Güncelleme: Temmuz 2026 · 8 dk okuma · Serkan İnkaya · Mechanical Engineer, ODTÜ
Muayene YZ’sinde veri kalitesi veri miktarını neden yener?
Yalnızca hatasız parçalar üzerinde eğitilen bir muayene modelinde, küçük bir eğitim kümesinin tutarlılığı, ham sayısından daha önemlidir. Model, referans görüntülerden normalin bir tablosunu kurar; dolayısıyla öğrendiği şey, ona gösterdiğiniz kadar temizdir: sıkıca kontrol edilmiş 20 iyi görüntü, kayan ışık ve çerçeveleme altında çekilmiş binlerce görüntüden normali daha kesin biçimde tanımlar; bu, MVTec Anomaly Detection veri seti gibi kamuya açık kıyaslamaların ölçtüğü, yalnızca hatasız parçayla çalışan düzendir.
Bu, daha fazla verinin her zaman daha iyi olduğu sezgisine ters düşer. O sezgi, hacmin gürültüyü ortalayarak yok ettiği devasa, çeşitli veri kümeleri üzerindeki denetimli öğrenmeden gelir. Küçük bir kümeden normal dağılımı öğrenen bir anomali modeli ise tersine çalışır: her referans görüntü, normalin sınırını doğrudan şekillendirir; bu yüzden kötü bir görüntü hacimle seyrelmez, sınırı kaydırır. Aynı sezgi, ekipleri ellerindekini derlemek yerine fazladan görüntü imal etmeye iter; sentetik kusur verisi bunun nereye vardığını gösterir: gerçek hatta hiç yaklaşmadan büyüyen bir küme.
Pratik sonuç şudur: derleme, toplamayı yener. Her referans görüntünün keskin, tutarlı aydınlatılmış ve gerçekten iyi olduğundan emin olmaya harcanan zaman, doğruluk için daha fazla görüntü toplamaya harcanan zamandan daha fazlasını yapar. Adente Vision, Aden Group bünyesindeki ADENTE Advanced Engineering Technologies tarafından geliştirilen ve otomasyon sistem entegratörleri üzerinden satılan bir edge-AI görsel muayene ünitesidir ve yaklaşık 20 hatasız referans görüntüden eğitilir; işte bu yüzden bu görüntülerin her biri yerini hak etmek zorundadır.
Bir eğitim görüntüsünü temiz yapan nedir?
Temiz bir eğitim görüntüsü, görüntüden görüntüye değişen tek şeyin parçanın kendisi olduğu, etrafındaki koşulların değil, görüntüdür. Aydınlatma, çerçeveleme, odak ve fikstürleme, çalışma anında olacakları kadar sabit olmalıdır; böylece model, tutarsız bir yakalamanın gürültüsünü değil, parçayı öğrenir.
Ağırlığın çoğunu üç koşul taşır. Aydınlatma her karede aynı yoğunluk, renk ve açıda olmalıdır; bu yüzden ünite bir kez ayarlanıp sabit tutulan, yapılandırılabilir aydınlatma (24V’ta yayılı, yönlü veya koaksiyel) kullanır. Çerçeveleme, parçayı aynı konumda ve ölçekte tutmalıdır; böylece aynı özellik aynı piksellere düşer. Odak keskin olmalıdır ve 12 MP global shutter kamera, hareketli bir parçayı, rolling shutter’ın ekleyeceği hareket bulanıklığı olmadan yakalar.
Bunun küçük bir küme için tartışmasız olmasının nedeni, modelin kasıtlı değişimi kazara değişimden kendi başına ayırt edememesidir. Referanslar arasında aydınlatma değişirse, model "normal"in bu aydınlatma salınımını içerdiğini öğrenebilir; bu da sınırı gevşetir ve gerçek kusurların içeri sızmasına izin verir. Öğrenilen normali sıkı tutan şey, yakalamadaki tutarlılıktır.
Temsili değişim ile kazara gürültü arasında ne sayılır?
Temsili değişim, modelin kabul etmesi gereken bir hatasız parçanın gerçek yayılımıdır; kazara gürültü ise yakalamada sabit kalması gerekirken kalmayan her şeydir. İyi bir eğitim kümesi birincisini içerir ve ikincisini dışlar; ikisini birbirinden ayırmak, kümeyi derlemedeki temel yargıdır.
Temsili değişim, bir hatasız parçanın gerçekten sahip olduğu aralıktır: farklı renk partileri, tolere edilen yüzey bitişleri, kalitenin hâlihazırda kabul ettiği küçük kozmetik farklar. Model bu aralığı hiç görmezse, aralığın kenarlarındaki hatasız parçaları reddeder; bu yüzden küme, tek bir kusursuz örneği değil, gerçek hatasız parça popülasyonunu kapsamalıdır. Biraz daha büyük bir kümenin değerini kanıtladığı yer burasıdır; yani fazladan görüntüler tekrarlar değil gerçek değişim eklediğinde.
Kazara gürültü ise tam tersidir: açık bırakılmış bir kapıdan gelen gölge, fikstürde çarpık duran bir parça, mercekteki bir leke, farklı bir pozlamayla çekilmiş bir görüntü. Bunların hiçbiri parçaya ait değildir, ama model bunu bilemez; bu yüzden gürültüyü normale katar. Amaç, gerçek değişimde geniş, geri kalan her şeyde dar olan bir kümedir.
| Eğitim kümesi özelliği | Temiz küme | Gürültülü küme |
|---|---|---|
| Aydınlatma | Her karede aynı yoğunluk, renk ve açı | Karışık gün ışığı ve gölge, pozlama kayması |
| Çerçeveleme | Parça aynı konumda ve ölçekte | Parça kayar, döner veya kısmen kırpılır |
| İçerik | Yalnızca gerçekten hatasız parçalar | Sınırda veya kusurlu bir parça sızar |
| Odak | Keskin, 12 MP global shutter, hareket bulanıklığı yok | Hareket bulanıklığı veya yanlış odak |
| Değişim | Gerçek hatasız parça aralığını kapsar (partiler, ton) | Rastgele, temsili olmayan fazlalıklar |
| Sonuç | Sıkı normal, daha az yanlış red ve kaçış | Gevşek normal, yanlış redler ve kaçırılan kusurlar |
Birkaç hatalı görüntü, yalnızca hatasız parçalar üzerinde eğitilen bir modeli nasıl zehirler?
Birkaç hatalı görüntü, yalnızca hatasız parçalar üzerinde eğitilen bir modeli, normal tanımını gerçek kusurlar içine sığacak kadar gererek zehirler. Model, normalin sınırını referans kümesinden öğrendiği için, yanlışlıkla hatasız olarak dâhil edilen kusurlu bir parça ona kusurun kabul edilebilir olduğunu öğretir; kötü aydınlatılmış veya bulanık bir görüntü de ona bulanıklığın da normalin parçası olduğunu öğretir.
Hasar, hatalı görüntü sayısıyla orantılı değildir; insanları şaşırtan da budur. 20’lik bir kümede, tek bir kirlenmiş görüntü, modelin iyi hakkında bildiği her şeyin %5’idir; dolayısıyla gerçek bir ağırlık taşır. Sonradan daha fazla temiz görüntü eklemek zararı otomatik olarak geri almaz, çünkü hatalı görüntü hâlâ kümededir ve sınırı kaydırmaktadır. Çözüm onu kaldırmaktır, oyla bastırmak değil.
İşte bu yüzden yalnızca hatasız parçalar iş akışı, gözden geçirme adımını çıktıya değil girdiye koyar. Şüpheli bir referans görüntüyü eğitimden önce reddetmek, sonrasında neden olduğu yanlış redleri veya kaçışları kovalamaktan daha ucuzdur. Kaymanın temiz bir modeli bile zamanla nasıl sessizce bozabileceği ve bunu düzelten yeniden eğitim döngüsü için model kayması ve yeniden eğitim üzerine tamamlayıcı yazıya bakın.
Bir eğitim kümesi derleme kontrol listesi neye benzer?
Bir eğitim kümesi derleme kontrol listesi, her referans görüntüye kümeye girmeden önce uyguladığınız kısa bir geçti/kaldı sorular kümesidir. Amaç, gözden geçirmeyi varsayılan değil kasıtlı kılmaktır, çünkü model ona verdiğiniz her şeyi normalin temel gerçeği olarak ele alır.
Her aday görüntü üzerinde çalışın ve yalnızca her satırı geçenleri tutun:
- 01Bu parça, yalnızca varsayılarak değil, kalite tarafından doğrulanarak gerçekten hatasız mı?
- 02Aydınlatma, diğer her referansla ve çalışma anıyla aynı yoğunluk, renk ve açıda mı?
- 03Parça aynı konumda ve ölçekte, tam kadrajda, kırpılmamış veya döndürülmemiş mi?
- 04Görüntü keskin mi, hareket bulanıklığı yok mu, global shutter yakalama kullanılıyor mu?
- 05Mercek ve parça yüzeyi temiz görünüyor mu, her zaman orada olmayan başıboş bir leke, gölge veya yansıma yok mu?
- 06Küme genelinde, gerçek hatasız parça değişimi (partiler, tonlar, tolere edilen bitişler) kazara gürültü eklemeden kapsanıyor mu?
Yeniden eğitmek için yeniden yakaladığınızda aynı kontrol listesini tekrar uygulayın, çünkü geçen çeyrek temiz olan bir küme, taşınmış bir fikstürden veya değişmiş bir ışıktan yeni gürültü kapabilir. Temiz girdi tek seferlik bir görev değildir; modelin öğrendiği her sefer tuttuğunuz standarttır.