Kısa cevap: Üretimde computer vision (bilgisayar görüsü), insanın gözle yaptığı tekrarlı kontrol işlerini — yüzey kusuru arama, paket içeriği doğrulama, montaj parça kontrolü, hammadde sınıflandırma — kamera ve modelden oluşan bir sisteme devretmektir. İnsan dikkatinin saatler içinde düştüğü, hattın ise hiç durmadığı her yerde doğal bir aday üretir. Bir zamanlar yalnızca büyük otomotiv OEM'lerinin karşılayabildiği bu teknoloji, açık kaynak modeller (YOLO ailesi, Segment Anything, Detectron2) ve ucuzlayan GPU/edge donanımı sayesinde orta ölçekli sanayi kurumunun erişimine indi. Yatırımın karşılığı hızlıdır ama otomatik değildir; belirleyici olan model değil, veri ve devreye alma disiplinidir.
Neden şimdi? Üç eğri aynı anda kesişti. Model tarafında, birkaç bin iyi etiketli görüntüyle özelleştirilebilen hazır mimariler standartlaştı — sıfırdan model geliştirme devri kapandı. Donanım tarafında, hat kenarında milisaniyeler içinde çıkarım yapabilen edge cihazlar (NVIDIA Jetson sınıfı) makul fiyata indi. Talep tarafında ise ihracat pazarlarının kalite eşikleri ve reklamasyon maliyetleri, "gözle kontrol yeter" varsayımını her yıl daha pahalı bir varsayım hâline getiriyor. Sahada en sık gördüğümüz durum, teknolojinin değil kararın geç kalmasıdır.
Computer Vision Üretimde Hangi İşleri Yapar?
Kararı doğru vermek için görev tiplerini ayırmak gerekir, çünkü her tipin veri ihtiyacı ve zorluk seviyesi farklıdır. **Tespit ve sınıflandırma:** "Bu görüntüde kusur var mı, hangi tip?" — en olgun, en hızlı kurulan kategori. **Segmentasyon:** Kusurun tam sınırını ve boyutunu çıkarmak; tolerans bazlı kabul/ret kararları için gerekir. **OCR ve doğrulama:** Etiket, son kullanma tarihi, parti numarası okuma; paketleme hatlarının temel ihtiyacı. **Anomali tespiti:** "Normal nasıl görünür"ü öğrenip sapanı işaretlemek; kusur tiplerini önceden sayamadığınız durumlar (kumaş, döküm yüzeyi) için doğru yaklaşım. Projenizin hangi tipte olduğu; veri toplama süresini, model seçimini ve bütçeyi belirleyen ilk sorudur.
Beş Temsilî Senaryo
Önemli not: aşağıdaki beş senaryo temsilîdir — gerçek müşteri vakası değildir. Sahada karşılaşılan tipik ihtiyaçlardan, makul varsayımlarla kurgulanmış örneklerdir; amaç "böyle bir sistem nasıl kurulur, neresi zorlar, ne hedeflenir" sorusuna somutluk kazandırmaktır. Etki hedeflerini bilerek rakamsız yazıyoruz: kesin yüzdeler kuruluma, veriye ve hatta göre değişir; önceden vaat edilen her kesin rakam ya pazarlamadır ya şanstır.
**Senaryo 1 · Otomotiv yan sanayi — yüzey kusur tespiti.** Kurgu: OEM'e çalışan bir tampon üreticisi. Mevcut süreç vardiyalı manuel inceleme; insan dikkati saat ilerledikçe düşüyor, gece vardiyasında kaçırma belirgin artıyor, OEM'in kalite eşiği ise sert. Kurulum: hat üzerinde çok açılı kamera dizilimi + kusur tiplerine (çizik, çapak, leke, deformasyon) göre özelleştirilmiş tespit modeli. Kritik iş modelde değil veridedir: birkaç hafta boyunca kalite ekibiyle ortak etiketleme, ardından kısa bir pilotta modelin insan denetimiyle paralel koşturulması. Hedef dili: kusur yakalamayı insan denetiminin tutarlı biçimde üzerine çıkarmak, iade riskini kabul eşiğinin güvenli altına indirmek, operatörleri tekrar işinden karar işine kaydırmak.
**Senaryo 2 · Tekstil — kumaş kalite kontrol.** Kurgu: AB pazarına çalışan bir dokuma üreticisi; ışıklı masada tek operatörle inceleme hem yavaş hem tutarsız, reklamasyon süreklileşmiş. Kurulum: hat üstü line-scan kamera + anomali tespiti (autoencoder/segmentasyon). Tekstilin özgün zorluğu kusur çeşitliliğidir — her kusuru önceden sınıflamak yerine "normal dokuyu öğren, sapanı işaretle" yaklaşımı seçilir. Hedef dili: inceleme hızını hattın hızına eşitlemek, yakalamayı insan-temelli sürecin üzerine taşımak, ihracat reklamasyonunu kalıcı biçimde aşağı çekmek. Buradaki en büyük kazanç kalemi ölçmesi en zor olandır: marka itibarı — 3DR (Üç Boyutlu ROI) çerçevemizde Stratejik ROI sütununa yazılır.
**Senaryo 3 · Gıda — paketleme doğruluk kontrolü.** Kurgu: perakende zincirine çalışan bir paketleme tesisi; hat sonunda rastgele örnekleme yapılıyor, kaçan hatalı paket tüm partinin reddine yol açabiliyor. Kurulum: paket üstü kamera + OCR + nesne tespiti; beklenen içerik SKU bazında tanımlı, sistem her pakette eksik/fazla/okunmayan tarih kontrolü yapıyor. Bu senaryo ailesi tipik olarak listenin en hızlı devreye alınanıdır çünkü görev dar ve nettir: örneklemeden tam kontrole geçmek. Hedef dili: hatalı paket oranını örnekleme düzeninin ulaşamayacağı seviyeye indirmek, zincir reddini istisna hâline getirmek.
**Senaryo 4 · Beyaz eşya — montaj hattı doğruluğu.** Kurgu: montaj hatasının hat sonunda yakalandığı bir üretici; geri sökme ve yeniden montaj hem maliyet hem takvim yiyor. Kurulum: istasyon başına kamera + edge cihazda düşük gecikmeli çıkarım; parça yerleştirildiği anda "doğru parça mı, doğru pozisyonda mı" kontrolü. Bu, beş senaryonun en karmaşığıdır çünkü kontrol hattın ritmine gömülüdür — gecikme bütçesi milisaniyelerle ölçülür ve bu yüzden bulut değil edge zorunludur. Hedef dili: hatayı üretildiği istasyonda yakalamak, hat sonu kusurunu ve geri sökmeyi istisnalaştırmak, yeni operatörün öğrenme süresini sistem rehberliğiyle kısaltmak.
**Senaryo 5 · Çimento — hammadde sınıflandırma.** Kurgu: hammadde kalitesinin laboratuvar testiyle saatler sonra öğrenildiği bir tesis; geç gelen sonuç karışım hatası demek. Kurulum: konveyör üstü hiperspektral kamera + laboratuvar sonuçlarıyla korelasyonu kurulmuş sınıflandırma modeli. Bu senaryonun kritik ve en uzun işi veri korelasyonudur: kameranın gördüğü ile laboratuvarın ölçtüğü arasındaki bağ aylarca örnekle kurulur — burada acele eden proje, güvenilmez bir modelle hattı yönetmeye kalkar. Hedef dili: kalite bilgisini saatlerden saniyelere indirip harmanlamayı gerçek zamanlı ayarlamak; dayanım sapmasını ve enerji israfını birlikte daraltmak.
Başarıyı Belirleyen Beş Faktör
Beş senaryonun ortak dersleri: (1) **Veri kalitesi > model karmaşıklığı.** Basit bir mimari + bol ve iyi etiketli görüntü, gösterişli bir mimari + kötü veriden her zaman iyidir; bütçenin en küçümsenen kalemi etiketlemedir. (2) **Üretim ortamını erken simüle edin.** Laboratuvar ışığı ile hat ışığı, temiz kamera ile tozlu kamera farklı dünyalardır; pilot, gerçek hattın kirinde koşmalıdır. (3) **İnsan-AI hibrit kurun.** Sistemin emin olmadığı görüntü insana düşmeli; tam otomasyona güven, ancak paralel koşum döneminde kazanılır. (4) **Edge/bulut kararını gecikme belirler.** Hat ritmine gömülü kontrol edge ister; toplu analiz buluta gidebilir. (5) **Model yaşayan varlıktır.** Hat, ürün ve ışık değişir, model sürüklenir (drift); periyodik yeniden eğitim protokolü olmayan kurulum, açılış günü en iyi hâlindedir.
Maliyet Kalemleri ve Bant Mantığı
Kesin fiyat yerine kalem listesiyle düşünün; her kalemin bandı kuruluma göre katlanarak değişir. **Kamera ve optik:** çözünürlük, açı sayısı ve aydınlatma ihtiyacına göre en çok oynayan kalemlerden. **Çıkarım donanımı:** edge cihaz mı, sunucu GPU mu — gecikme kararının faturası burada kesilir. **Veri toplama ve etiketleme:** bütçelerde en çok unutulan, projelerde en çok pişmanlık üreten kalem; kalite ekibinizin mesaisini de sayın. **Model geliştirme ve hat entegrasyonu:** işin mühendislik gövdesi; PLC/MES bağlantısı çoğu zaman modelin kendisinden fazla efor ister. **Operasyon:** izleme, yeniden eğitim, donanım bakımı — yıllık ve süreklidir. Teklif kıyaslarken toplam rakamı değil, bu beş kalemin her birinde neyin dahil olduğunu kıyaslayın; ucuz görünen teklif genellikle etiketlemeyi ve entegrasyonu "müşteri sağlar" diye dışarıda bırakmıştır.
Sahada işe yarayan ipuçları
**1.** Tek hat, tek kusur ailesi, tek metrikle başlayın; "tüm fabrikayı görüşe alalım" cümlesi pilot değil program cümlesidir ve pilotu öldürür. **2.** Başlamadan önce mevcut sürecin gerçek yakalama oranını ölçün — bilinen kusurlu parçaları hatta karıştırıp insan sürecinin kaçını yakaladığına bakın. Baseline yoksa başarıyı asla kanıtlayamazsınız. **3.** Etiketleme oturumlarına kalite ekibinin en kıdemlisini koyun; modelin kalite standardı, etiketleyenin standardıdır. **4.** Kabul kriterini tedarikçiyle sözleşmeye yazın: hangi veri setinde, hangi yakalama/yanlış-alarm dengesinde "kabul edilmiş" sayılacak. **5.** Yanlış alarm oranını yakalama oranı kadar ciddiye alın; operatör güvenmediği sistemi kapatır ve haklıdır. **6.** İlk günden bir "emin değilim" kuyruğu tasarlayın — modelin düşük güvenli kararlarını insana yönlendiren akış, hem riski düşürür hem yeniden eğitim verinizi bedavaya biriktirir.
Bu Yatırım Ne Zaman Gerekmez?
Dürüst sınır çizelim. Kusur, kameranın göremeyeceği bir nitelikteyse (iç yapı, koku, doku hissi) computer vision yanlış araçtır — ultrason, spektroskopi veya insan kalır. Üretim hacmi düşükse ve kontrol işi günde bir saati bulmuyorsa, sistemin kurulum ve bakım yükü tasarrufu aşar. Ürün çeşitliliği çok yüksek ve partiler çok kısaysa, model her hafta yeni ürünü öğrenmeye yetişemez; önce ürün ailelerini sadeleştirmek gerekir. Ve süreciniz kâğıt üzerinde bile standart değilse, önce süreci standartlaştırın — otomasyon, düzensizliği hızlandırmaktan başka işe yaramaz.
Computer vision, üretimde "AI ile nereden başlamalı" sorusunun en somut cevaplarından biridir çünkü girdisi (görüntü) ve çıktısı (karar) herkesin görebildiği bir yerde durur. Pilotu doğru boyutlamak için [Kaizen yaklaşımımızı](/kaynaklar/kaizen-dijital-donusum), aşamalı ilerleme disiplinini ise [4VS Yöntemi yazısında](/kaynaklar/4vs-yontemi-nedir) anlattık.