Robot hücresi içerisinde yapay zekâ ve görüntü işleme tabanlı parça besleme kontrolü

Bu çalışma, endüstriyel üretim hatlarında sıklıkla karşılaşılan parça besleme hatalarını önlemek amacıyla, yapay zekâ tabanlı bir görüntü işleme sistemi geliştirmeyi hedeflemektedir. Günümüz üretim süreçlerinde özellikle otomotiv sektörü gibi yüksek hassasiyet gerektiren alanlarda, robotik sistemlerin doğru çalışması büyük önem taşımaktadır. Bu sistemlerdeki en kritik adımlardan biri olan parça besleme sürecinde oluşabilecek en küçük hata bile, kalite sorunlarına, üretim kayıplarına ve ciddi maliyet artışlarına neden olabilmektedir. Bu kapsamda geliştirilen sistem, operatör tarafından parçaların yerleştirildiği bölgeyi kamera ile görüntüleyerek, parçanın doğru konumda olup olmadığını gerçek zamanlı olarak tespit etmektedir.Geleneksel görüntü işleme yöntemlerinin, özellikle aydınlatma değişimi, çapak gibi fiziksel engeller ve benzer arka plan koşullarında yetersiz kaldığı bilinmektedir. Bu nedenle çalışmada klasik yöntemler yerine, derin öğrenme tabanlı bir yaklaşım tercih edilmiştir. Özellikle evrişimli sinir ağı (CNN) mimarisi üzerine kurulu olan YOLOv7-tiny modeli kullanılarak, hızlı ve doğru bir sınıflandırma sistemi oluşturulmuştur. YOLO mimarisi, görüntüyü bir bütün olarak analiz ederek nesne tespitini hem hızlı hem de yüksek doğrulukla gerçekleştirebilmesi sayesinde bu alanda önemli bir avantaj sunmaktadır.Model eğitimi, üretim sahasından toplanan 2400 adet görüntü ile gerçekleştirilmiştir. Verilerin %50'si doğru yerleştirilmiş (OK), %50'si ise hatalı yerleştirilmiş (NG) parçaları içermektedir. NG sınıfındaki verilerin azlığı, yapay veri üretimi ve veri artırma teknikleri ile dengelenmiştir. Bu teknikler arasında renk bozulması (color jittering), histogram eşitleme ve görüntü normalizasyonu yer almakta olup, modelin çevresel değişkenliklere karşı dayanıklı hale gelmesini sağlamıştır. Eğitim süreci sonucunda model %98,07 doğruluk, %98,15 özgüllük (specificity) ve %99,89 kesinlik (precision) oranlarına ulaşmıştır.Donanım olarak sistem, NVIDIA Jetson AGX Orin üzerinde çalışmakta ve görüntü alımı için BASLER acA2500-60uc kamera kullanılmaktadır. Görüntüleme ve analiz süreci tamamlandığında sınıflandırma sonucu, ModBus protokolü ile bir PLC'ye iletilmekte ve sistem otomatik karar alabilmektedir. Ayrıca, Raspberry Pi tabanlı bir ekran ile sistemin durumu kullanıcıya görsel olarak da aktarılmaktadır. Uygulama, çapaklı yüzeyler, ışık yansımaları ve titreşim gibi üretim ortamındaki zorlu koşullar altında test edilmiştir.Sonuç olarak, bu çalışma yalnızca akademik anlamda değil, pratik endüstriyel uygulama açısından da yüksek değer taşımaktadır. Yapay zekânın üretim sahasında doğrudan kullanımı ile hem insan kaynaklı hatalar azaltılmış hem de kalite kontrol süreci otomatikleştirilmiştir. Bu bağlamda çalışma, literatürde az sayıda bulunan gerçek saha uygulamaları arasında yer almakta ve Endüstri 4.0–5.0 vizyonuna somut katkı sağlamaktadır.