Bilgisayarlı görü ve yapay zeka ile cam kusurlarının tespiti / Detection of glass defects with computer vision and artificial intelligence

Abstract

Günümüzde artan dünya nüfusu ve buna bağlı olarak yükselen tüketim ihtiyacı, ürünlerin yalnızca üretim aşamasında değil, son kullanıcıya ulaştıktan sonraki süreçlerde de kalite ve güvenilirliğini korumasını zorunlu kılmaktadır. Bu nedenle, ürünlerin nihai kullanıcıya ulaşmadan önce veya kullanım sürecinde karşılaşılabilecek olası kusurların tespit edilmesi, kullanıcı memnuniyetinin artırılması ve olası güvenlik risklerinin önlenmesi açısından büyük önem arz etmektedir. Bu bağlamda, yapay zekâ ve bilgisayarlı görü tabanlı sistemlerin kalite kontrol süreçlerine entegrasyonu, insan kaynaklı hataları en aza indirerek hem ürün güvenliğini hem de kullanıcı deneyimini iyileştirmektedir. Bu çalışmada, cam yüzeylerde meydana gelebilecek kırık, çatlak ve çizik gibi kusurların son kullanıcıya ulaştıktan sonra da tespit edilebilmesi hedeflenmiştir. Cam; otomotiv, inşaat, beyaz eşya, kozmetik ve ambalaj gibi birçok sektörde yaygın olarak kullanılan, görsel ve yapısal bütünlüğü kritik öneme sahip bir malzemedir. Bu nedenle, kullanıcıların karşılaşabileceği kusurların hızlı ve doğru bir şekilde tespit edilmesi, hem ürün güvenilirliği hem de marka itibarı açısından hayati öneme sahiptir. Çalışma kapsamında, toplam 4975 görüntüden oluşan (4065 eğitim, 463 doğrulama, 447 test) bir veri seti kullanılmış ve bu veri seti, cam yüzey kusurlarının nesne tespiti amacıyla derin öğrenme tabanlı YOLOv5, YOLOv8 ve YOLO11 modelleri ile eğitilmiştir. Modellerin performansı doğruluk, hassasiyet, F1 skoru ve mAP50 metrikleri üzerinden değerlendirilmiştir. Elde edilen sonuçlara göre, YOLO11 modeli doğruluk, F1 skoru ve mAP50 açısından en yüksek başarıyı sergilemiştir. YOLOv8 modeli hassasiyet bakımından öne çıkarken, YOLOv5'in genel performansının diğer iki modele göre daha düşük olduğu gözlemlenmiştir. Sonuçlar, YOLO mimarilerinin cam kusurlarının son kullanıcı düzeyinde tespitinde etkili bir şekilde kullanılabileceğini ve özellikle satış sonrası kalite kontrol süreçlerinin otomatikleştirilmesinde önemli katkılar sunabileceğini ortaya koymaktadır.