Görüntü Tanıma Nedir?
Görüntü tanıma (image recognition), bir fotoğraf veya video karesinde ne olduğunu yazılımın otomatik olarak belirlemesidir. Bilgisayarlı görü bu alanın genel adıdır; görüntüden sınıf, konum, ölçü, metin veya kod gibi kullanılabilir veri çıkarmayı kapsar. Örüntü tanıma ise verideki düzenlilikleri bulan daha geniş yöntemler ailesidir ve görüntü tanımanın temelini oluşturur. Hatson Tech olarak bu yöntemleri işletmenin kullanabileceği yazılımlara dönüştürüyoruz: kameradan, tarayıcıdan veya mevcut arşivden gelen görüntüyü bir karara ya da kayda bağlıyoruz.
Hangi Görü Görevi Sizin Probleminize Uyar?
"Görüntü tanıma" tek bir teknik değildir. Doğru görevi seçmek; veri, etiketleme ve kabul testi ihtiyacını baştan belirler.
| Görev | Ne üretir? | Tipik kullanım |
|---|---|---|
| Sınıflandırma | Görüntünün tamamı için bir etiket | Ürün sağlam mı kusurlu mu, belge hangi türde |
| Nesne tespiti | Nesnelerin konumu (kutu) ve sınıfı | Rafta ürün sayma, hatta parça bulma, koruyucu ekipman kontrolü |
| Segmentasyon | Piksel düzeyinde bölge maskesi | Çizik, leke gibi kusurların alanını ölçme |
| OCR ve belge alanı çıkarma | Metin ve yapılandırılmış alanlar | Fatura, irsaliye, form, etiket okuma |
| Barkod ve karekod okuma | Kod içeriği | Zorlu ışık, açı veya hasarlı etiketlerde kod okuma |
| Anomali tespiti | "Normalden farklı" uyarısı | Kusur örneğinin az olduğu kalite kontrol |
Barkod okumada standart okuyucular çoğu durumda yeterlidir; bilgisayarlı görü, kodun yerinin bulunması, birden fazla kodun aynı karede okunması veya bozuk etiketlerde değer katar. Sabit basılı belgelerde standart OCR yeterli olabilir; çok modlu modeller değişken belgeleri yorumlamaya yardım eder, ancak çıktıları kaynak görüntüye karşı doğrulanmalıdır. Bu modellerin güçlü ve zayıf yanları için çok modlu yapay zekâ yazımıza bakabilirsiniz.
Her Zaman Derin Öğrenme Gerekmez
Bazı problemler klasik görüntü işleme ve örüntü tanıma yöntemleriyle daha ucuz ve daha öngörülebilir biçimde çözülür. Kontrollü ışık altında sabit konumda duran bir parçanın ölçüsünü kontrol etmek veya belirgin bir renk farkını yakalamak için eşikleme, kenar bulma ve şablon eşleştirme yeterli olabilir. Bu yöntemler az veriyle çalışır ve verdikleri kararın nedeni kolayca açıklanır. Görüntü koşulları değişkenleştikçe, nesneler çeşitlendikçe ve kusurlar ince ayrımlı hale geldikçe öğrenen modeller avantaj kazanır. Geliştirmeye başlamadan bu seçenekleri gecikme, gizlilik ve bakım gereksinimleriyle karşılaştırıyor, işi görecek en basit yöntemi öneriyoruz.
Hizmetin Kapsamı
- Problemin tanımı, görev seçimi ve hata maliyetlerinin belirlenmesi.
- Kamera, ışık ve çekim koşullarının değerlendirilmesi; gerekiyorsa veri toplama planı.
- Etiketleme kılavuzu, etiketleme süreci ve kalite kontrolü.
- Hazır model uyarlama veya özel model eğitimi.
- Uç cihaz (edge), kurum içi sunucu veya bulutta çalışacak çıkarım servisi.
- Sonucun mevcut uygulama, PLC, ERP veya veri akışına entegrasyonu.
- Yayın sonrası izleme, düzeltme döngüsü ve yeniden eğitim.
Veri ve Etiketleme İhtiyacı
Model seçmeden önce gerçek kamera veya tarayıcıdan alınmış temsilî görüntüleri inceliyoruz. Işık, açı, hareket bulanıklığı, çözünürlük, nadir kusur türleri ve değişen belge şablonları sonucu belirleyebilir. Veri yalnızca temiz örnekleri değil, zor durumları da kapsamalıdır. Etiketlerin tutarlılığı en az miktarları kadar önemlidir: iki kişinin aynı görüntüye farklı etiket verdiği bir sınıfta modelden tutarlı sonuç beklenemez. Bu nedenle etiketleme başlamadan önce sınırda kalan örneklerin nasıl etiketleneceğini yazılı bir kılavuzla netleştiriyoruz. Konunun genel çerçevesi için veri hazırlığı yazımıza göz atabilirsiniz.
Uçta mı, Bulutta mı?
- Uç cihaz (edge): Düşük gecikme gerektiğinde, bağlantı güvenilir değilse veya görüntünün sahadan çıkmaması gerekiyorsa uygundur; donanım ve model boyutu kısıt getirir.
- Kurum içi sunucu: Birden fazla kameranın merkezi işlendiği ve verinin kurum ağında kalması gereken durumlarda tercih edilir.
- Bulut: Toplu işlenen belge ve görüntülerde, değişken yükte ve gecikmenin kritik olmadığı işlerde esneklik sağlar.
Kişisel veri içeren görüntülerde (yüz, plaka, kimlik belgesi) saklama süresi, maskeleme ve erişim kuralları da bu kararın parçasıdır; veri gizliliği yazımız bu konudaki temel soruları özetler.
Pilottan Çalışan Sisteme
- Kararı tanımlayın: Sistem neyi bulacak veya çıkaracak, sonuçla kim ne yapacak?
- Veriyi toplayın: Gerçek koşulları yansıtan temsilî örnekleri ve bunlardan ayrı tutulan bir test kümesini hazırlayın.
- Kabul ölçütlerini yazın: Kaçan örnekler, yanlış alarmlar, hız ve insan inceleme yükü için eşikleri belirleyin.
- Pilotu çalıştırın: Sonuçları kusur türü, ürün tipi ve çalışma koşuluna göre ayrı ayrı raporlayın.
- Entegre edin: Sonucu mevcut uygulama veya veri akışına bağlayın; belirsiz sonuçlar için insan inceleme yolu kurun.
- İzleyin: Yayından sonra veri değişimini ve düzeltme oranlarını takip edin.
Üretim denetiminde kabul testi tek bir doğruluk sayısı yerine kusur türü ve çalışma koşuluna göre sonuç vermelidir. Görsel kalite kontrol yazımız kamera yerleşimini, yanlış alarmları ve inceleme akışını ayrıntılı ele alır; pilotun canlıya geçişi için pilottan canlıya yazımıza bakabilirsiniz.
Kabul Testi Nasıl Kurulur?
Bir görüntü tanıma sisteminin "çalıştığını" söyleyebilmek için neyin ölçüleceği proje başında yazılmalıdır. Kabul testinde baktığımız başlıca noktalar şunlardır:
- Ayrı test kümesi: Eğitimde hiç kullanılmamış, farklı gün, vardiya ve koşullarda alınmış görüntüler.
- Hata türlerine göre ölçüm: Kaçan kusur ile yanlış alarmın maliyeti aynı değildir; ikisi ayrı ölçülür ve eşikleri ayrı belirlenir.
- Alt gruplara göre sonuç: Ürün tipi, kusur türü, ışık koşulu veya belge şablonu bazında ayrı sonuçlar raporlanır; ortalamada iyi görünüp bir alt grupta zayıf kalan sistemler bu şekilde fark edilir.
- Hız ve kaynak kullanımı: Hat hızına veya iş yüküne göre kare başına işlem süresi ölçülür.
- İnsan inceleme yükü: Sistemin emin olamayıp insana yönlendirdiği örneklerin oranı izlenir.
Model değerlendirmesine daha genel bir çerçeve için yapay zekâ değerlendirme yazımıza bakabilirsiniz.
Maliyeti ve Süreyi Ne Belirler?
- Görevin türü ve sınıf sayısı; kusur veya nesnelerin ne kadar küçük ve ince ayrımlı olduğu.
- Uygun verinin hazır olup olmadığı ve ne kadar etiketleme gerektiği.
- Kamera ve aydınlatma düzeninin kurulması veya değiştirilmesi gerekip gerekmediği.
- Gecikme ve işlem hızı beklentisi, uç donanım kısıtları.
- Entegre olunacak sistemler ve insan inceleme ekranı ihtiyacı.
- Gizlilik ve barındırma gereksinimleri.
Sizden Neler Beklenir?
İlk görüşmeye gerçek koşullarda çekilmiş örnek görüntüler, bugünkü elle yürütülen sürecin kısa özeti ve en pahalı hataların listesi yeterlidir. Proje ilerledikçe etiketleme kurallarına karar verecek bir alan uzmanı, sahaya veya kamera görüntülerine erişim ve kabul testlerine katılacak kullanıcılar gerekir.