Görüntü işleme, kamera veya sensörden gelen dijital görüntülerin bilgisayar tarafından analiz edilip anlamlı bilgiye dönüştürülmesidir. Bir fotoğraftaki gürültüyü temizlemek de, üretim bandındaki çizik bir parçayı saniyeler içinde ayıklamak da görüntü işlemedir. Bugün “görüntü işleme” denildiğinde çoğunlukla yapay zeka destekli bilgisayarlı görü (computer vision) kastedilir: makinenin görüntüdeki nesneleri tanıması, sayması, ölçmesi ve karar vermesi.
Bu rehberde görüntü işlemenin nasıl çalıştığını, klasik yöntemlerle derin öğrenme arasındaki farkı ve fabrikalarda hangi problemleri çözdüğünü sade bir dille anlatıyoruz. Doğrudan endüstriyel çözümlere bakmak isterseniz endüstriyel görüntü işleme sistemleri sayfamıza geçebilirsiniz.
Görüntü işleme nasıl çalışır?
Dijital bir görüntü, her biri renk ve parlaklık değeri taşıyan piksellerden oluşan bir matristir. Görüntü işleme sistemi bu matris üzerinde adım adım çalışır:
- Görüntü alma: IP kamera, endüstriyel kamera veya akıllı telefon görüntüyü yakalar. Fabrikalarda genellikle RTSP/ONVIF destekli IP kameralar kullanılır.
- Ön işleme: Gürültü azaltma, kontrast iyileştirme, perspektif düzeltme ve yeniden boyutlandırma yapılır.
- Özellik çıkarımı: Kenarlar, renk bölgeleri, dokular veya derin öğrenmede ağın kendisinin öğrendiği temsiller çıkarılır.
- Analiz ve karar: Nesne tespiti (baret var mı?), sınıflandırma (parça hatalı mı?), segmentasyon (lekenin alanı ne kadar?) veya takip (forklift nereye gidiyor?) yapılır.
- Aksiyon: Sonuç alarm, rapor, PLC sinyali, turnike kilidi veya ERP kaydı olarak sahaya geri döner.
Klasik görüntü işleme ile yapay zeka arasındaki fark
Klasik görüntü işleme, mühendisin elle yazdığı kurallara dayanır: “şu renk aralığındaki piksel sayısı eşiği geçerse hata say”. Sabit ışık, sabit açı ve tek tip ürün olan hatlarda hâlâ çok etkilidir. Ancak ortam değiştikçe kurallar kırılır.
Derin öğrenme tabanlı görüntü işleme ise binlerce örnek görüntüden kendi kurallarını öğrenir. Işık, açı, kıyafet rengi ya da ürün varyasyonu değişse de genelleme yapabilir. Bu yüzden iş güvenliği, insan davranışı ve değişken yüzey kusurları gibi “kuralı yazılamayan” problemlerde standart hâline gelmiştir. Detaylı karşılaştırma için makine görmesi ve derin öğrenme yazımıza bakabilirsiniz.
| Kriter | Klasik görüntü işleme | Yapay zeka (derin öğrenme) |
|---|---|---|
| Kurulum mantığı | Elle yazılan kurallar ve eşikler | Etiketli örneklerden öğrenme |
| Değişken ortam | Hassas, sık ayar ister | Dayanıklı, genelleme yapar |
| Uygun işler | Ölçüm, barkod, sabit konum kontrolü | Kusur tespiti, insan/KKD, davranış, sayım |
| Donanım | Endüstriyel kamera + kontrollü ışık | Mevcut IP kameralar + edge GPU/NPU |
Endüstride görüntü işleme kullanım alanları
1. Kalite kontrol ve kusur tespiti
Çizik, leke, çatlak, eksik montaj, yanlış etiket veya renk sapması üretim hızında yakalanır. Hatalı ürün müşteriye gitmeden ayrılır, fire oranı ve iade maliyeti düşer. Bkz. görüntü işleme ile kalite kontrol ve yüzey kusuru tespiti.
2. İş sağlığı ve güvenliği (İSG)
Baret, yelek, gözlük ve eldiven gibi KKD eksiklikleri; yasaklı alana giriş, forklift-yaya yakınlaşması ve düşme olayları 7/24 izlenir. İnsan denetiminin örneklemeli kaldığı sahada her kare kontrol edilir. Bkz. baret tespit sistemi, KKD kontrol, forklift-yaya güvenliği.
3. Verimlilik ve OEE
Hat duruşları, çevrim süreleri, istasyon doluluğu ve boşta kalma süreleri kameradan otomatik ölçülür; vardiya sonu Excel yerine anlık panel elde edilir. Bkz. OEE takip sistemi ve personel verimlilik analizi.
4. Lojistik, sayım ve izlenebilirlik
Palet, koli ve araç sayımı; rampa doluluğu ve sevkiyat doğrulaması yapılır. Sayım verisi WMS/ERP sistemlerine API ile aktarılır. Bkz. depo ve lojistik güvenliği.
Görüntü işleme için hangi donanım gerekir?
Birçok uygulama için yeni kamera almak gerekmez. Tesisteki mevcut IP kameralar (çoğunlukla 1080p, 15–25 FPS) İSG ve verimlilik analizi için yeterlidir. Mikron seviyesinde kusur arayan kalite kontrol istasyonlarında ise endüstriyel kamera ve kontrollü aydınlatma gerekebilir. Analiz, tesis içinde bir edge cihazda (görüntü dışarı çıkmadan) veya bulutta yapılabilir. Ayrıntılar: mevcut IP kameralar yapay zeka için yeterli mi?
Bir görüntü işleme projesi nasıl ilerler?
- Keşif: Problem, hedef metrik ve kamera konumları birlikte belirlenir.
- Veri ve model: Sahadan örnek görüntüler toplanır; hazır model kalibre edilir ya da özel model eğitilir.
- Pilot: 1–2 hat veya alanda birkaç haftalık ölçümlü deneme yapılır.
- Yaygınlaştırma: Alarm kuralları, raporlar ve ERP/MES entegrasyonu ile tüm tesise genişletilir.
Tesisinizde görüntü işlemenin hangi problemi çözebileceğini keşif görüşmesinde birlikte çıkaralım.
Kameralarınızı değerlendirelimSık sorulan sorular
Görüntü işleme ile yapay zeka aynı şey mi?
Hayır. Görüntü işleme görüntülerden bilgi çıkarma alanının genel adıdır; yapay zeka (özellikle derin öğrenme) bu işi yapmanın en güçlü güncel yöntemidir. Klasik, kural tabanlı görüntü işleme de hâlâ kullanılır.
Görüntü işleme için hangi programlama dili kullanılır?
En yaygın dil Python’dur; OpenCV, PyTorch ve TensorFlow gibi kütüphanelerle çalışılır. Gerçek zamanlı endüstriyel sistemlerde performans için C++ ve optimize edilmiş çıkarım motorları da kullanılır.
Görüntü işleme sistemi kurmak için yeni kamera almak gerekir mi?
Çoğu İSG ve verimlilik uygulamasında gerekmez; RTSP/ONVIF destekleyen mevcut IP kameralar yeterlidir. Çok küçük kusurların arandığı kalite istasyonlarında endüstriyel kamera önerilebilir.
Endüstriyel görüntü işleme sistemlerinin doğruluğu ne kadardır?
Uygulamaya ve saha koşullarına bağlıdır. Hype Vision sahada kalibrasyon sonrası örneğin baret tespitinde %96–98,6 aralığında doğruluk raporlar; kesin değer pilot ölçümüyle belirlenir.