Otomotiv sektöründe parça kontrolü için yapay zekâ destekli yazılım geliştirilmesi

Otomotiv sektörü teknolojik gelişmelerin en hızlı bütünleştiği ve küresel ekonomiye yön veren önemli endüstrilerden birisidir. Üretim süreçlerinde kalite kontrol mekanizmalarının iyileştirilmesi hem maliyetleri azaltmak hem de ürün güvenilirliğini artırmak açısından kritik bir öneme sahiptir. Geliştirilen yeni nesil teknolojiler, araçlarda kullanılan parçaların karmaşıklığını artırırken kullanılan parçaların da denetlenmesini de zorlaştırmaktadır. Bu sistemlerin güvenli ve doğru çalışması, sadece üretim süreçlerinde değil son kullanıcı güvenliği açısından da hayati önem taşımaktadır. Ulusal Karayolu Trafik Güvenliği İdaresi (NHTSA) tarafından yayınlanan bir araştırmaya göre kazaların yaklaşık %2'si araç bileşenlerinden kaynaklanmaktadır. Bu oran dünya genelindeki kazalar göz önüne alındığında, üretim hatalarının zamanında tespiti ve giderilmesinin önemini vurgulamaktadır. Bu tez çalışmasında, Yapay Zekâ (YZ) ve Derin Öğrenme (Deep Learning, DL) yöntemlerinin otomotiv sektöründe kalite kontrol ve üretim sistemlerine entegrasyonu incelenmiş ve süreçlerin iyileştirilmesine yönelik yenilikçi yaklaşımlar sunulmuştur. Çalışmanın temel amacı, üretim süreçlerinde meydana gelebilecek hataları en aza indirerek kalite standartlarını artırmak, etkin maliyeti azaltmak, üretim süresini kısaltmak, üretim güvenliğini geliştirmek ve endüstriyel süreçlerde sürdürülebilirliği sağlamaktır. Bu amaçla tezde, literatürde var olan yöntemler kullanılarak YZ destekli bir yazılım geliştirilmiş ve yazılımın gerçek zamanlı üretim ortamlarındaki performansı detaylı bir şekilde analiz edilmiştir. Tezin ilk aşamasında, evrişimsel sinir ağları (Convolutional Neural Network, CNN) üzerinden gerçek zamanlı bir veri artırma uygulaması yapılmıştır. Gerçek zamanlı veri artırma, veri artırma yöntemlerinden biridir ancak temel farkı verinin ön-işleme sırasında değil modelin eğitimi sırasında işlenmesidir. Tez kapsamında yapılan çalışmada, Tensorflow geliştirme çatısına Rastgele Rotasyon Yöntemi (RRY) olarak adlandırılan gerçek zamanlı bir veri artırma tekniği eklenmiştir. Bu teknik sayesinde ön-işleme ile veri artırma tekniklerinden farklı olarak, ekstra depolama, nispeten daha az manuel işlem gerektiren, aşırı uyum riskini azaltan ve dinamik eğitim sağlayan bir veri artırma yöntemi sunulmuştur. Önerilen RRY tekniğinin performansı CNN tabanlı bir uygulamada Toyota Otomotiv Sanayi A.Ş. (TMMT) fabrikasından elde edilen veriler üzerinde test edilmiştir. Elde edilen sonuçlar RRY'nin hareketli parçaların daha yüksek doğrulukla tanınmasında mevcut yöntemlere göre performans artışı sağlayabildiğini ortaya koymuştur. Bu yenilikçi yaklaşım, özellikle üretim süreçlerinde hızlı ve güvenilir bir kalite kontrol mekanizması sağlamak için önemli bir adım olarak değerlendirilmiştir. İkinci aşamada, gerçek zamanlı motor parça denetimine odaklanan DL tabanlı bir sistem geliştirilmiş ve sistem TMMT fabrikasında uygulanmıştır. Fanuc CR-15ia modeli bir iş birlikçi robot kullanılarak gerçekleştirilen sistemde, motor parçalarının görsel denetimi için Tekli Atış Dedektörü (Single Shot Detector, SSD) ve Daha Hızlı Bölge Tabanlı CNN (Faster R-CNN) algoritmaları hibrit bir yapı oluşturularak kullanılmıştır. Yapılan uygulamada 1060 adet motor parça görüntüsü üzerinde 2800 nesne etiketlenmiştir. Kullanılan algoritmaların eğitim ve test aşamaları detaylı bir şekilde incelenmiş ve tüm yapının var olan sistemler ile senkronize çalışması sağlanmıştır. TMMT fabrikasından dört aylık bir sürede elde edilen verilere dayanan analizler, algoritmaların 0.5 Birleşim Üzerinden Kesişim (Intersection over Union, IoU) ile Faster R-CNN için %99,4 ve SSD için %95,5 oranlarında doğruluk sağladığını göstermiştir. Hibrit yapıda oluşturulan gerçek zamanlı motor parça denetim sistemi nihai olarak %99,9 doğruluk oranına ulaşmıştır. Bu çalışma hem donanımsal entegrasyon hem de veri paylaşımı açısından önemli bir katkı sunmuş, üretim süreçlerinde güvenlik, ergonomi ve sürdürülebilirlik açışından kayda değer iyileşmeler elde etmiştir. Üçüncü ve son aşamada, İnsan-Robot İş Birliği (Human Robot Collaboration, HRC) ile geliştiren YZ tabanlı görüş sistemleri yenilikçi yöntemlerle birleştirilerek çok yönlü bir yaklaşım sunulmuştur. Catia V5 yazılımı kullanılarak geliştirilen dijital bir ortamda, insan ve iş birlikçi robotlar farklı modlarda simüle edilmiş, CNN ve yapısal benzerlik indeksi (Structural Similarity Index Measure, SSIM) ile desteklenen bölge tabanlı parça takip sistemi oluşturulmuştur. Sistem, ek sensör ya da karmaşık kamera kurulumlarına gerek duymadan üretim süreçlerini daha hızlı ve güvenli hale getirmiştir. Simülasyonlar ve deneysel çalışmalar, önerilen sistemin görev tamamlama sürelerinde ve doğruluk oranlarında önemli iyileşmeler sağladığını göstermiştir. İş birlikçi robotlar ve YZ tabanlı sistemlerin bir arada kullanılması ile nesne tanıma performansında sonuçta %99,12 doğruluk oranına ulaşılmıştır. Ayrıca geleneksel yöntemlere kıyasla görev sürelerinde yaklaşık %49 oranında bir kısalma sağlanmıştır. Ergonomi ve iş güvenliği standartlarını iyileştiren bu sistem üretim süreçlerinin daha akıllı ve sürdürülebilir bir yapıya kavuşmasına önemli katkı sunmuştur. Tez kapsamında yapılan çalışmalar genel açıdan değerlendirildiğinde YZ destekli sistemlerin, kontrol süreçlerinde insan hatalarının azaltılmasında, doğruluğun artırılmasında ve süreçlerin daha şeffaf hale getirilmesinde önemli bir katkı sağladığı görülmüştür. Ayrıca YZ destekli sistemlerin diğer endüstriyel alanlarda da oldukça geniş bir yelpazede kullanılabilir olduğu tespit edilmiştir. Lisan koşulları ve etik açısından gerekli düzenlemeler yapıldığında YZ destekli sistemlerin ekonomik ve operasyonel faydalar sağlayacağı ön görülmüştür. Tez çalışmasında yapılan uygulamalarda NVIDIA RTX 3080ti ekran kartına sahip, 64 GB RAM ve Intel Core i9-12950HX işlemcili dizüstü bilgisayar kullanılmıştır. Geliştirilen algoritmaların etkin çalışmasını sağlamak amacıyla Python 3.8.13, Anaconda 4.12.0 ve TensorFlow 2.9.1 sürümlerinden yararlanılmıştır. Ayrıca, yazılım ortamı kapsamlı kütüphaneler ve optimize edilmiş paketler ile desteklenmiş, böylece veri işleme ve model eğitimi süreçlerinin daha verimli şekilde gerçekleştirilmesi sağlanmıştır. Bu güçlü donanım ve yazılım altyapısı, özellikle büyük veri setlerinin işlenmesi ve karmaşık derin öğrenme modellerinin eğitilmesinde kritik avantajlar sunmuştur. Bu tez çalışması var olan yöntemler kullanılarak hem teknik yenilikler hem de çözüm odaklı yaklaşımlarla sektörel inovasyona katkı sunmayı amaçlamaktadır. YZ tekniklerinin sağladığı ileri veri işleme, karmaşık karar verme ve öngörü yetenekleri üretim süreçlerinin daha etkin, güvenilir ve verimli hale gelmesine olanak tanımaktadır. Tezde sunulan bulgular, YZ tabanlı sistemlerin endüstriyel entegrasyonda sahip olduğu yüksek potansiyeli ortaya koymakta ve bu sistemlerin sektörel dönüşüm üzerindeki belirleyici etkisini güçlü bir şekilde vurgulamaktadır. Spesifik problemler için geliştirilen çözümler, kalite kontrol süreçlerinde doğruluk ve hızın nasıl artırılabileceğini göstererek bu tür sistemlerin sektörel dönüşümdeki önemini bir kez daha ortaya koymaktadır.