Güncelleme: Temmuz 2026 · 7 dk okuma · Mert Aytunur · Mechanical Engineer, University of Illinois Chicago
"Yapay zeka muayene kulağa iyi geliyor ama onu eğitecek binlerce kusur görüntümüz yok." Bir üretim hattına öğrenen bir model koymaya karşı en sık dile getirilen itiraz budur ve bu sistemlerin nasıl çalıştığına dair eskimiş bir fikre dayanır. Bir yığın etiketli kusura ihtiyacınız yok. Çoğu yüzey ve anomali işi için yaklaşık 20 hatasız parça, başlamaya yeter.
Bu yazıda nedenini, anomali tespiti ile few-shot öğrenmenin bunu nasıl mümkün kıldığını ve veri artık engel olmaktan çıkınca asıl zorluğun nereye kaydığını göreceksiniz.
"Binlerce görüntü" inancı neden eskidi?
Bu inanç, bir modele her kusur sınıfını o sınıfa ait çok sayıda etiketli örnekten tanıması öğretilen klasik denetimli derin öğrenmeden gelir. O yaklaşım gerçekten de büyük, dengeli veri setlerine ihtiyaç duyar: sınıf başına yüzlerce veya binlerce görüntü, her biri elle etiketlenmiş.
Sorun şu ki bu, tam olarak bir fabrikanın sahip olmadığı veridir. Kusurlar doğası gereği nadirdir; bir hat %0,7 kusur oranı üretiyorsa, birkaç yüz hatalı parça toplamak için on binlerce parça çalıştırmanız gerekir ve yine de henüz gerçekleşmemiş hata modunun örneğine sahip olamazsınız. Denetimli bir veri setini baştan kurmak yavaş, pahalı ve her zaman eksiktir.
Anomali tespiti problemi tersine çevirir. Bir parçanın yanlış olabileceği her yolu öğrenmek yerine, doğrunun nasıl göründüğünü öğrenir ve hatasız parçalar, sağlıklı bir hattın bolca ürettiği tek şeydir.
Anomali tespiti nasıl çalışır?
Anomali tespiti, hatasız parçaların görünümünü öğrenir ve bu öğrenilmiş dağılımın dışındaki her şeyi kusur olarak ele alır. Ona küçük bir hatasız örnek seti gösterirsiniz, o bir normal modeli kurar ve çalışma anında her yeni parçayı ne kadar saptığına göre skorlar.
| Denetimli kusur tespiti | Anomali tespiti | |
|---|---|---|
| Ne öğrenir | Her adlandırılmış kusur sınıfı | Hatasız parçanın görünümü |
| Gereken veri | Sınıf başına çok sayıda etiketli kusur | Başlamak için ~20 hatasız parça |
| Görülmemiş kusuru yakalar | Hayır, yalnızca eğitilen sınıflar | Evet, her sapmayı işaretler |
| En iyi | Kusur kataloğu sabit ve bilindiğinde | Kusurlar nadir veya öngörülemezken |
Pratik sonuç: anomali tespiti, kimsenin önceden fotoğraflamadığı kusuru yakalar, çünkü belirli bir kusuru aramaz; normal olmayan her şeyi arar. MVTec Anomaly Detection veri seti gibi kamuya açık kıyaslamalar bunu bir pazarlama iddiası değil, iyi çalışılmış ve ölçülebilir bir alan haline getirmiştir. O tabloyu okurken terimleri karıştırmayın: işaretlenen bir parça bir anomalidir, otomatik olarak bir kusur ya da uygunsuzluk değil; bu üç kelimeyi birbirinden ayıran şey hangisini raporlayacağınızı belirler.
Few-shot öğrenme nedir ve yeni bir varyantı nasıl eklersiniz?
Few-shot öğrenme, modele çok az sayıda örnekten yeni bir kavramı öğretebilme yeteneğidir. Muayenede bu, çalışan bir sistemi eğitimi baştan başlatmadan yeni bir parça veya varyanta genişletmenizi sağlayan şeydir.
Diyelim ki hattınız ikinci bir muhafaza varyantı ekledi. Yeni bir veri seti toplamak yerine, sisteme yeni varyantın birkaç hatasız örneğini gösterirsiniz. Normal kavramını yeni parçayı içerecek şekilde uyarlar ve aynı gün yeniden muayeneye başlar. Aynı mekanizma mevsimsel değişiklikleri, yeni bir tedarikçinin malzemesini ya da değiştirilmiş bir tasarımı da ele alır: referans setini yeniden kurmaz, üzerine eklersiniz.
İlk günden kullanılabilen bir sistem ile her değişiklikten önce aylar süren bir veri kampanyası isteyen bir sistem arasındaki fark tam da budur.
Pratik bir veri planı: başla, ince ayar, uyarla
Bir veri stratejisi dokümanına ihtiyacınız yok. Üç harekete ihtiyacınız var.
- 01Başla, üretiminizin normal aralığını temsil eden yaklaşık 20 hatasız parça toplayın (doğal renk ve doku varyasyonu dahil). Bu, anomali tespitinin çalışması için yeterlidir.
- 02İnce ayar, sistemin belirli, tekrar eden bir kusuru yalnızca işaretlemesini değil adlandırmasını istediğinizde, o kusur sınıfının küçük bir etiketli setini ekleyin. Yalnızca gerçekten kategorize etmeyi umursadığınız kusurları etiketlersiniz.
- 03Uyarla, yeni bir varyant veya süreç değişikliği için birkaç hatasız referans görüntü ekleyin. Model, sıfırdan yeniden eğitmek yerine temelini günceller.
Sahada, bu şekilde eğitilen bir model hızla hazır olabilir: teslim edilmiş bir kapak muayenesi hattında eğitim 48 saatin altında tamamlandı ve parça başına yaklaşık 30 ms’de çalıştı. Önemli olan sayılar hala parçanızda ölçülen F1-skoru ve yanlış-negatif oranıdır; ama buradaki nokta, bunlara ulaşmanın artık bir veri toplama projesi gerektirmediğidir. (Bu doğruluk metriklerinin nasıl çalıştığı için Yapay Zeka Görsel Muayene rehberine bakın.)
Asıl darboğaz veri değil, aydınlatma ve fikstür
Eğitim yalnızca ~20 görüntüye ihtiyaç duyduğunda, bir kurulumun en zor kısmı artık model değildir. Parçanın temiz, tekrarlanabilir bir görüntüsünü baştan elde etmektir.
Aydınlatma genellikle belirleyici etkendir. Doğru difüz veya koaksiyel ışık bir kusuru modele belirgin kılar; kötü aydınlatma ise algoritma ne kadar iyi olursa olsun aynı kusuru gizler. Fikstür, yani parçayı tutarlı bir konum ve açıda sunmak, diğer yarısıdır. Bir anomali modeli normali referans görüntülerinizden öğrenir; yani parça sallanırsa veya ışık hat hızıyla kayarsa, model bu kararsızlığı bir anomali olarak görür ve yanlış-redler artar. Öğrenilen bu referans seti, görsel muayenede altın numune kavramının modern biçimidir: çekmecede duran tek bir fiziksel usta parça yerine ünite, hatasız parçaların bütün bir dağılımını tutar ve her yeni parçayı bu dağılıma göre skorlar.
Bu, alıcılar için iyi haber: bir satıcıya sorulacak sorular "kaç görüntüye ihtiyacınız var" değil, "aydınlatmamı ve parça sunumumu nasıl ele alıyorsunuz" olmalıdır, çünkü güvenilirlik asıl orada kazanılır veya kaybedilir. Adente Vision, Aden Group bünyesindeki ADENTE Advanced Engineering Technologies tarafından geliştirilen ve otomasyon sistem entegratörleri üzerinden satılan bir edge-AI görsel muayene ünitesidir; birim sevk edilmeden önce kamerayı, aydınlatmayı ve uç işlemi parça sınıfına nasıl eşleştirdiğini görün.