Üretim hatalarını fark etmek, artık yalnızca insan gözüne ya da sabit kurallara bağlı değil. Günümüzde bu süreçler giderek daha akıllı, daha otomatik hale geliyor. Yapay zeka destekli sistemler, üretim hatalarını tespit etmede önemli bir rol oynuyor. Bu sistemlerden biri de son yıllarda adını sıkça duyduğumuz anomali tespiti.
Peki ama nedir bu anomali tespiti? Hangi durumlarda kullanılır, nerede yetersiz kalabilir? Gelin, hep birlikte bu konuyu sade bir dille keşfedelim.
Anomali Tespiti Ne Anlama Geliyor?
Anomali tespiti, en basit haliyle “alışılmadık” durumları yakalama sanatıdır. Üretim hattında bir ürün normalden farklı davranıyorsa — örneğin üzerinde bir çizik, çatlak ya da eksik parça varsa — sistem bunu fark eder ve işaretler.
İşin ilginç yanı, bu sistemler hatalı örnekleri tanımak üzere eğitilmez. Tam tersine, sadece hatasız ürünlerle eğitilir. Yani sistem, neyin “doğru” olduğunu öğrenir. Sonrasında da karşısına çıkan herhangi bir görüntü bu normdan sapıyorsa, onu potansiyel bir hata olarak algılar. Kısacası:
“Bu daha önce gördüğüm ürünlere benzemiyor. Burada bir gariplik var.” demeyi öğrenir.
Gerçek Hayatta Yeterli Oluyor mu?
Kağıt üzerinde bu yöntem gayet etkili gibi görünüyor. Ancak üretim sahasında işler biraz daha farklı ilerliyor. Çünkü müşteriler yalnızca “Bu ürün OK mu, NOK mu?” demekle yetinmiyor. Genellikle şu tür sorular da geliyor:
- Ne tür bir hata var?
- Hata tam olarak nerede?
- Bu hata tekrarlanır mı?
İşte bu gibi durumlarda, sadece anomali olup olmadığını söyleyen sistemler sınıfta kalabiliyor. Hataları türüne ve yerine göre gösterebilen, yani daha açıklayıcı olan segmentasyon modellerine ihtiyaç duyuluyor. Özellikle anlamsal segmentasyon (semantic segmentation) bu alanda öne çıkıyor.
Hangi Alanlarda Kullanılıyor?
Ambalaj Hataları
- Etiketin kayması
- Kapağın düzgün oturmaması
- Ambalajın ezilmesi ya da yırtılması
Metal Parça Kusurları
- Yüzeyde oluşan çizikler
- Vida dişlerinde bozulmalar
- Kaynak bölgelerindeki hatalar
Lojistik Anormallikleri
- Boş ya da eksik kutular
- Fazla ürün yerleştirilmesi
- Paketlerin yanlış konumlandırılması
Anomali tespiti sistemlerinde en sık kullanılan yapı, Autoencoder isimli bir yapay sinir ağıdır. Bu sistem üç ana aşamadan oluşur:
- Encoder (Kodlayıcı): Görüntüyü daha küçük boyutlara indirerek özünü çıkarır.
- Decoder (Çözücü): Bu bilgileri kullanarak görüntüyü yeniden üretir.
- Karşılaştırma: Üretilen görüntü ile orijinali arasındaki fark hesaplanır. Fark büyükse bu bir anomali olarak kabul edilir.
Yani sistem, bir nevi “Ben bu görüntüyü böyle hatırlamıyordum” der ve işaret koyar.
Model Nasıl Eğitilir?
Eğitim süreci, tamamen hatasız (OK) görüntülerle yapılır:
- Görseller, sisteme tanıtılmadan önce normalize edilir.
- Görsel çeşitliliği artırılır (farklı açılar, ışık koşulları vs.).
- Modelin öğrenme gücünü optimize etmek için bazı ayarlamalar (hiperparametreler) yapılır.
- Sistem yalnızca “doğru” olanı öğrenir. Ve bu doğrudan sapmaları yakalamayı amaçlar.
Hangi Yöntem, Hangi Durumda?
Anomali tespiti, özellikle etiketli hata verisi bulunmayan ya da hataların çeşitliliği çok yüksek olduğu durumlarda mükemmel bir başlangıç noktasıdır. Hızlı sonuç verir, düşük maliyetlidir ve genellikle iyi iş çıkarır.
Ancak, müşterinin detaylı bilgi beklediği, hataların türüne göre ayrım yapılmasının önemli olduğu senaryolarda segmentasyon gibi daha ileri seviye yöntemlere geçmek gerekebilir.
