Güncelleme: Temmuz 2026 · 8 dk okuma · Serkan İnkaya · Mechanical Engineer, ODTÜ
Bir muayene modelini sahada ne zaman yeniden eğitmeniz gerekir?
Yeniden eğitim, bir takvimle değil, hattaki bir değişiklikle tetiklenir. Yaygın tetikleyiciler şunlardır: devreye alma sırasında kimsenin belirtmediği yeni bir kusur, bir parça revizyonu veya yeni bir SKU, hatasız bir parçanın nasıl göründüğünü kaydıran bir malzeme veya tedarikçi değişikliği ve yanlış-red ya da kaçış oranının temel çizgisinden uzaklaştığı doğrulanmış model kayması (drift). Bunların her biri, modelin “hatasız” fikrinin ya da bilinen kusurlar listesinin artık hattın gerçekte çalıştırdığıyla eşleşmediğinin bir işaretidir. Parça revizyonu tetikleyicisinin kendine özgü bir operasyonel biçimi vardır: görüntüleri kimin çektiği ve hattın yeni varyantı ne kadar hızlı muayene edebildiği, çalışan bir muayene hattına yeni bir parça varyantı eklemek yazısının konusudur.
Adente Vision, Aden Group bünyesindeki ADENTE Advanced Engineering Technologies tarafından geliştirilen ve otomasyon sistem entegratörleri üzerinden satılan bir edge-AI görsel muayene ünitesidir ve yeniden eğitim, tedarikçi laboratuvarına geri dönmek yerine hat üzerinde gerçekleşecek şekilde kurgulanmıştır. Referans görüntüler istasyonda yakalanır, model edge ünitesi üzerinde eğitilir ve güncellenmiş model eskisinin çalıştığı yerde çalışır. Bu, yeni bir kusurun çok haftalık bir destek talebine dönüşmesini önler.
Yeni bir kusur eklemek kaç görüntü gerektirir?
Yaklaşık 20. Ünite küçük bir referans setinden, kabaca 20 görüntüden eğitilir ve temel muayene yalnızca hatasız parçalar üzerinde çalışır: hatasız bir parçanın nasıl göründüğünü öğrenir ve sapan her şeyi işaretler, böylece başlamadan önce her kusurun kataloğunu oluşturmak zorunda kalmazsınız; bu, MVTec Anomaly Detection veri seti gibi kamuya açık kıyaslamaların ölçtüğü, yalnızca hatasız parçayla çalışan görevdir. Yalnızca anomali olarak işaretlenmek yerine adlandırılmasını ve sayılmasını istediğiniz belirli, tekrar eden bir kusur ortaya çıktığında, onu benzer bir avuç örnekten bir sınıf olarak eklersiniz.
Eğitim 48 saatten kısa sürede tamamlanır, dolayısıyla bir kusur eklemek, aylarla ölçülen bir veri toplama projesi değil, iki günlük bir iştir. Ünite beş modda çalışır (Anomali ve Kusur Tespiti, Montaj ve Eksik Parça, Kod Okuma, Ölçüm ve Parça Tanıma) ve klasik bilgisayarlı görüyü yapay zeka çıkarımıyla birleştirir, böylece bir yeniden eğitim, tüm yaklaşımı değiştirmeden anomali kapsamını genişletebilir, bir kusur sınıfı ekleyebilir ya da bir ölçümü hassaslaştırabilir. Ana nokta, veri gereksiniminin hatta tek bir vardiyada toplanacak kadar küçük olmasıdır.
Hat üzerinde iyi ve kusur referans görüntülerini nasıl yakalarsınız?
Referans setini gerçek istasyondan, gerçek aydınlatma altında, gerçek çalışma mesafesinde yakalayın, çünkü çalışma koşullarıyla eşleşen görüntüler üzerinde eğitilmiş bir model, doğrulamada davrandığı gibi davranır. “İyi” referansı için güncel hatasız parçaları, adlandırılmış bir kusur için ise o kusurun benzer bir örnek setini toplayın. Gerçek kusurlu parçalar en iyisidir; bir kusurun gerçekten nadir olduğu durumda, hattın ürettiği her örneği saklayın ki set zamanla büyüsün.
İki alışkanlık bir saha yeniden eğitimini dürüst tutar. Birincisi, yalnızca kusursuz olanları değil, hatasız parçaların normal yayılımı boyunca yakalama yapın, böylece sıradan varyasyon daha sonra bir kusur olarak okunmaz. İkincisi, görüntüleri güncel hattı temsil eder tutun; aydınlatma, fikstür veya malzeme değiştiyse eskisini yeniden kullanmak yerine hatasız seti yeniden yakalayın, çünkü model geçen çeyreğin değil, bugünün hattını öğrenmelidir.
Üçüncü alışkanlık, kayıt tutmaktır. Her referans setini tarih, parça revizyonu ve yakalandığı koşula göre etiketleyin, böylece herhangi bir model, onu üreten görüntülere kadar izlenebilir. Daha sonraki bir yeniden eğitim geriye gittiğinde, boş bir hattan başlamak yerine işe yarayan seti bulmanızı ve ondan yeniden inşa etmenizi sağlayan şey bu kayıttır.
Hangi tetikleyici hangi görüntülere ve adımlara ihtiyaç duyar?
Farklı değişiklikler farklı referans setleri ve kontroller gerektirir. Refleks olarak yeniden eğitmek yerine tetikleyiciyi doğru yeniden eğitim eylemiyle eşleştirin.
| Yeniden eğitim tetikleyicisi | Ne yakalanmalı | Adımlar ve kontrol |
|---|---|---|
| Yeni kusur türü ortaya çıkar | Kusurdan yaklaşık 20 örnek artı güncel hatasız parçalar | Kusur sınıfını ekleyin, yeniden eğitin (48 saatten kısa), bilinen hatalı parçalarda kaçışları doğrulayın |
| Parça revizyonu veya yeni SKU | Revize edilmiş parçadan yaklaşık 20 hatasız görüntü | Yalnızca hatasız parçalar üzerinde eğitin, yeni hatasız parçada yanlış redleri doğrulayın |
| Malzeme veya tedarikçi değişikliği | Yeni malzemeden hatasız parçalar | Modeli yeniden temel çizgiye alın, kayma belirtisi için yanlış redleri izleyin |
| Mevsimsel veya aydınlatma değişimi | Yeni koşul altında hatasız parçalar | Yeniden temel çizgiye alın ya da yeniden eğitin, geçişten sonraki ilk parçalarda teyit edin |
| Doğrulanmış model kayması | Yeni bir hatasız küme ve güncel redler | Yeniden eğitin, önceki modeli yedek olarak saklayın |
Yeniden eğitilmiş bir modeli canlıya almadan önce nasıl doğrularsınız?
Yeni model gerçek üretim üzerinde karar vermeye başlamadan önce her iki hata türü için de doğrulayın. Bilinen hatasız parçaları içinden geçirip yanlış redleri, yani yanlışlıkla reddettiği hatasız parçaları sayın; sonra bilinen hatalı parçaları geçirip kaçışları, yani gözden kaçırdığı kusurları sayın. Kaçışları düşüren ama yanlış redleri ikiye katlayan bir yeniden eğitim bir iyileşme değil, farklı bir ödünleşimdir; bu ödünleşimi hatta ulaşmadan önce görmek istersiniz.
Doğrulanmış bir modelin neye benzediğine dair referans olarak kanıtlanmış bir kurulumu kullanın. Teslim edilmiş bir kapak muayene hattında ünite, %99,65 F1 skoruna %0,69 yanlış-negatif oranı ile ulaştı; bu, iyi bir modelin koruduğu türde bir dengedir: bir yanlış red duvarı olmadan az kaçış. Bunları sağlıklı bir sonucun biçimi için ölçüt olarak ele alın, farklı bir parçada yakalayacağınız bir sayı olarak değil: kendi kusurunuz için taahhüt edebileceğiniz yanlış-red ve kaçış oranları, kendi parçalarınız ve aydınlatmanız üzerinde uygulamaya özgü bir ölçüm gerektirir. Doğrulamanın amacı, iki hata oranını varsaydığınız değil, gerçekten ölçtüğünüz bir modeldir.
Eski modeli yedek olarak saklayabilir misiniz?
Evet ve saklamalısınız, çünkü yeniden eğitim bir değişikliktir ve değişiklikler ara sıra geriye gider. Önceki modeli erişilebilir tutun ki yenisi ilk üretim parçalarında yanlış davranırsa, hat baskısı altında değil, rahat rahat bir arızayı inceleyerek çalıştığı bilinen sürüme geri dönebilesiniz. Yeni modeli, yalnızca doğrulama için ayırdığınız parçalarda yanlış-red ve kaçış kontrollerini geçtikten sonra devreye alın.
Ağdan yalıtılmış (air-gapped) bir hatta bu basit kalır: modeller USB bellekle taşınır, dolayısıyla önceki sürüm ünite üzerinde ya da bellekte tutulup ağ olmadan yeniden yüklenebilir. Edge’de yeniden eğitmek, gerçek parçalarla doğrulamak ve bir yedek saklamak, “yeni bir kusur ortaya çıktı” durumunu bir acil durumdan, kendi ekibinizin yürütebileceği rutin, iki günlük bir operasyona dönüştürür. En baştan neden 20 görüntünün yeterli olduğu için 20 görüntüyle muayene üzerine kardeş yazıya bakın; bu kontrollerin devreye almadaki yerini görmek için uygulamalar sayfasına; yöntemin tamamı için ana kılavuza bakın.