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 4 adımlı işleyişi, 2 temel yaklaşımın farkını, üretimdeki 8 kullanım alanını ve projelerin başarısız olduğu 6 tipik durumu sırayla ele alır.

Görüntü işleme nasıl çalışır?

Görüntü işleme akışı, kullanılan teknolojiden bağımsız olarak 4 temel adımdan oluşur: görüntü yakalama, ön işleme, öznitelik çıkarma ve karar. Bu 4 adımın her biri bağımsız bir mühendislik alanıdır ve bir projenin sonucu ilk 2 adımda belirlenir.

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. Endüstriyel denetimde yaygın bir başlangıç noktası 5 MP çözünürlüktür, yani 2448 x 2048 piksellik bir kare; hattın hızına göre 30 kare/saniye veya daha yüksek bir hız seçilir. Hareketli hatlarda hem global shutter deklanşör hem de 1/1000 saniye mertebesinde kısa 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 doğrudan hesaplanabilir: 2448 x 2048 piksellik bir kareden 640 x 640 piksellik bir ilgi alanı almak, işlenecek piksel sayısını 12 kattan fazla azaltır ve karar süresini aynı oranda kısaltır. 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. Bu yaklaşımın sanayideki dönüm noktası 2015'te yayımlanan ve nesne tespitini tek geçişte çözen YOLO makalesidir; aynı yıl çıkan U-Net mimarisi ise az sayıda etiketli örnekle piksel düzeyinde kusur haritası üretmeyi mümkün kıldı. 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. Hızlı hatlarda bu zincirin tamamı, yani görüntüden sinyale kadar geçen süre, 50 milisaniyenin altında tamamlanmak zorundadır. Görüntü işlemenin işletme değeri, bu son adımın mevcut sistemlere bağlanma kalitesiyle doğru orantılıdır.

Klasik görüntü işleme ile derin öğrenme farkı

Klasik görüntü işleme ve derin öğrenme tabanlı görüntü işleme, sahada yan yana kullanılan 2 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 7 ölçüt üzerinden karşılaştırır.

Pratikte üretim uygulamalarının büyük bölümü melezdir: parçanın konumu ve ölçüsü klasik yöntemlerle bulunur, kusur sınıflandırması derin öğrenmeye bırakılır. Melez kurulumlarda tespit modeli ile kural motorunun aynı hat bilgisayarında çalışması, güncel nesne tespiti araç belgelerinde anlatılan hazır çıkarım hatlarıyla 1 hafta içinde ayağa kaldırılabilir. "Her işe yapay zeka" yaklaşımı ise ters etki yapar: kuralla 2 günde çözülecek bir ölçüm işi, haftalarca sürecek 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 alanlarda en sık karşılaşılan 8 başlık aşağıdadır. Zorluk sütunu 3 kademelidir ve aydınlatma kurulumu, veri ihtiyacı ile hata toleransı birlikte değerlendirilerek verilmiştir.

Bu 8 başlığın 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 3 şey belirler: aydınlatma, kamera konumu ve etiketli veri kalitesi. Bu konuda yazılan içeriklerin ağırlığı model mimarilerindedir ve saha atlanır. Oysa model seçimi bu üçlünün en kolay parçasıdır; hazır mimariler olgunlaşmıştır ve benzer işlerde benzer sonuç verir. Fark, kameranın önündeki fiziksel düzenekte 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 ve pratikte 3 düzenek işi görür: parlak yüzeylerde yansımayı kıran difüzör, kenar belirginleştirmek için arkadan aydınlatma, doku kusurlarını görünür kılmak için 10-30 derece aralığında düşük açılı yandan aydınlatma. Kusuru gözle ayırt edilemeyen bir görüntü, modele de bir şey öğretmez.

Kamera konumu ve optik. Kameranın açısı, mesafesi ve objektifi neyin ölçülebileceğini belirler. Eğik açıyla bakan bir kamera perspektif hatası üretir; ±0,1 mm mertebesinde ölçüm yapılacaksa kalibrasyon zorunlu hâle gelir. 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: 3 vardiyanın tamamından, en az 2 farklı tedarikçi partisinden, farklı yüzey ve renk varyantlarından ve gerçek kusur çeşitlerinden örnek bulunmalıdır. Kendi projelerimizde bir denetim istasyonunu pilota almadan önce kusur sınıfı başına 200-500 etiketli örnek hedefleriz; bu, tipik bir hatta 2-4 haftalık bir toplama takvimi demektir. 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 1. fazı olur.

Yüzey kusuru tespiti gibi işlerde ilk adım bir fizibilite çalışmasıdır: kusurun mevcut aydınlatma ve kamerayla görünür hâle gelip gelmediği, 1-2 gün içinde örnek parçalar üzerinde sınanır. Bu adım atlandığında, aylar süren bir yazılım çalışmasının sonunda kusurun görüntüde hiç bulunmadığı ortaya çıkar.

Görüntü işleme ne zaman işe yaramaz, neden başarısız olur?

Görüntü işleme her denetim işine uygun değildir ve bunu proje başlamadan söylemek gerekir. Sahada en sık karşılaşılan 6 başarısızlık nedeni şunlardır.

1. Kusur görüntüde yoktur. İç çatlak, malzeme yorgunluğu, sertlik farkı veya yüzey altındaki boşluk gibi kusurlar görünür ışıkla ölçülmez. Bunlar ultrason, X-ışını, termal görüntüleme veya 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 2-3 hafta içinde 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. 200-500 örneklik bir veri kümesini 50 varyant için kurmak, tek başına yıllık bir işe dönüşür. 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, en az 3 ayda 1 model gözden geçirmesi öngörür. Görüntü işleme kurulan değil, işletilen bir sistemdir.

Görüntü işleme projesinin maliyetini ne belirler?

Görüntü işleme projesinin fiyatı, yazılım satırından çok kapsamla ilgilidir ve 6 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 1-2 haftada biter, 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. Kendi hattınız için hangi istasyonun uygun olduğunu değerlendirmek isterseniz hizmetlerimiz sayfasındaki çözüm başlıklarını inceleyebilirsiniz.

Sık Sorulan Sorular

Görüntü işleme ile bilgisayarlı görü aynı şey mi?

Pratikte evet; Türkiye'de yaygın kullanılan 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 bu 2 alan aynı sistem içinde iç içe çalışır ve tek bir yazılım hattında birleşir.

Görüntü işleme için mutlaka yapay zeka gerekir mi?

Hayır. Ölçüm, barkod okuma, varlık-yokluk ve konum tespiti gibi işler klasik yöntemlerle çözülür; bu yöntemler hem daha hızlı çalışır hem de kararı adım adım açıklar. Yapay zeka modelleri, kusurun kuralla tarif edilemediği ve görünümün doğal olarak çeşitlendiği işlerde belirgin fark oluşturur. Yukarıdaki 8 kullanım alanının ilk 4'ü klasik yöntemlerle, son 2'si ise ağırlıklı olarak derin öğrenmeyle çözülür.

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 kullanılır. Ölçüm veya yüzey kusuru tespiti için ise sabitlenmiş konum, uygun objektif, kontrollü aydınlatma ve 5 MP üzeri tetiklemeli 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 1-2 haftada devreye alınır. Kusur örneklerinin toplanması gereken uygulamalarda ise takvimin ağırlığını 2-4 haftalık veri toplama ve etiketleme aşaması oluşturur; bu nedenle proje planı fizibilite, veri toplama, pilot ve yaygınlaştırma olmak üzere 4 faza bölünür.

Sistem hatalı karar verirse ne olur?

2 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.