Computer vision (bilgisayar görüsü), Türkiye üretim sektöründe son 18 ayda hızla yayılan teknoloji haline geldi. Bir zamanlar sadece otomotiv OEM'lerinin (BMW, Mercedes, Toyota gibi) ulaşabildiği bu teknoloji, açık kaynak modeller (YOLOv8, Detectron2, Segment Anything) ve ucuzlayan GPU'lar sayesinde orta ölçekli sanayi kurumlarına bile makul oldu. Yazılım Koçu Sektörel AI Etki Endeksi (SAEE) çerçevesindeki değerlendirmemize göre üretim sektöründe en hızlı geri dönüş üreten AI uygulaması computer vision tabanlı kalite kontrol — hedef ROI tipik olarak 4-7 ay bandındadır.
Türkiye Üretim Sektöründe Computer Vision Maturity
Türkiye üretim sektörünün computer vision olgunluk dağılımı (Yazılım Koçu TBAM çerçevesinde, 2026 başı tahmini): %58'i Seviye 1-2 (farkındalık var ama uygulama yok), %27'si Seviye 3 (pilot uygulamalar), %12'si Seviye 4 (üretimde, ölçekleniyor), %3'ü Seviye 5 (rekabet avantajı yarattı). Türkiye genelinde 7000+ orta-büyük üretici var, dolayısıyla pazarın %85'i hala potansiyel müşteri. Bu trend önümüzdeki 3 yılda hızla değişecek.
Beş Temsilî Senaryo
Bir notla başlayalım: aşağıdaki senaryolar temsilîdir — gerçek müşteri vakaları değil, sahada karşılaşılan tipik ihtiyaçlardan kurgulanmış, makul varsayımlarla modellenmiş örneklerdir. Müşteri gizliliği ilkemiz gereği gerçek işlerin adını ve rakamlarını yayımlamıyoruz; bu kurgular "böyle bir sistem nasıl kurulur, neresi zorlar, ne hedeflenir" sorusuna somutluk kazandırmak içindir.
Temsilî Senaryo · Otomotiv Yan Sanayi: Yüzey Kusur Tespiti
Kurgu: büyük bir otomotiv OEM'ine çalışan Tier-1 bir tampon üreticisi için yüzey kusur tespit sistemi. Önceki süreç: 6 insan operatörü vardiyalık manuel inceleme. Sorun: insan dikkati saatler içinde düşer, gece vardiyalarında kaçırma oranı %12-18, gündüz vardiyalarında %4-7. OEM'in kalite kabul eşiği <%1, sürekli iade riski.
Çözüm: 6 lateral kamera + 1 üst kamera, YOLOv8 ile özelleştirilmiş kusur sınıflandırma modeli (12 kusur tipi: çizik, basamak, leke, çapak, deformasyon, vs). 3 hafta veri toplama (15K görüntü, OEM kalite ekibiyle ortak etiketleme varsayımı), 2 hafta fine-tune, 1 hafta pilot, 4 hafta üretime entegrasyon. Hedef tablo: kusur yakalamanın insan denetiminin belirgin üzerine çıkması, iade oranının kabul eşiğinin güvenli altına inmesi, operatörlerin kalite + acil müdahale rolüne kayması. Hedef ROI ~5 ay.
Temsilî Senaryo · Tekstil: Kumaş Kalite Kontrol
Kurgu: büyük bir tekstil üreticisi için kumaş kalite kontrol sistemi. Eski sistem: tek operatör + ışıklı masa, dakikada 0.8m kumaş inceler, dokuma hatalarının %72'sini yakalar. Hedef pazar: Avrupa Birliği, kalite eşiği yüksek, sürekli reklamasyon problemi.
Çözüm: yüksek çözünürlüklü line-scan kamera (5K piksel/satır), gerçek zamanlı stream işleme, anomali tespiti için Autoencoder + segmentasyon modeli. 8 hafta uygulama. Hedef: inceleme hızını katlamak, hata yakalamayı insan-temelli sürecin belirgin üzerine taşımak, ihracat reklamasyonunu ciddi oranda düşürmek — marka itibarı kazanımı ölçülmesi zor ama büyük (3DR'da Strategic ROI ana etken). Hedef ROI ~6 ay.
Temsilî Senaryo · Gıda: Paketleme Doğruluk Kontrolü
Kurgu: bir gıda paketleme tesisi için paket içeriği doğrulama. Önceki süreç: hat sonu rastgele örnekleme (her 50'de 1 paket açılır, içerik kontrol edilir). Kaçırılan hatalı paket oranı %3.2 — kabul edilemez bir oran çünkü perakende zinciri her hatalı pakette tüm partiyi reddediyor.
Çözüm: paket üst kameralarından gerçek zamanlı OCR + nesne tespiti. Beklenen paket içeriği SKU bazında sözleşmede; AI kontrol eder — eksik var mı, fazlası var mı, son tüketim tarihi okunabilir mi. 6 hafta uygulama. Hedef: hatalı paket oranını yüzde seviyesinden binde seviyesine indirmek, perakende zinciri reddini sıfıra yaklaştırmak. Hedef ROI ~4 ay — bu tip kurulumlar listedeki en hızlı geri dönüşü verir.
Temsilî Senaryo · Beyaz Eşya: Montaj Hattı Doğruluğu
Kurgu: bir beyaz eşya üreticisi için montaj hattında parça doğruluğu kontrolü. Eski süreç: vardiya başında manifest kontrol + montaj sonu manuel inceleme. Hata yakalama montaj sonunda zaten geç — geri sökme + yeniden montaj maliyetli. Hedef: anlık (real-time) hata tespiti.
Çözüm: montaj istasyonlarına 8 kamera + Edge AI (NVIDIA Jetson AGX) ile düşük latency inference (<50ms). Her parça yerleştirildiğinde "doğru parça mı, doğru pozisyonda mı, montaj torku doğru mu" 3 katmanlı kontrol. 12 hafta (listenin en kompleks kurulumu). Hedef: hat sonu kusur oranında kat düzeyinde düşüş, geri sökme azaldıkça hat hızında artış, AI rehberliğiyle operatör eğitim süresinin belirgin kısalması. Hedef ROI ~7 ay.
Temsilî Senaryo · Çimento: Hammadde Kalite Sınıflandırma
Kurgu: bir çimento fabrikası için hammadde (kalker) konveyörü üzerinde kalite sınıflandırma. Eski sistem: laboratuvar testleri (2-4 saat geri dönüş), karışım hatalarına neden oluyor. Real-time sınıflandırma istendi.
Çözüm: konveyör üstü hyperspectral kamera + custom CNN modeli. Hammadde sınıfını saniyede 1 metre olarak sınıflandırır, otomatik harmanlama oranı ayarlar. 16 hafta (laboratuvar veri korelasyonu kritik). Hedef: dayanım sapmasını daraltmak, reklamasyonu ve enerji tüketimini düşürmek (doğru karışım, doğru yakma sıcaklığı). Hedef ROI ~9 ay — uzun ama Strategic ROI büyük.
Computer Vision Uygulamasının Beş Kritik Faktörü
Bu beş senaryonun ortak başarı faktörleri: (1) **Veri kalitesi > model karmaşıklığı** — basit YOLOv8 + 15K iyi etiketli görüntü, complex Vision Transformer + 5K kötü etiketli görüntüden çok daha iyi sonuç verir. (2) **Üretim ortamı simülasyonu** — laboratuvar ışığı + gerçek hat ışığı farklı, gece + gündüz farklı, kirli + temiz kamera farklı; bunları erken simüle edin. (3) **Insan-AI hibrit** — AI %95 doğru, kalan %5 için insan onayı var. (4) **Edge vs cloud kararı** — latency kritikse Edge AI (Jetson), maliyet kritikse cloud. (5) **Sürekli model yenileme** — üretim hattı değişir, modeller drift'eder, aylık fine-tune protokolü.
Maliyet Yaklaşıkları
Computer vision projesi tipik maliyet kalemleri (Türkiye 2026): kamera donanımı 50K-300K TL (kalite ve sayıya göre), GPU/Edge donanım 80K-250K TL, etiketleme + veri toplama 60K-200K TL (en küçümsenen kalem), model geliştirme + entegrasyon 200K-800K TL, yıllık operasyonel maliyet 80K-200K TL. Pilot için 6 hafta, üretime 3-6 ay tipiktir. ROI 4-9 ay aralığı.
Sonuç
Computer vision üretim sektörü için en hızlı ROI üreten AI uygulaması — kalite kontrol, hat optimizasyonu, hammadde sınıflandırma, paketleme doğruluğu. Türkiye sanayisinin pazar potansiyeli büyük ve henüz dokunulmamış. Yazılım Koçu olarak computer vision kurulumlarını 4VS disipliniyle, pilot kapsamını net tanımlayarak yürütüyoruz. Kurumunuzun üretim hattı için doğru pilot kapsamını birlikte tanımlamak için Keşif görüşmesi yapın.