Görsel Denetim

Görsel denetim, yüzey hatalarını veya kusurları tespit etmeye yönelik bir görevdir. Genellikle üretim, inşaat ve havacılık gibi sektörlerde uygulanır.

Otomatik Görsel Denetim Sistemleri

Üretim endüstrisinde, yüksek çözünürlüklü kameralarla donatılmış otomatik görsel denetim sistemleri, insan gözünün tespit etmesi zor olan mikroskobik veya hatta nanoskala kusurları verimli bir şekilde algılar. Ancak, bilinmeyen veya farklı kusurlar mevcut olduğunda yanlış tespitler bazen meydana gelebilir, bu da önemli bir zorluktur. Bu nedenle, MATLAB® ve Computer Vision Toolbox™ Automated Visual Inspection Library gibi derin öğrenme teknolojisine sahip yazılımlar daha önemli bir rol oynamaktadır.

MATLAB’da derin öğrenme kullanılarak anormallikleri vurgulanan montaj kartı.

MATLAB ve Computer Vision Toolbox ile Otomatik Görsel Denetim Sistemi Geliştirme

MATLAB ve Computer Vision Toolbox Automated Visual Inspection Library ile görsel denetim sistemleri geliştirebilirsiniz. MATLAB, görüntü ediniminden algoritma geliştirmeye ve ardından dağıtıma kadar tüm iş akışını destekler. MATLAB’daki etkileşimli uygulamalar, mühendislerin algoritmaları keşfetmelerine, yinelemelerine ve otomatikleştirmelerine yardımcı olarak verimliliği artırır. Mühendisler, bu teknikleri birçok endüstriyel uygulama için uygularlar.

Başarı Hikayeleri: Otomotiv ve Havacılık Endüstrilerinde Otomatik Görsel Denetim

Örneğin, otomotiv parçası üreticisi Musashi Seimitsu Industry’nin manuel olarak çalıştırılan Görsel Muayene sistemi ayda yaklaşık 1,3 milyon parçayı denetledi. Farklı anormallik türlerini tespit etmek ve yerelleştirmek için derin öğrenmeye dayalı yaklaşımlar geliştirmek üzere MATLAB’ı kullanarak, konik dişlileri incelemek için otomatik bir Görsel Muayene sistemi oluşturdu. Güncellenen yaklaşımın, şirketin iş yükünün yanı sıra maliyetlerini de önemli ölçüde azaltması bekleniyor.

Musashi Seimitsu Industry, otomotiv parçalarının otomatik görsel denetimi için MATLAB ile derin öğrenme kullanmaktadır.

Benzer şekilde Airbus, uçaklarının hizmete girmeden önce kusurlu olmadığından emin olmak için birden fazla uçak bileşenindeki herhangi bir kusuru otomatik olarak tespit etmek için güçlü bir Görsel Muayene yapay zeka (AI) modeli oluşturdu. MATLAB ortamını kullanmak, etkileşimli olarak prototip oluşturma ve kusurları kısa sürede test etme sürecini basit hale getirdi.

Airbus, MATLAB kullanarak birden fazla uçak bileşenindeki kusurları otomatik olarak tespit eden sağlam bir görsel denetim yapay zeka modeli geliştirdi.

Hikayeyi Oku 

Hata Tespiti Süreci: Veri Hazırlığı, Yapay Zeka Modelleme ve Dağıtım

Kusur tespiti süreci üç ana aşamaya ayrılabilir: veri hazırlığı, yapay zeka modelleme ve dağıtım 

MATLAB ile uçtan uca otomatik görsel denetim iş akışı.

Görsel denetim için, anormal görüntüler bazen nadir veya çeşitlidir. Bu durumda, yalnızca normal görüntülere ihtiyaç duyan denetimsiz öğrenme kullanarak bir anomali tespit cihazı eğitebilirsiniz. Eğer yeterli sayıda anormal görüntü varsa, denetimli öğrenme kullanılabilir.

Aşağıdaki bölümde, denetimsiz öğrenme yöntemleriyle anomali tespiti ve denetimli öğrenme ile nesne tespiti için gerekli adımları ve pratik MATLAB işlevselliklerini öğrenebilirsiniz.

Görsel Denetim için Veri Hazırlığı

Veri birden fazla kaynaktan gelir ve genellikle yapılandırılmamış ve gürültülüdür, bu da veri hazırlığı ve yönetimini zor ve zaman alıcı hale getirir. Veri setindeki görüntülerin ön işlenmesi, anomali tespitinde daha yüksek doğruluk sağlar. 

MATLAB ile Görüntü Ön İşleme

MATLAB, çeşitli ön işleme tekniklerini desteklemek için birkaç uygulama sunar. Örneğin, MATLAB’daki Registration Estimator uygulaması, hizalanmamış görüntüleri kaydetmek için farklı algoritmaları keşfetmenize olanak tanır ve bu, yapay zeka modellerinin kusurları tespit etmesini kolaylaştırır.

MATLAB’daki Registration Estimator uygulaması, görüntü ön işlemesini kolaylaştırmaya yardımcı olur.

MATLAB, etiketleme sürecini hızlandırmak için otomasyon yetenekleri sunar. Örneğin, Image and Video Labeler uygulaması, bir görüntü veya video karelerindeki bölgeleri veya nesneleri etiketlemek için özel semantik segmentasyon veya nesne tespiti algoritmalarını uygulayabilir.

Görsel Denetim için Yapay Zeka Modelleme

Görsel Denetimde Kullanılan Anomali Tespiti Yöntemlerinin Karakteristikleri
Görsel denetim için mevcut anomali tespit cihazları şunları içerir:

• Tam konvolüsyonel veri tanımlaması (FCDD)
• FastFlow
• PatchCore

Aşağıdaki tablo, eğitim ve çıkarım sırasında Computer Vision Toolbox Automated Visual Inspection Library aracılığıyla mevcut olan bu anomali tespiti yöntemlerinin özelliklerini ve performansını ayırt etmektedir.

Görsel Denetimde Anomali Eşiği ve Açıklanabilir Yapay Zeka

Anomali tespiti yöntemlerinde, anomali eşiğinin otomatik hesaplanması, insan bağımlı değerlendirme farklılıklarını önlemeye yardımcı olur. Açıklanabilir yapay zeka görünümü ile yapılan değerlendirme, sınıflandırma sonuçlarını keşfetmeyi ve yorumlamayı sağlar. 

Açıklanabilir yapay zeka görünümü, görsel denetimde yapay zekayı başarılı bir şekilde uygulamanın anahtarıdır.

Görsel Denetimde Denetimli Öğrenme için Kullanılan Önceden Eğitilmiş Ağlar

Derin öğrenme, denetimli öğrenmede uygulanırken iki farklı yaklaşım vardır. Bir yaklaşım, sıfırdan bir derin ağ oluşturup eğitmektir. Diğeri ise transfer öğrenme olarak da bilinen, önceden eğitilmiş bir sinir ağını uyarlayıp ince ayar yapmaktır. Her iki yaklaşım da MATLAB’de kolayca uygulanabilir.

Derin Ağ Tasarımcısı Uygulaması ile Derin Öğrenme Ağları Oluşturma, Düzenleme ve Eğitme 

MATLAB, derin öğrenme ağları oluşturmanıza, görselleştirmenize, düzenlemenize ve eğitmenize olanak tanıyan Deep Network Designer uygulamasını sunar. Ayrıca, ağ mimarisinin doğru tanımlandığından emin olmak ve eğitimden önce olası sorunları tespit etmek için ağı analiz edebilirsiniz.

MATLAB’de harici platformlardan önceden eğitilmiş ağları kullanarak, TensorFlow™, PyTorch® ve ONNX™ model formatından veya formatına ağları ve ağ mimarilerini içe aktarabilirsiniz. Bu önceden eğitilmiş ağları kullanabilir ve transfer öğrenme için düzenleyebilirsiniz.

Deep Network Designer uygulamasında birçok önceden eğitilmiş model mevcuttur.

Kusurları Tespit ve Konumlandırma için Nesne Tespiti

YOLOX gibi nesne tespiti yöntemleri, bir görüntüdeki kusurları tespit etmek, konumlandırmak ve sınıflandırmak için kullanılır. YOLOX nesne tespiti modeli, küçük nesnelerin tespitine yardımcı olan, model boyutunu önemli ölçüde azaltan ve önceki YOLO modellerine kıyasla hesaplama hızını artıran tek aşamalı, ankorsuz bir tekniktir. Dikdörtgen ilgi alanları (ROI) ile etiketlenmiş dışa aktarılan veriler, nesne tespiti modellerini eğitmek için kullanılır.

Görsel denetimde küçük anormallikleri tespit etmek için YOLOX nesne tespiti.

Deployment of the Visual Inspection System

Code Generation and Deployment Framework

Deep learning models must be incorporated into a larger system to be useful. MATLAB offers a code generation framework that allows models developed in MATLAB to be deployed anywhere, without having to rewrite the original model. This gives you the ability to test and deploy the model within an entire system.

Deployment to Embedded Hardware Platforms First

MATLAB enables you to deploy your deep learning networks to various embedded hardware platforms, such as NVIDIA® GPUs, Intel® and ARM® CPUs, and Xilinx® and Intel SoCs and FPGAs. With the help of MATLAB, you can explore and target embedded hardware easily.

MATLAB, çeşitli gömülü donanım platformlarına yönelik kod oluşturma yeteneğini destekler.

Ayrıca bakınız: MATLAB ile görüntü işleme ve bilgisayarlı görü, Deep Learning Toolbox, desen tanıma, bilgisayarlı görü, üretim analitiği, Image Acquisition Toolbox.