Endüstriyel üretim hatlarında az sayıda veri ile öğrenebilen görüntü işleme teknolojisi ile kusurlu ürün tespiti

Geçmişten günümüze, sanayi devriminin başlangıcıyla seri üretim hatları her sektör için farklı şekilde geliştirilmiştir. Seri üretime geçilmesiyle, mekanik ve teknik hatalar sebebiyle bu hatlarda üretilen tüm ürünlerin hatasız çıkması mümkün olmamaktadır. Bu sebeple kalite kontrol süreçleri içinde farklı çözümler üretilmeye çalışılmıştır. Geleneksel olarak, üretim hatlarındaki hata tespiti insan gözlemciler tarafından yapılmaktadır. Bu yöntem, yüksek dikkat gerektiren ve yorucu bir iş olup, hataya açık bir süreçtir. Ayrıca, bu yöntemle hataların tespiti zaman alıcı ve maliyetli olabilir. Yapay zeka (AI) teknolojilerinin yükselişiyle birlikte, hata tespiti için yeni çözümler geliştirilmeye başlanmıştır. Yapay zeka tabanlı sistemler, hızlı ve doğru hata tespitiyle ön plana çıkmaktadır. Ancak, mevcut AI sistemlerinin etkin bir şekilde çalışabilmesi için büyük miktarda veri gerekmektedir. Dahası, özellikle az veri bulunan veya sürekli değişen üretim ortamlarında, bu sistemlerin performansı düşmektedir. Bunun sonucu olarak az veri ile anomali tespiti ayrı bir çalışma alanı haline gelmiştir. Bu çalışmada 400 hatasız ve 10 anomali içeren, metal içecek kutularıyla veri seti oluşturulmuştur. Yöntem olarak RD4AD ve RegAD modelleriyle birlikte YOLOv8 segmentasyon modeli ve RegAD'nin birleştirildiği hibrit model kullanılmıştır. Veri seti içindeki resimler üzerinde herhangi bir ön işlem gerçekleştirilmemiştir. Bu çalışmada önerilen hibrit model, YOLOv8 segmentaston modeli anomali içeren resimler üzerinde 50 dönem eğitilmiş ve RegAD için 8 atışlık yöntem kullanılarak veri seti üzerinde sonuçlar ölçülmüştür. Sonuç olarak bu çalışmada önerilen hibrit modelin özelleştirilmiş veri seti üzerinde diğer yöntemlere göre %10'dan fazla bir oranda daha semantik bir başarı gösterdiği görülmüştür.