Güncelleme: Temmuz 2026 · 7 dk okuma · Mert Aytunur · Mechanical Engineer, University of Illinois Chicago
Anomali tespiti bir üretim hattında hangi sorunu çözer?
En çok zarar veren kusur, kimsenin planlamadığı kusurdur: on binde bir ortaya çıkan ve hiçbir muayene kuralına yazılmamış olan bir kılcal çatlak, bir eksik dolum, bir kontaminasyon lekesi. Geleneksel kontroller yalnızca birinin önceden tarif ettiği kusurlara bakar; bu yüzden ilk kez görülen bir hata doğruca müşteriye kadar geçip gider ve kaçış hatta değil sahada bulunur.
Anomali tespiti sorunu tersine çevirir. Bir parçanın hangi yollarla bozulabileceğini tek tek tarif etmek yerine, hatasız bir parçanın nasıl göründüğünü öğrenir ve farklı olan her şeyi şüpheli sayar. Kalite ve üretim ekiplerinin, kusur listesi ucu açık olduğunda ve kaçışlar öngöremedikleri şeyler olduğunda ona başvurmasının nedeni budur. İş, bilinen bir hatayla eşleştirmek değildir; bu parçanın iyi bir parça gibi olmadığını fark etmektir.
Anomali tespiti kural tabanlı görü ve sınıflandırmadan nasıl ayrışır?
Üç muayene yaklaşımı üç farklı soruyu yanıtlar. Kural tabanlı görü "bu parça yazdığım bir kurala uyuyor mu" diye sorar, sınıflandırma "bu parça bilinen hangi kategoride" diye sorar ve anomali tespiti "bu parça normalden farklı mı" diye sorar. İlk ikisi hatayı önceden bilmenizi gerektirir; üçüncüsü gerektirmez.
| Boyut | Kural tabanlı görü | Sınıflandırma (denetimli) | Anomali tespiti |
|---|---|---|---|
| Neye ihtiyaç duyar | Özellik başına elle yazılmış kurallar | Çok sayıda etiketli hatasız ve hatalı görüntü | Yalnızca yaklaşık 20 hatasız görüntü |
| Bilinmeyen kusurları yakalar | Hayır, yalnızca bir kuralın tarif ettiğini | Hayır, yalnızca eğitildiği sınıfları | Evet, normalden her sapmayı işaretler |
| En uygun olduğu alan | Barkodlar, sabit ölçüler | Bilinen, tekrarlanabilir kusur türleri | Nadir, ilk kez görülen, çeşitli kusurlar |
| Başlamak için veri | Yok, ama kural başına mühendislik | Yüzlerce etiketli kusur | Hatasız parçalar, kusur kataloğu yok |
| Çıktı | Kural üzerinde geç/kal | Sınıf etiketi artı güven skoru | Bir eşiğe karşı anomali skoru |
Kural tabanlı görü hızlı ve tümüyle açıklanabilirdir ve bir barkod veya sabit bir ölçü için doğru araçtır. Sınıflandırma, görmeyi beklediğiniz her kusur türü için çok sayıda etiketli örneğe sahip olduğunuzda güçlüdür. Anomali tespiti ise uzun kuyruğu kapsayan yaklaşımdır: nadir olanı, çeşitli olanı ve daha önce hiç görülmemiş olanı; ki bunlar tam da sabit bir kuraldan kaçan ve örneklerini toplaması en zor olan kusurlardır.
"Normali öğren, gerisini işaretle" mekanizması nasıl çalışır?
Anomali tespiti, bir dizi hatasız görüntüden hatasız bir parçanın istatistiksel bir tablosunu oluşturur, ardından her yeni parçayı bu tablodan ne kadar saptığına göre skorlar. Öğrenilen normal aralığın içinde kalan bir parça geçer; bunun dışına düşen bir parça bir anomali skoruyla işaretlenir ve bir eşik, bu skoru kontrolörünüzün işlem yapabileceği bir geç/kal sinyaline dönüştürür.
Pratikteki kazanç, veri gereksinimidir. Model yalnızca hatasız parçalar üzerinde eğitildiğinden, başlangıçta bir kusur kataloğunu asla toplamaz, hazırlamaz veya etiketlemezsiniz. Normali tanımlamak için yaklaşık 20 hatasız referans görüntü yeterlidir ve model eğitimi 48 saatten kısa sürede tamamlanır; böylece yeni bir parça, aylar süren bir veri toplama projesi değil iki günlük bir iş haline gelir. Önemli olan, 20 görüntünün gerçekten hatasız bir parçanın doğal değişkenliğini taşımasıdır; böylece renk, doku veya konumdaki sıradan yayılım bir kusur sanılmaz.
Eşik, sonucu şekillendiren tek düğmedir. Sıkı ayarlayın, ünite daha çok parça işaretler; daha çok gerçek kusur yakalar ama normalin kenarında duran hatasız parçaları da sorgular. Gevşetin, daha az iyi parça sorgulanır ama ince bir kusur altından sıvışabilir. Gerçek bir devreye almada, bu çalışma noktasını bir varsayılana değil, hücrenin bir kaçışa karşı bir yanlış reddin gerçek maliyetine göre ayarlarsınız.
Anomali tespiti gerçek bir hatta yerini nerede hak eder?
Anomali tespiti, kusurların nadir, çeşitli veya tanımsız olduğu her yerde yerini hak eder. Teslim edilen bir kapak muayene hattında, anomali tespiti çalıştıran bir edge-AI ünitesi kırık, kapanmamış ve menteşesi hasarlı kapakları canlı olarak reddederek parça başına yaklaşık 30 ms'de %99,65 F1-skoru ve %0,69 yanlış-negatif oranına ulaşır. Yanlış-negatif oranı bir kalite yöneticisinin izlediği sayıdır; çünkü kaçan kusurların oranıdır ve %0,69, yöntemin bu hatta tuttuğunun denetlenebilir kanıtıdır. Yöntemin araştırmada nasıl puanlandığı ise ayrıca MVTec AD anomali tespiti kıyaslamasında izlenir.
Anomali tespitini kandırması zor kılan aynı özellik onu geniş kapsamlı da kılar. Bir yüzey çiziği iki kez aynı yerde olmaz, bir kontaminasyon lekesinin sabit bir biçimi yoktur ve yeni bir arıza modu devreye almadan bir hafta sonra ortaya çıkabilir. İyiden sapmayı skorlayan bir model, bu üçünü de yeni bir kural olmadan ele alır; bu yüzden kusur listesinin gerçekten açık olduğu yüzey, doku ve montaj kontrollerine uygundur.
Adente Vision, Aden Group bünyesindeki ADENTE Advanced Engineering Technologies tarafından geliştirilen ve otomasyon sistem entegratörleri üzerinden satılan bir edge-AI görsel muayene ünitesidir. Beş muayene modu (Anomali ve Kusur Tespiti, Montaj ve Eksik Parça, Kod Okuma, Ölçüm ve Parça Tanıma) çalıştırır ve ölçüm için klasik görüntü işlemeyi yargı için yapay zeka çıkarımıyla birleştirir; böylece işaretlenen bir parça, kara kutu bir karar yerine denetleyebileceğiniz bir skorla gelir. Ölçülen 30 ms, o belirli hatta ait bir saha sonucudur; kendi parçalarınız ve çevriminiz için taahhüt edebileceğiniz sayı, uygulamaya özgü bir ölçüm gerektirir.
Anomali tespiti ne zaman yanlış araçtır?
Anomali tespiti her kontrolün yanıtı değildir. Özellik bilinen bir sembol veya kesin, iyi tanımlanmış bir ölçüm olduğunda; bir barkod, bir tarih kodu, bağlanmış bir parça üzerinde sabit bir ölçü söz konusu olduğunda, kural tabanlı bir kontrol daha hızlı, daha ucuz ve tümüyle açıklanabilirdir. Parçaları adlandırılmış kategorilere ayırmanız gerektiğinde ve her birinin çok sayıda etiketli örneğine zaten sahipseniz, denetimli sınıflandırma daha iyi bir tercihtir.
En güçlü hatlar nadiren yalnızca birini seçer. Kural tabanlı bir ön filtre, açık durumları belirlenimci hızda ele alır ve anomali tespiti, kuralların hiç yazılmadığı gri bölgeyi ve nadir kusuru kapsar. Her birinin ne zaman kullanılacağına dair tam karar çerçevesi için kural tabanlı ve yapay zeka görüntü işlemeyi karşılaştıran kardeş kılavuza bakın ve 20 hatasız parçadan eğitmenin arkasındaki mekanizma için few-shot anomali yazısına bakın.
Bu yazı, yapay zeka görsel muayene üzerine ana kılavuzun bir uzantısıdır; anomali tespitinin ünitenin çalıştırdığı görevler arasında nereye oturduğunu görmek için gerçek uygulamalara göz atın.