Görüntü İşleme Nedir? (Machine Vision — Makine Görüşü)

Görüntü işleme veya makine görüşü, kamera, lens, aydınlatma, yazılım ve otomasyon entegrasyonu kullanarak üründen görsel bilgi çıkarma ve bu bilgiyle karar verme sistemidir. Üretimde en yaygın kullanım alanları kalite kontrol, ölçüm, parça var/yok kontrolü, barkod/QR okuma, robot yönlendirme, sınıflandırma ve hatalı ürünü ayırmadır.

Bu konu, Dijital Dönüşüm haritasındaki 90 çözümden biridir. Görüntü işleme yatırımı sadece kamera takmak değildir; ışık, mekanik konumlandırma, ürün varyasyonu, kabul kriteri, veri seti, otomasyon çıkışı ve kalite süreci birlikte tasarlanmalıdır.

Görüntü İşleme Ne İşe Yarar?

Hatalı ürünleri üretim hattında erken yakalar.
İnsan gözüyle yapılan tekrarlı kontrolleri standartlaştırır.
Ölçü, renk, yüzey, şekil, yön, etiket ve montaj doğruluğunu kontrol eder.
Robot veya kobot için parça pozisyonu ve yön bilgisi sağlar.
Kalite verisini görsel kanıt ve izlenebilirlik kaydıyla destekler.
Fire, rework ve müşteri şikayeti maliyetini azaltmaya yardımcı olur.

Hangi Problemi Çözer?

Operatörün sürekli aynı görsel kontrolü yapması yorucudur ve vardiya ilerledikçe dikkat düşebilir. Bazı hatalar çok küçük, hızlı veya nadir olduğu için insan tarafından tutarlı yakalanamaz. Görüntü işleme sistemi; her parçaya aynı kriterle bakar, kararı kaydeder ve gerekirse ürünü otomatik ayırır.

Ancak sistemin doğru çalışması için “hata nedir?” sorusu net olmalıdır. Çizik, leke, çapak, eksik komponent, yanlış etiket, ters montaj veya renk farkı için kabul ve ret kriteri tanımlanmadığında en iyi kamera bile tartışmalı sonuç üretir.

Temel Bileşenler

Bileşen	Görevi	Dikkat noktası
Aydınlatma	Hatanın görünür olmasını sağlar	Başarının çoğu doğru ışıkla başlar
Lens ve kamera	Gerekli çözünürlük ve görüş alanını sağlar	Piksel/ölçü ilişkisi hesaplanmalıdır
Mekanik fikstür	Parçayı tekrarlı konumlandırır	Değişken pozisyon yanlış ret yaratır
Yazılım/algoritma	Ölçüm, sınıflandırma veya hata tespiti yapar	Klasik kural tabanlı veya yapay zeka seçimi yapılır
Otomasyon entegrasyonu	PLC, robot, ayırıcı veya MES ile haberleşir	Karar süresi çevrim süresine uygun olmalıdır

Klasik Görüntü İşleme mi, Yapay Zeka mı?

Kural tabanlı görüntü işleme; ölçü, kenar, delik, barkod, parça var/yok gibi net ve tekrarlı kontrollerde güçlüdür. Yapay zeka destekli görüntü işleme ise yüzey kusuru, doğal varyasyon, karmaşık doku ve insan gözünün “normal/anormal” diye ayırdığı durumlarda daha uygun olabilir. Doğru seçim, problem tipine ve veri setine bağlıdır.

Araştırmalar Ne Söylüyor?

Makine görüşü, endüstride otomatik kontrol, proses yönlendirme ve robot yönlendirme için görüntüden bilgi çıkaran sistem mühendisliği alanı olarak tanımlanır. Sistem yalnızca görüntü işleme yazılımından oluşmaz; görüntünün doğru alınması, kararın otomasyona doğru aktarılması ve üretim şartlarında tekrarlanabilirlik temel konulardır.

2021 tarihli endüstriyel yüzey hata tespiti çalışması, derin öğrenmenin klasik yöntemlere göre güçlü olmasına rağmen üretimde nadir hata, sınırlı eğitim verisi ve pahalı veri toplama nedeniyle dikkatli tasarlanması gerektiğini belirtir (Martin ve arkadaşları, 2021). 2025 tarihli kapsamlı inceleme ise gerçek üretim ortamlarında açık set hata tespiti, yani eğitimde görülmeyen yeni hataları yakalama kabiliyetinin giderek daha önemli hale geldiğini vurgular (Cheng ve arkadaşları, 2025).

Gerçek Durumdan Çözüm Örnekleri

1. Plastik parçada yüzey lekesi ve çizik kontrolü

Parlak plastik yüzeylerde çizik veya leke insan gözünde açısına göre görünür. Doğru aydınlatma açısı, polarize filtre ve sabit fikstürle hata görünür hale getirilir. Eğer kusurlar çok çeşitliyse yapay zeka modeliyle normal/anormal sınıflandırma yapılabilir. Burada ilk iş algoritma değil, hatayı kameraya görünür kılmaktır.

2. Montaj hattında eksik komponent kontrolü

Elektronik veya mekanik montajda vida, conta, klips ya da etiket eksikliği müşteriye kaçarsa garanti maliyeti doğar. Kamera sistemi her istasyonda parçanın var/yok, doğru yön ve doğru renk kontrolünü yapar. Hatalı parça otomatik durdurulur veya rework alanına yönlendirilir.

3. Robot toplamada parça pozisyonu bulma

Kobot veya robot, parçayı her zaman aynı noktada bulamıyorsa tutma hatası yaşanır. Görüntü işleme sistemi parçanın X-Y konumu ve açısını robota gönderir. Böylece mekanik fikstür ihtiyacı azalabilir veya ürün değişim esnekliği artar.

KOBİ’lerde Uygulama Sırası

Hata tanımını netleştirin: kabul/ret kriterini fotoğraflarla ve ölçü sınırlarıyla belgeleyin.
Numune seti oluşturun: iyi, hatalı, sınırda ve farklı vardiya/lot örneklerini toplayın.
Görüntü alma deneyi yapın: farklı ışık, lens, mesafe ve açıyla hatanın görünürlüğünü test edin.
Çevrim süresini doğrulayın: görüntü alma, analiz ve PLC çıkışı üretim hızına yetişmelidir.
Yanlış kabul/yanlış ret hedefi koyun: sadece toplam doğruluk değil, müşteri kaçağı ve gereksiz fire ayrı izlenmelidir.
Veri saklama planı yapın: tüm görüntüler mi, sadece hatalılar mı, kaç gün saklanacak?

Sistem Seçerken Sorulacak Sorular

Kontrol edilecek hata insan gözüyle tutarlı tanımlanabiliyor mu?
Hata boyutu kaç mm, buna göre kaç piksel çözünürlük gerekiyor?
Parça konumu sabit mi, fikstür gerekiyor mu?
Işık koşulları vardiya ve ortam değişiminden etkileniyor mu?
Kural tabanlı çözüm yeterli mi, yapay zeka modeli gerekli mi?
PLC, robot, MES veya kalite sistemi entegrasyonu nasıl yapılacak?
Model güncelleme, yeniden eğitim ve yetki yönetimi kimde olacak?

Başarı Göstergeleri

Müşteriye kaçan hata sayısı
Yanlış ret oranı
Yanlış kabul oranı
Kontrol çevrim süresi
Hata yakalama sonrası rework süresi
Operatör görsel kontrol yükündeki azalma
Kaydedilen görüntü ve izlenebilirlik oranı
Kalite maliyetindeki düşüş

En Sık Yapılan Hatalar

Işığı küçümsemek: Görüntü kötü alındıysa yazılım sorunu çözemez.
Yetersiz numune ile yapay zeka eğitmek: Model gerçek üretim varyasyonunu görmezse sahada kırılgan olur.
Yanlış ret maliyetini hesaplamamak: Her şüpheli parçayı reddetmek kaliteyi değil fireyi artırabilir.
Fikstürsüz kontrol yapmak: Parça pozisyonu çok değişiyorsa algoritma sürekli tolerans esnetmek zorunda kalır.
Bakım ve temizlik standardı koymamak: Kirlenen lens veya kayan ışık sistemi zamanla bozar.

Sıkça Sorulan Sorular

Görüntü işleme insan kontrolünü tamamen kaldırır mı?

Bazı net kontrollerde evet; ancak başlangıçta insan doğrulaması, sınır örneklerin incelenmesi ve sistem performansının izlenmesi gerekir. Amaç insanı tekrarlı kontrolden alıp istisna yönetimine taşımaktır.

Yapay zeka her görüntü işleme problemi için gerekli mi?

Hayır. Net geometrik ölçüm, barkod okuma, parça var/yok veya renk kontrolünde klasik yöntemler daha basit ve güvenilir olabilir. Yapay zeka, karmaşık yüzey ve doğal varyasyon problemlerinde daha değerlidir.

Küçük üretim hattında görüntü işleme mantıklı mı?

Hata maliyeti yüksekse, kontrol tekrarlıysa veya müşteri şikayeti yaratıyorsa küçük hatta da mantıklıdır. Ölçekten önce hata maliyeti ve kontrol güvenilirliği değerlendirilmelidir.

Görüntü işleme yatırımı KOSGEB desteği kapsamında değerlendirilebilir mi?

Evet. Kalite kontrol otomasyonu, yapay zeka destekli kontrol, üretim izlenebilirliği ve robot yönlendirme kapsamındaki görüntü işleme yatırımları dijital dönüşüm başlığı altında değerlendirilebilir. DDX raporunda hata maliyeti, mevcut kontrol yöntemi ve hedef kazanım açık yazılmalıdır.

Sonuç

Görüntü işleme, kaliteyi üretim hattının sonunda yakalamak yerine proses içinde yönetmeye yarar. Başarılı uygulama için kamera ve yazılım kadar ışık, fikstür, hata tanımı, veri seti, bakım standardı ve otomasyon entegrasyonu birlikte tasarlanmalıdır.

İlgili Çözümler

Tüm çözümleri Dijital Dönüşüm sayfasındaki interaktif haritada inceleyebilirsiniz.

Bu Yatırımı KOSGEB Desteğiyle Planlayın

Görüntü İşleme yatırımınız, KOSGEB KOBİ Dijital Dönüşüm Destek Programı kapsamında 20 milyon TL’ye kadar faiz destekli krediyle finanse edilebilir. Ön şart, TÜBİTAK TÜSSİDE belgeli (yetkili) bir danışman tarafından hazırlanan geçerli bir DDX raporudur — bu raporu doğrudan ben hazırlıyorum ve başvuru sürecinizi uçtan uca yönetiyorum.

Ücretsiz Ön Değerlendirme İçin İletişime Geç →