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) verilerine göre üretim sektöründe en hızlı ROI üreten AI uygulaması computer vision tabanlı kalite kontrol — tipik ROI 4-7 ay.
Türkiye Üretim Sektöründe Computer Vision Maturity
Türkiye üretim sektörünün computer vision olgunluk dağılımı (Yazılım Koçu TBAM çerçevesinde, 2026 başı): %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.
Vaka #047: Otomotiv Yan Sanayi — Yüzey Kusur Tespiti
Bursa'da BMW'nin Tier-1 tedarikçisi olan bir tampon üreticisi için yüzey kusur tespit sistemi geliştirdik. Önceki süreç: 6 insan operatörü vardiyalık manuel inceleme. Sorun: insan dikkati saatler içinde düşer, gece vardiyalarında kaçırma oranı %12-18, gündüz vardiyalarında %4-7. BMW'nin 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 sürede veri toplama (15K görüntü, BMW Münih ile birlikte etiketleme), 2 hafta fine-tune, 1 hafta pilot, 4 hafta üretime entegrasyon. Sonuç: kusur yakalama %96'ya çıktı, iade oranı %0.3'e düştü, operatör sayısı 6 → 2 (kalite + acil müdahale rolüne kaydı). ROI 5 ay.
Vaka #058: Tekstil — Kumaş Kalite Kontrol
Denizli'de 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. Hız: dakikada 3.5m, hata yakalama %94. Operatör sayısı 3 → 1 (tüm vardiya). EU pazarına ihracat reklamasyonu %71 azaldı, marka itibarı kazanımı ölçülemez ama büyük (3DR'da Strategic ROI ana etken). ROI 6 ay.
Vaka #069: Gıda Üretimi — Paketleme Doğruluk Kontrolü
İstanbul'da 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. Sonuç: hatalı paket oranı %3.2 → %0.18 (%94 azalma). Perakende zinciri reddi neredeyse sıfıra düştü. ROI 4 ay (en hızlı vakamız).
Vaka #074: Beyaz Eşya — Montaj Hat Doğruluk
Kocaeli'de 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 (en kompleks projemizdi). Sonuç: hat sonu kusur oranı %4.7'den %0.6'ya, hat hızı +%18 (geri sökme azaldı), operatör eğitim süresi 6 hafta → 1.5 hafta (AI rehberlik ediyor). ROI 7 ay.
Vaka #088: Çimento Üretimi — Hammadde Kalite Sınıflandırma
Adana'da 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). Sonuç: çimento dayanım sapması ±%8 → ±%2, müşteri reklamasyonu %43 azalma, %5 enerji tasarrufu (doğru karışım, doğru yakma sıcaklığı). ROI 9 ay (uzun ama Strategic ROI çok büyük).
Computer Vision Uygulamasının Beş Kritik Faktörü
Bu beş vakanın 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 otomotiv yan sanayi, tekstil, gıda, beyaz eşya, çimento sektörlerinde 12+ computer vision projesi tamamladık. Kurumunuzun üretim hattı için doğru pilot kapsamını birlikte tanımlamak için Keşif görüşmesi yapın.