemdir.
Görüntü işleme projesinin maliyetini ne belirler?
Görüntü işleme projesinin fiyatı, yazılım satırından çok kapsamla ilgilidir ve altı kalem üzerinden şekillenir: istasyon sayısı ve kamera adedi; aydınlatma ve mekanik düzenek (fikstür, muhafaza, montaj elemanları); hat hızı, yani karar için tanınan süre; kusur çeşitliliği ve buna bağlı veri toplama-etiketleme emeği; entegrasyon derinliği (yalnızca ekran mı, yoksa PLC sinyali, ayırma mekanizması ve kalite kaydı mı); son olarak bakım ve yeniden eğitim için ayrılan sürekli emek.
Hat hızının etkisi doğrudan hesaplanır: dakikada 120 parça geçen bir hatta parça başına 0,5 saniye kalır ve bu süre kamera tetiklemesi, çıkarım ve sinyal arasında bölüşülür; süre daraldıkça daha güçlü donanım ve daha yalın model gerekir. Kalemlerin dağılımı proje tipine göre de değişir: barkod okuma gibi işlerde ağırlık donanımdadır ve devreye alma görece kısa sürer, yüzey kusuru tespitinde ise emeğin büyük kısmı veri tarafında toplanır. Kurulan denetim sisteminin çıktısı, raporlama ve uyarılar yapay zeka ajanları ile birlikte tasarlandığında, tespit edilen sapmalar ilgili ekibe otomatik biçimde iletilir.
Sık Sorulan Sorular
Görüntü işleme ile bilgisayarlı görü aynı şey mi?
Günlük kullanımda çoğu zaman aynı anlamda kullanılır; Türkiye'de sanayide yaygın terim görüntü işlemedir. Akademik ayrım yapıldığında görüntü işleme görüntünün iyileştirilmesi ve dönüştürülmesini, bilgisayarlı görü (computer vision) ise görüntüden anlam ve karar çıkarmayı anlatır. Sanayi uygulamalarında iki alan aynı yazılım hattında iç içe çalışır.
Görüntü işleme için mutlaka yapay zeka gerekir mi?
Hayır. Ölçüm, barkod okuma, varlık-yokluk ve konum tespiti gibi işler çoğunlukla klasik yöntemlerle çözülür; bu yöntemler genellikle daha hızlı çalışır ve kararı adım adım açıklar. Yapay zeka modelleri, kusurun kuralla tarif edilemediği ve görünümün doğal olarak çeşitlendiği işlerde fark oluşturur: yüzey hatası tespiti ve koruyucu donanım denetimi bunun tipik örnekleridir.
Mevcut güvenlik kameralarımla üretim denetimi yapabilir miyim?
Sınırlı biçimde. Güvenlik kameraları geniş alanı izlemek için tasarlanmıştır; alan denetimi, bölge ihlali ve koruyucu donanım kontrolü gibi işlerde kullanılabilir. Ölçüm veya yüzey kusuru tespiti için ise sabitlenmiş konum, uygun objektif, kontrollü aydınlatma ve işe göre çözünürlüğü seçilmiş, tetiklenebilen bir endüstriyel kamera gerekir.
Bir görüntü işleme projesi ne kadar sürede devreye alınır?
Süreyi yazılım değil, veri ve fiziksel kurulum belirler. Kuralla çözülen ve ortamı kontrollü olan bir istasyon görece hızlı devreye alınır. Kusur örneklerinin toplanması gereken uygulamalarda ise takvimin ağırlığını veri toplama ve etiketleme oluşturur; bu yüzden proje planı fizibilite, veri toplama, pilot ve yaygınlaştırma olmak üzere dört faza bölünür.
Sistem hatalı karar verirse ne olur?
İki hata tipi ayrı ayrı ele alınır: kusurlu parçayı kabul etmek ve sağlam parçayı kusurlu saymak. İkisinin işletmeye maliyeti farklı olduğu için karar eşiği buna göre ayarlanır. Kritik uygulamalarda sistem doğrudan ayırma yapmak yerine önce şüpheli parçaları insan denetimine yönlendirir; güven verileri biriktikçe otomatik karar kapsamı kademeli olarak genişletilir.
Son güncelleme:
Bültenimize abone olun
Yeni yazılarımızdan ve ürün haberlerimizden e-postayla haberdar olun.


