Plastik enjeksiyon parçalar, talaşlı imalattan çıkan metal bloklar veya preslenmiş otomotiv gövdeleri belirli bir CAD modeline göre üretilir. Bu ürünlerde geometri, renk ve yüzey dokusu milimetrenin altında toleranslarla sabittir. Bu nedenle endüstriyel görüntü işlemede iki ürünün birebir aynı olması beklenir.

Ancak iş yumurta, tavuk/et karkasları, işlenmiş deri, ahşap veya taze tarım ürünlerine geldiğinde imalatın kuralları tamamen değişir. Doğada üretilen hiçbir ürün bir diğeriyle aynı değildir. Her parçanın kendine has renk dalgalanması, anatomik yapısı, damar dokusu veya yüzey formu vardır.

Son yıllarda popülerleşen Jenerik Anomali Tespiti (Unsupervised Anomaly Detection) modelleri, standart endüstriyel parçalarda başarılı sonuçlar verse de gıda, deri ve doğal malzeme işleyen hatlarda ciddi bir finansal ve operasyonel tıkanıklığa yol açar.

Bu yazıda, yüksek varyasyonlu ürünlerde anomali modellerinin neden başarısız olduğunu ve sahada gerçek hurda oranlarını düşüren alternatif derin öğrenme mimarilerini inceliyoruz.

1. Anomali Tespiti Mantığı Neden Doğal Ürünlerde Çöker?

Anomali tespiti algoritmaları (Autoencoder’lar, Feature Embedding tabanlı modeller vb.) temel olarak “sadece sağlam parçaları görerek eğitilen” yapılardır. Sisteme binlerce kusursuz parça gösterilir ve model “normal”in matematiksel bir haritasını çıkarır. Sistem, bu haritanın dışına çıkan her piksel kümesini “anomali” (hata) ilan eder.

Metal bir bilyede veya düz beyaz bir beyaz eşya panelinde bu mantık mükemmel çalışır. Çünkü “normal” kümesi çok dardır.

Ancak gıda veya deri gibi doğal ürünlerde:

• “Normal” kümesi sonsuz genişliktedir: İki sağlam tavuk karkasındaki yağ dağılımı aynı değildir. İki doğal deri tabakasının gözenek ve çizgi yapısı farklıdır. Bir yumurtanın kabuk pikmentasyonu, kabuk kalınlığı  yer yer koyulaşabilir.

• Sistem doğal çeşitliliği “Hata” sanır: Anomali modeli, daha önce görmediği ama ürünün tamamen doğal bir varyasyonu olan dokuyu “tanımsız” olarak algılar ve anomali skoru tavan yapar.

2.  “Yalancı Hata” (False Positive / Overkill)

Üretim hatlarında kalite kontrol yöneticilerinin ve fabrika müdürlerinin en çok çekindiği durum yani sağlam ürünün hatalı sanılarak ıska/çöp kutusuna atılmasıdır.

Bir anomali modeli doğal ürün hattına kurulduğunda şu senaryo yaşanır:

1. Model kurulur ve “standart dışı” görünen her şeyi yakalamaya başlar.

2. Yakalanan parçaların %60-%70’inin aslında ticari olarak tamamen satılabilir, standartlara uygun doğal parçalar olduğu görülür.

3. Hat yönetimi, sağlam ürün çöpe gitmesin diye modelin hassasiyet eşiğini (threshold) düşürmek zorunda kalır.

4. Eşik düşürülünce bu kez gerçek kılcal çatlaklar, kan lekeleri veya deri üzerindeki derin çizikler kaçmaya başlar (Underkill).

Müşterinin “Bana anomali skoru 0.85 diyen bir siyah kutu getirmeyin; bunun tam olarak ne hatası olduğunu söyleyin” demesinin temel nedeni budur. Fabrika yönetimi soyut bir sapma puanı değil, somut bir hata sınıflandırması ister.

3. Sektörel Saha Örnekleri

4. Çözüm Mimarisi: Çok Sınıflı Nesne Tespiti ve Bölütleme (Multi-Class Segmentation)

Gıda ve doğal malzeme sektöründe otonom kalite kontrolü kararlı kılmak için Gözetimsiz Anomali Tespiti yerine Gözetimli Çok Sınıflı Segmantasyon (Supervised Multi-Class Segmentation) mimarilerine geçilmelidir.

Adım 1: Kusur Tiplerinin Spesifik Olarak Etiketlenmesi

Yapay zekaya sadece “bu sağlam, bu hatalı” denmez. Sahada kabul edilebilir ve edilemez durumlar ayrıştırılarak model eğitilir:

• Sinif_1: Kılcal Çatlak

• Sinif_2: Hematom / Kan Lekesi

• Sinif_3: Yüzey Yırtığı

• Sinif_4: Doğal Benek / Doku (Tolere Edilebilir)

Model neyi arayacağını doğrudan pikseller düzeyinde öğrendiğinde, parçanın geri kalanındaki doğal renk ve biçim değişikliklerini tamamen göz ardı eder.

Adım 2: Konum ve Alan Bazlı Dinamik Tolerans Matrisi

Yapay zeka piksel bazında hatayı tespit ettikten sonra karar doğrudan bir yazılım mantığına (Rule-Engine) aktarılır:

• Hata Alanı Hesabı: Tespit edilen lekenin boyutu kaç milimetrekare? (Örn: 1 mm²’nin altındaki leke OK, üstü NOK).

• Bölgeye Göre Karar: Hata ürünün kritik bölgesinde mi (örneğin etin merkezinde mi), yoksa kenarda kesilip atılacak alanda mı?

Bu sayede yapay zeka sadece bir “görsel algılayıcı” olarak çalışır; kararı ise fabrikanın ticari kalite standartları verir.

5. Saha Uygulama Prensipleri

POYRAI olarak yüksek varyasyonlu gıda, tarım ve endüstriyel yüzey hatlarında uyguladığımız mühendislik prensipleri:

1. Sentetik Veri ve Çoklu Ortam Eğitimi:

   Farklı sürümlerden, farklı tedarikçilerden gelen ürünlerin doğal renk ve doku çeşitliliği veri setine sürekli dahil edilir. Model sadece tek bir tedarikçinin ürününe göre aşırı öğrenme (overfitting) yaşamaz.

2. Optik Dalga Boyu Seçimi (Bölgesel Aydınlatma):

   Renk dalgalanmalarını bastırmak için bazen beyaz ışık yerine monokromatik (örneğin sadece kırmızı veya kızılötesi/NIR) aydınlatmalar kullanılır. Böylece ürünün yüzey rengi sıfırlanırken, sadece fiziksel çöküntü ve çatlaklar belirginleştirilir.

3. Edge PC Üzerinde Milisaniyelik Karar:

   Yüksek bant hızlarında akan gıda veya paketleme hatlarında tüm bu çok sınıflı segmantasyon modelleri hat yanındaki Edge PC üzerinde 15-20 ms içinde çalıştırılır. Sinyal doğrudan PLC’ye verilerek hatalı parça ayrılır.

Üretim Hattınızda Doğal Ürün Varyasyonu Kaynaklı Iskartalara Son Verin

Gıda, deri, ahşap veya tarım sektöründeki hattınızda jenerik anomali yazılımları nedeniyle sağlam ürünleriniz “hatalı” sanılıp çöpe mi gidiyor? Ya da yüksek fire vermemek için hassasiyet düşürüldüğünde gerçek kusurlar müşteriye mi kaçıyor?

POYRAI olarak hazır paket yazılımlar değil; ürününüzün doğal dokusunu tanıyan ve fabrikanızın kalite standartlarına göre karar veren saha odaklı derin öğrenme sistemleri kuruyoruz.