T. C.
Dz. K. K. DENİZ HARP OKULU KOMUTANLIĞI
Tuzla, İstanbul
1773
BİTİRME ÖDEVİ
YAPAY GÖRME İLE OTOMATİK KALİTE KONTROL SİSTEMLERİNİN İNCELENMESİ
HÜSEYİN TOGAY ARDA
TANER KAFKAS Elektrik / Elektronik Mühendisliği Bölüm Başkanlığı
Haziran 2004
Proje Danışmanı: Yük. Müh. Kd. Ütğm. İlhan GÖKBEN
YAPAY GÖRME İLE OTOMATİK KALİTE KONTROL SİSTEMLERİNİN İNCELENMESİ
9083 HÜSEYİN TOGAY ARDA 8314 TANER KAFKAS
Harp IV, Türk Deniz Kuvvetleri Deniz Harp Okulu Komutanlığı
Dört Yıllık Lisans Eğitimini Tamamlama Gereği Bitirme Ödevi Olarak
Hazırlanmıştır.
ELEKTRİK / ELEKTRONİK MÜHENDİSLİĞİ KONTROL SİSTEMLERİ ANA BİLİM DALI
DENİZ HARP OKULU KOMUTANLIĞI
Haziran 2004 Yazarı :___________________________________ Hüseyin Togay ARDA Taner KAFKAS Onaylayan :___________________________________ İlhan GÖKBEN Y. Müh. Kd. Ütğm. Proje Danışmanı :__________________________________ Metin ERENOĞLU Y. Müh. Kd. Alb.
Elektrik Elektronik Mühendisliği Bölüm Başkanı
i
ÖNSÖZ
4 yıldır aldığımız Deniz Harp Okulu eğitimimizin sonucu olarak hazırlanan bu
tezde 1. bölümde “yapay görme” , 2. bölümde “otomatik kalite kontrol sistemleri”
ve 3. bölümde de bunların endüstriyel alandaki uygulamaları üzerinde durduk.
4 yıl boyunca bize bize emeği geçen herkese, Yrd. Doç. Dr. Ali YAPAR’ a
ve bize her zaman destek olan, her zaman bir abi gibi yaklaşan Y. Müh. Kd.
Ütğm. İlhan GÖKBEN’ e ise özellikle teşekkür ederiz.
ii
ÖZET
Bu tezde “yapay görme nedir?” , “otomatik kalite kontrol sistemi ne
demektir?” sorularına yanıt aranmış, kalıplardan ve kalıp sınıflarından, nesne
tanıma tekniklerinden, algaç tümleştirme yöntemlerinden, yapay sinir ağlarıyla
sistem tanımadan, kalitenin gelişen öneminden, bilgisayarın kalite kontrol
alanındaki kullanımından, endüstriyel kalite kontrol sistemlerinden, istatistiksel
süreç denetiminden bahsedilmiş ve son olarak da yapay görme ile otomatik
kalite kontrol sistemlerinin endüstriyel alandaki uygulamaları incelenmiştir.
iii
İÇİNDEKİLER Önsöz....................................................................................................................i
Özet......................................................................................................................ii
Şekiller Listesi.....................................................................................................vi
Tablolar Listesi...................................................................................................viii
Kısaltmalar Listesi...............................................................................................ix
I. Yapay Görme
A. Giriş..............................................................................................................1
B. Kalıplar Ve Kalıp Sınıfları.............................................................................2
C. Nesne Tanıtma Teknikleri............................................................................3
1. En Az Uzaklık Sınıflandırıcı......................................................................3
D. Algaç Tümleştirme Yöntemleri, Üç Boyutlu Nesne Algılama Ve Tanıma.....5
1. Sistem Modeli...........................................................................................8
a. Erim Modülü.........................................................................................9
b. Koyuluk Modülü..................................................................................11
c. Yüzey Kurma Ve Ayrıt Sezme Modülü................................................11
2. Süreksizliklerin Tümleştirilmesi...............................................................12
3. Sonuçlar..................................................................................................13
E. Yapay Sinir Ağlarıyla Sistem Tanıma.........................................................15
1. Dinamik Sistem Gösterimi.......................................................................15
2. Sistem Tanıma........................................................................................16
a. Sistem Tanıma Aşamaları...................................................................17
b. Doğrusal Bağlaşım Ağı İle Sistem Tanıma.........................................18
c. Çok Katmanlı Genlikte Sürekli Algılayıcı İle Sistem Tanıma...............20
(1) Seri-Paralel Model.........................................................................22
(2) Paralel Model.................................................................................23
ç. Çevrimdışı Ve Çevrimiçi Sistem Tanıma............................................23
(1) Çevrimdışı Sistem Tanıma............................................................24
(2) Çevrimiçi Sistem Tanıma...............................................................25
iv
3. Simülasyon Uygulamaları.......................................................................25
a. Uygulama 1.........................................................................................26
b. Uygulama 2.........................................................................................31
F. Yapay Görmenin Uygulama Alanları.........................................................33
II. Otomatik Kalite Kontrol Sistemleri
A. Giriş...........................................................................................................34
B. Kalitenin Gelişen Önemi............................................................................35
C. Bilgisayarın Kalite Kontrol Alanında Kullanımı..........................................37
1. İstatistiksel Süreç Kontrolü.....................................................................38
a. Kontrol Diyagramları..........................................................................38
(1) X Ve R Diyagramları.....................................................................39
(2) P Ve C Diyagramları.....................................................................40
2. Bilgisayar Destekli Kalite Kontrol...........................................................43
D. Endüstriyel Kalite Kontrol Sistemleri.........................................................45
1. Endüstriyel Kalite Kontrol Sistemlerinden Beklentiler............................45
2. Sınıflama Yöntemleri..............................................................................47
a. Sayısal Sınıflama Yöntemleri.............................................................48
(1) Eşik Değer Yöntemi......................................................................48
(2) Ortalama Değere Mesafe Yöntemi...............................................48
(3) Ağırlıklı Mesafe Yöntemi...............................................................48
(4) Mahalanobis Sınıflama Yöntemi...................................................49
3. Sinirsel Ağlar..........................................................................................49
a. Geri Yayın Ağı....................................................................................50
b. Yeniden Çevrim Ağı...........................................................................51
4. Bilgisayar Destekli Kalite Kontrolün Modülleri........................................53
a. Algılayıcılar........................................................................................56
b. İşlemci................................................................................................56
c. Ölçüm Ortamı.....................................................................................57
ç. Çıkış...................................................................................................57
d. İstatistiksel Süreç Kontrol Modülü......................................................57
v
5. Bilgisayar Destekli Kalite Kontrol Sistemlerinin Değerlendirilmesi.........58
a. Performans Ölçütleri..........................................................................59
(1) Algılayıcılar..................................................................................59
(2) Ölçüm Tekniği/Yazılım.................................................................60
(3) Kullanım.......................................................................................60
(4) Servis...........................................................................................60
(5) Genel...........................................................................................61
6. Dünyada Bilgisayar Destekli Kalite Kontrol Sistemlerine Eğilim...........61
7. Sonuç...................................................................................................62
III. Uygulamalar
A. Giriş..........................................................................................................65
B. Bilgisayar Tabanlı Hatalı Lastik Sırtı Tanıma, Ayırma Sistemi.................65
C. Bilgisayar Tabanlı Yapay Görme İle Kablo Ölçümleri..............................69
D. Bilgisayar Tabanlı Yapay Görme İle Otomobil Gösterge Denetimi..........73
E. Bilgisayar Tabanlı Yapay Görme Tekniği İle Hatalı Ürün Tanıma Ve
Ayırma Sistemi...................................................................................................75
F. İstatistiksel Süreç Denetimi.......................................................................81
G. İris Tanıma Teknolojisi İle Sistem Güvenliği............................................84
Sonsöz...............................................................................................................85
Kaynakça...........................................................................................................86
Dağıtım..............................................................................................................87
vi
ŞEKİLLER LİSTESİ
ŞEKİL1 2.5 Boyutlu İmge Gösterimi
ŞEKİL2 Genel Nesne Tanıma Şeması
ŞEKİL3 a. Erim İmge
b. Koyuluk İmge
ŞEKİL4 Sistem Tanıma
ŞEKİL5 Çok Katmanlı Genlikte Sürekli Algılayıcı Modeli
ŞEKİL6 Çevrimdışı Sistem Tanıma Uygulama 1’de Sisteme Uygulanan Girişler
ŞEKİL7 Çevrimdışı Sistem Tanıma Uygulama 1’de Sisteme Uygulanan
Girişlere Ait Çıkışlar
ŞEKİL8 Çevrimdışı Sistem Tanıma Uygulama 1’de Doğrusal Model İle Sistem
Çıkışları
ŞEKİL9 Çevrimdışı Sistem Tanıma Uygulama 1’de Toplam Karesel Hatanın
Değişimi
ŞEKİL10 Çevrimdışı Sistem Tanıma Uygulama 1’de Öğrenme Oranının
Değişimi
ŞEKİL11 Çevrimdışı Sistem Tanıma Uygulama 1’de )(kspmε
ŞEKİL12 Çevrimdışı Sistem Tanıma Uygulama 1’de )(kpmε
ŞEKİL13 Çevrimdışı Sistem Tanıma Uygulama 1’de Test Girişi İçin Sistemin
Ve Paralel Modellenmiş Ağın Çıkışı
ŞEKİL14 Çevrimiçi Sistem Tanıma Uygulama 2’de Toplam Karesel Hata
ŞEKİL15 Çevrimiçi Sistem Tanıma Uygulama 2’de Bağıl Hata
ŞEKİL16 Çevrimiçi Sistem Tanıma Uygulama 2’de Test Girişi İçin Sistem Ve
Ağ Çıkışları
ŞEKİL17 Tıp Alanında Yapay Görme Örnek Modelleme
ŞEKİL18 X Diyagramı
ŞEKİL19 R Diyagramı
ŞEKİL20 P Diyagramı
ŞEKİL21 C Diyagramı
ŞEKİL22 Geri Yayın Ağının Yapısı
vii
ŞEKİL23 Yeniden Çevrim Ağının Topolojisi
ŞEKİL24 Klasik Kalite Kontrol Süreci
ŞEKİL25 Bilgisayar Destekli Kalite Kontrol Süreci
ŞEKİL26 PC Tabanlı Yapay Görme İle Hatalı Lastik Sırtı Tanıma Ve Ayırma
Sistemi Prensip Şeması
ŞEKİL27 Bilgisayar Tabanlı Yapay Görme İle Kablo Ölçümleri
ŞEKİL28 İstatistiksel Süreç Denetimi X-R Kontrol Kartı
viii
TABLOLAR LİSTESİ
TABLO1 Tüketiciye Ulaşan Motorlardaki Hata Oranları
ix
KISALTMALAR LİSTESİ 1. MRF – Markov Rastlantı Alanı
2. MIT – Massachusetts Institute Of Technology
3. CCD – Yükten Bağlaşımlı Aygıt
4. MAP – Markov Varım Süreci
5. SAR – Sentetik Açıklıklı Radar
6. HDTV – Yüksek Yoğunluklu Televizyon
7. ARMAX – Harici Değişkenlerle Hareketli Ortalama Öngörüsü
8. ARX – Harici Değişkenlerle Öngörü
9. NARMAX – Doğrusal Olmayan Harici Değişkenlerle Hareketli Ortalama
Öngörüsü
10. NARX – Doğrusal Olmayan Harici Değişkenlerle Öngörü
11. ÇKSA – Çok Katmanlı Genlikte Sürekli Algılayıcı
12. CAQC – Bilgisayar Destekli Kalite Kontrol
13. MRP – Malzeme İhtiyaç Planlamasi
14. CAD – Bilgisayar Destekli Tasarım
15. CAM – Bilgisayar Destekli Tezgah Yönetimi
16. MRP2 – Malzeme Kaynak Planlaması
17. FMS – Esnek Üretim Sistemleri
18. JIT – Tam Zamanında Üretim
19. OPT – En Elverişli Üretim
20. CIM – Bilgisayarla Bütünleşik Üretim
21. CAE – Bilgisayar Destekli Mühendislik
22. SPC – İstatistiksel Süreç Kontrolü
23. ARGE – Araştırma Geliştirme
24. PC – Kişisel Bilgisayar
25. PLC – Programlanabilir Mantık Devresi
26. RTU – Dağılmış Veri Toplama Sistemleri
27. f(.) - ( ))(),...,1(),(),...,1(),(),...,1( euy nkekenkukunkykyf −−−−−−
28. (.)mf - ( ))(),...,1(),(),...,1( uy nkukunkykyf −−−−
x
1
I. YAPAY GÖRME A. GİRİŞ İnsanoğlundaki görsel işlevlerin bilgisayar modelini yaratmayı amaçlayan
yapay görme; hızlı bir şekilde büyüyen bir teknoloji, bir disiplindir. Görüntü
işleme, bilgisayar geometrisi, optik model tanıma ve temel bilgisayar fiziğinden
gelen yoğun katkılar sayesinde şu ana kadar yapay görme alanında başarılı
teoriler ve uygulamalar ortaya konulmuştur.
Halen devam eden araştırma ve çalışmalar, ”görme” nin kendisinden farklı
bile olsa diğer işlevlerin genel akışı içerisinde onlarla bağlantılı olarak
çalışılması gerektiğini göstermektedir. Amaçlı bir şekilde görsel görevleri yerine
getirebilmek için yapay görme; algaç parametrelerini düzenleme, hareket
ettirme ve bilgi elde etme durumlarının birbiriyle uyumlu olmasını sağlamak için
özellikle algılama dinamiği üzerinde durur. Bundan başka; çok sık olarak
denetim, saptama ve otomatik denetim gibi gerçek dünya uygulamalarına
dayanan yapay görme olayının yapılabilmesi için; nesnelerin modelleri elde
edilmeli ve saklanmalı, ortam içeriği hakkında akla uygun varsayımlar
üretilmelidir. Böylece görsel yetenekler ile öğrenme, sonuç çıkarma ve
haberleşme gibi algılama yetenekleri arasında çok derin bağlantılar ortaya
çıkacaktır. İnsan-bilgisayar etkileşiminin çok daha fazla önemli rol oynadığı
günümüzün çağdaş kültürü üzerindeki dramatik etkisiyle görsel haberleşme,
kendi içinde bir yığın zorlu konulara sahiptir.
Son olarak bu tezin yapay görme bölümünde inceleyebileceğiniz konuları
aktarmak istiyoruz. İlk önce kalıplar ve kalıp sınıfları üzerinde durulacaktır.
Daha sonra nesne tanıtma teknikleri incelenecektir. Üçüncü olarak algaç
tümleştirme yöntemleri ve üç boyutlu nesne algılama, tanıma üzerinde
durulduktan sonra yapay sinir ağlarıyla sistem tanıma konusu incelenip son
olarak da yapay görmenin uygulama alanları üzerinde durulup bu bölüm
bitirilecektir.
2
B. KALIPLAR VE KALIP SINIFLARI Kalıplar, genel olarak tanımlayıcıların düzenlenmesidir. Kalıp sınıfları ise,
bazı yaygın özellikleri paylaşan kalıp aileleri olarak tanımlanabilir. Kalıp sınıfları;
W ’yı sınıf sayısı olarak kabul edersek Wccc ,...,, 21 olarak belirtilir.
Makinayla yapılan kalıp tanımlamada olayın otomatik olarak yani mümkün
olan en az derecede insan etmeniyle yapılması amaçlanır. Kalıp tanıtımı, her
sınıfa sırayla kalıp atama teknikleri kullanılarak kalıp düzenleyiciler ile yapılır.
Pratikte üç temel kalıp düzenleyici vardır:
1. Yöney düzenleyiciler
2. Tel düzenleyiciler
3. Yapısal düzenleyiciler
Kalıp yöneyleri zyx ,, ile temsil edilirler ve
=
nx
xx
x....
2
1
düzeninde ix , i.
tanımlayıcıyı temsil etmek suretiyle ve nx , kalıpla ilgili tüm tanımlayıcıların
sayısını temsil etmek suretiyle gösterilir. Kalıp yöneyleri görüldüğü gibi n*1
matrislerle temsil edilmektedirler.
Olayın daha iyi anlaşılması ve bahsedilen kavramların yerine oturması için
bir örnek verelim: Bilgisayara üç çeşit iris çiçeğinin (ciris setosa, virginica,
versicolor) tanıtımının “en az uzaklık sınıflandırıcı” yöntemi ile yöney
düzenleyiciler kullanılarak onların taç yapraklarının genişliğin ve uzunluğunun
ölçülmesiyle yapıldığının varsayalım. Burada iris çiçeği bizim kalıbımız,
bahsedilen üç çeşit iris çiçeği de kalıp sınıflarımız olmaktadır. Kalıp yöneyleriyle
düzenleme yapıldığından x’e kalıp yöneyi denilirse bu kalıp yöneyinin iki tane
tanımlayıcısı mevcuttur:
1. İris çiçeğinin taç yapraklarının genişliği
2. İris çiçeğinin taç yapraklarının uzunluğu
3
Simgesel olarak ifade etmek gerekirse kalıbımız (iris çiçeği) c ile, üç tane
kalıp sınıfımız (ciris setosa , virginica, versicolor) ise 321 ,, ccc olarak gösterilir.
İris çiçeğinin taç yaprağına bizim kalıp yöneyimiz yani x dersek; bunu
=
2
1
x
xx
olarak gösterebiliriz. Burada 21 , xx ise iki tane tanımlayıcımız olduğundan, taç
yaprağının genişliğini ve taç yaprağının uzunluğunu belirtmek için
kullanılmaktadır.
C. NESNE TANITMA TEKNİKLERİ Genel olarak 4 adet nesne tanıtım tekniği vardır.
1. En az uzaklık sınıflandırıcı
2. Korelasyonla karşılaştırma
3. Yapay sinir ağlarıyla tanıtım
4. Algoritmalar yardımıyla tanıtım
Bu tezde yapay sinir ağlarıyla tanıtım konusu tezin ilerleyen bölümlerinde
ayrıntılı olarak açıklanmıştır. Algoritmalar yardımıyla tanıtım konusu ise
bilgisayar mühendisliğinin ilgi alanına girdiğinden isteyenlerin kişisel
araştırmalarına bırakılmıştır. Korelasyonla karşılaştırma ise pratikte çok fazla
kullanılmayan bir yöntem olduğundan bu bölümde ”en az uzaklık sınıflandırıcı”
yönteminden bahsedilmiştir.
1. EN AZ UZAKLIK SINIFLANDIRICI Genel olarak bir kalıp yöneyinin bir prototip yöneyiyle karşılaştırılması
üzerine kurulu bir yöntemdir. En çok kullanılan ve en basit yöntem budur. Bu
yöntemde her kalıp sınıfı bir prototip yöneyiyle temsil edilir. Bilinmeyen kalıp
4
(tanınacak kalıp) da, tek tek bu prototip yöneylerle karşılaştırılır ve bu
karşılaştırmanın sonucuna göre bir kalıp sınıfına atanır.
Adından da anlaşılacağı gibi, bu yöntemde bilinmeyen kalıp yöneyinin her
prototip yöneye olan uzaklığı ölçülür ve bunlardan en yakın uzaklık seçilerek
karar verilir. Daha ayrıntılı anlatmak gerekirse; bir kalıba ait her bir kalıp sınıfı
için prototip yöneyleri oluşturulur. Sonra tanıtılacak kalıp yöneyi ayrı ayrı bu
prototip yöneyleriyle karşılaştırılır. Normalde eğer bu karşılaştırılanlar aynı
olursa üst üste çakışması gerekeceğinden bu düşünüşe göre bilgisayar tek tek
tanıtılacak kalıp yöneyiyle prototip yöneyleri arasındaki farkları ölçer ve bu
bilinmeyen, tanınacak olan kalıp yöneyi en çok hangi prototipe benziyorsa veya
başka bir deyişle hangi prototiple arasında en az fark varsa karşılaştırma
sonrasında bilgisayar tarafından bu prototip seçilir. Bundan sonra ise, sadece
tanınacak olan kalıp yöneyiyle bu seçilen prototip yöneyi kıyaslanmaya başlar
ve daha önceden bilgisayara verilmiş ölçütler sağlanıyorsa bilgisayar tarafından
bu bilinmeyen kalıp yöneyi tanınır ve ayrılır. Başka bir deyişle tanınacak olan
kalıp yöneyiyle seçilen prototip yöneyi eşlenir. İşte fabrikalardaki seri üretimin
mantığı budur. Konunun iyice anlaşılması için bir örnekle sözümüzü bağlayalım:
“Mado Baba” salça bizim kalıbımız olsun. Bu salçamızın yani kalıbımızın
küçük, orta ve büyük boy olmak üzere üç tane de boyutu olsun yani bunlar
bizim kalıp sınıflarımızdır. Önce bu üç sınıfın ayrı ayrı, tanımlayıcılarına göre
prototipleri oluşturulur ve ana sistem bilgisayarına girilir. Bilgisayar önüne gelen
kalıbı bu üç prototip yöneyiyle karşılaştırır ve hangi prototip yöneyine
benziyorsa onunla eşler. Daha sonra önceden bilgisayara girilen “uygunluk
ölçütü” ne göre bilgisayar eşlediği prototip yöneyiyle kalıbı karşılaştırır ve
uygunluk ölçütü sağlanıyorsa “uygundur” , sağlanmıyorsa “hatalı üretim”
damgası basılır.
5
D. ALGAÇ TÜMLEŞTİRME YÖNTEMLERİ, ÜÇBOYUTLU NESNE ALGILAMA VE TANIMA Üç boyutlu nesne algılama ve tanıma; robotik, uzaktan algılama, kalite
kontrol gibi çok çeşitli alanlarda kullanılan bilgisayar ile görü dizgelerinde en
önemli adımdır. İnsan görü sisteminin stereo, koyuluk, derinlik, renk, doku gibi
birçok farklı bilgiyi tümleştirerek gözlenen imgenin içerdiği nesneleri algıladığı
ve tanımladığı belirlenmiştir. Bu nedenle son yıllarda birden fazla algaçtan
alınan imgelerden nesne tanıma amacı için yararlı bilgilerin çıkarılmasına
olanak tanıyan bilgisayar ile görü sistemlerinin tasarımı üzerinde çalışılmaktadır.
Farklı kaynaklardan alınan imgelerin tümleştirilmesinde temel amaçlar iki
tanedir:
1. Tek bir imge ile elde edilemeyecek bilginin farklı veriler analiz edilerek
çıkarılması: Örneğin, lazer tarayıcı ile elde edilen erim imgesi, gözlenen
ortamdaki nesnelerin üç boyutlu geometrisi hakkında önemli bilgiler içerir.
“Yükten Bağlaşımlı” (CCD) kamera ile alınan koyuluk imgesi, nesnelere ilişkin
gri düzeyi, doku gibi fiziksel özellikler hakkında bilgi içerir.
2. Gürültü ve bozucu etkilerin en aza indirilmesi ve böylece çözümün daha
kaliteli ve güvenli olmasının sağlanması: Nesne ayrıtlarından kaynaklanan
süreksizlikler farklı türden imgelerde farklı şekillerde ortaya çıkar. Bu nedenle
farklı kaynaklardan alınan veriler ile süreksizlik noktaları daha kesin belirlenerek
üç boyutlu sistemden kaynaklanan bozucu etkiler en aza indirilir.
Aynı ortama ilişkin farklı cins imgeleri tümleştiren bir bilgisayar ile görü
sistemi tasarlanırken gözönüne alınması gereken konular aşağıdaki başlıklarla
özetlenebilir:
1. Gözlenen imge üzerinde yapılan alt, orta, üst düzey görü işlemlerinin
hangi aşamasında tümleştirme yapılmalıdır?
2. Gözlenen imgeye ilişkin hangi gösterimler tümleştirmeye uygundur?
3. Tümleştirme mekanizması ne olmalıdır?
Bu sorular robot ve insan görüsü üzerindeki çalışmaların odak noktasının
oluşturmaktadır ve birbirinden ayrı düşünülemez. Farklı algaçlardan alınan
6
imgelerin en iyi, süreksizlik noktalarında tümleştirilebileceği yaklaşımı kabul
edilmekte ve tümleştirme mekanizması ne olmalıdır sorusuna yanıt
aranmaktadır.
Teknik yazında farklı algaçlardan alınan bilgilerin tümleştirilmesi konusunda
bir çok çalışma bulunmaktadır. Bunlardan konu ile en ilgili olan birkaçı
sıralanırsa:
1. T. Poggio ve B. Gamble; koyuluk, erim, stereo, hareket, doku ve
renk gibi imgeye ait fiziksel özellikleri bağlaşımlı “Markov Rastlantı Alanı”
(MRF) modelleri ile tümleştiren bir sistem önermişlerdir. Bu sistemde farklı
imgelere karşı düşen modüller bağımsız olarak çalışan “zayıf bağlaşımlı” birer
blok olarak düşünülmüş, tümleştirmede koyuluk bilgisi esas alınmıştır. Önerilen
model son yıllarda “Massachusetts Institute of Technology” ‘ de (MİT) “Vision
Machine” adı altında geliştirilmektedir.
2. J. K. Aggarwall ve A. Mitiche tarafından sadece erim ve koyuluk
süreksizliklerini tümleştiren doğrusal bir model geliştirilmiştir.
3. B. Chou, S. Nadabar ve A. K. Jain bağlaşımlı MRF’ler kullanarak
koyuluk ve erim bilgilerinden derinlik bilgilsini elde etmek amacıyla modeller
önerdiler.
4. B. Günsel ve A. K. Jain, B. Günsel ve E. Panayırcı bağlaşımlı MRF
modellerini kullanarak erim ve koyuluk imgelerini tümleştiren ve seyrek veri
içinde başarımı yüksek olan “sıkı bağlaşımlı tümleştirme” modelleri
önermişlerdir.
Yazındaki birçok çalışmaya karşın farklı görsel modellerin tümleştirilmesi için
genel bir yöntem henüz önerilememiştir. Bunun başlıca sebebi, çeşitli
kaynaklardan alınan verilerin çok farklı özellikler göstermesi ve önceden tek tek
modüller için geliştirilen yöntemlerin, görü işlemi bir bütün olarak ele alındığında
yeterli performansı sağlayamamasıdır.
Farklı imgelere karşı düşen görsel modellerin tümleştirilmesi ile ilgili
çalışmalardaki çok sayıdaki yaklaşım temel olarak dört başlıkta özetlenebilir:
7
1. Farklı yönlerden alınan veriyi aktif bir ön işleme uygulamadan,
doğrudan kullanıldığı yerde tümleştirme: Bu yaklaşım seyir uygulamalarında
kullanılmakta olup geniş çaplı kullanıma uygun değildir.
2. Farklı görsel modüllerden alınan veriyi birbiriyle sıkı bir ilişki içinde
düşünmek dolayısıyla ayrık hiçbir işlem yapmama: Bu yaklaşım birçok açıdan
sınırlayıcıdır.
3. Farklı kaynaklardan alınan veriye belli taslaklara uygun olarak,
gerektiğinde ve imgenin gerekli bölgelerinde tümleştirme uygulanması: Bu
yaklaşım özellikle psikolojik analizde kullanılan veriler için önerilmektedir.
4. Görsel modüllerin hem birbirine hem de gözlenen imgelere bağlı
düşünülmesi: Bu yaklaşım Marr tarafından önerilen 2.5 boyutlu gösterim ve,
H. G. Barrow ve J. M. Tennenbaum tarafından önerilen “esas imge” nin elde
edilmesi amacına uymaktadır. 2.5 boyutlu gösterim ve esas imgenin elde
edilmesi Şekil1’ de ve Şekil 2’ de incelenebilir.
Şekil 1. 2.5 Boyutlu İmge Gösterimi
8
Şekil 2. Esas İmgenin Elde Edilmesi
1. SİSTEM MODELİ
Üç boyutlu nesne algılama ve tanımada yaygın bir teknik; görsel bilgiden
bir düzgünleştirme yöntemi kullanılarak ve belirlenen bir düzlük varsayımı
altında nesnelere ait üç boyutlu yüzeylerin elde edilmesidir. Gerçek dünyanın
yüzeyleri düz olan ve ayrıtlarında süreksizlikler içeren nesnelerden oluştuğu
varsayımı altında güvenilir bir yüzeyin yeniden oluşturma işleminin süreksizlikler
sezilmeksizin başarılamayacağı açıktır. İmgelerdeki süreksizlikler, nesne
9
yüzeyleri arasındaki ayrıtlar olarak tanımlanırlar. Bu nedenle son yıllarda nesne
algılama dizgelerinde görsel yüzey yeniden oluşturma ve ayrıt sezme birlikte
gerçeklenmektedir. Böylece sadece nesne yüzeylerinin saptanmasına dayanan
yöntemlerin sakıncaları aşılabilmektedir. Şimdi tek tek, sistem modelinde
kullandığımız modüllere bir göz atalım:
a. Erim Modülü Nesnelerin üç boyutlu uzayda algılanmasında sistem girişindeki
imgelerden çıkarılacak derinlik bilgisi temel rol oynar. Derinlik bilgisi
çıkarıldıktan sonra imgenin 2.5 boyutlu olarak adlandırılan gösterimi
oluşturulabilir.
Şekil 3.a. Erim İmge
Şekil 3.b. Koyuluk İmge
Bu nedenlerle koyuluk imgeleri üç boyutlu nesne algılama ve tanıma
işlemlerinde yetersiz bulunmuş, onun yerine yeni sayısallaştırma yöntemleri
geliştirilmiştir. Gözlenen bir imgeye ilişkin derinlik bilgisi genel olarak üç
yöntemle elde edilir:
10
1. Stereo sistemler kullanılarak
2. Yapısal ışıklandırma sistemleri ile
3. Lazer ışın demetinin gidiş-dönüş süresine göre nesnelerin uzaklı-
ğını belirleyen sistemler ile
Stereo sistemler ve yapısal ışıklandırma sistemlerinde yoğun derinlik
bilgisinin doğrudan elde edilememesi ve kullanılan dönüşümlerin birebir
olmaması önemli oranda bilgi kaybına neden olmaktadır.
Son yıllarda hem etken hem de edilgen algılayıcılardan derinlik bilgisi
içeren sayısallaştırılmış erim imgeleri elde edilebilmektedir. Sayısal bir erim
imge, i imge satırlarını, j imge sütunlarını göstermek üzere herbir (i, j) gözesine
karşı düşen f(i, j) derinlik değerlerinden oluşur. [(i, j), f(i, j)] yöneyi dünya
tanımlaçlarına basit bir doğrusal dönüşüm ile çevrilebilir. f(i, j) değerleri
nesnelerin geometrisine bağlı olduğu ve yansıma, ışıma, gölge gibi fiziksel
ortalamaya ilişkin etmenlerden bağımsız olduğu için koyuluk imgelerinde
karşılaşılan hata kaynaklarının etkisi, erim imgelerinde söz konusu değildir. Bu
nedenle bilgisayar ile görü sistemlerindeki birçok işlem, koyuluk ve erim
imgelerini tümleştirerek önemli oranda basitleştirilebilmektedir.
Erim imgelerinde temel olarak üç tip süreksizlik tanımlanır:
1. Üst üste gelen nesnelerin ayrıtlarında oluşan ve derinlikteki büyük
bir süreksizliği belirtmek amacıyla atlama kenarları olarak adlandırılan
süreksizlikler
2. Aynı nesneye ilişkin oldukça farklı doğrultuda yüzey normallerine
sahip iki yüzeyin kesişiminde oluşan ve kırılma kenarı olarak adlandırılan
süreksizlikler
3. Nesnelere ilişkin yüzey normallerinin değişim oranı olarak
tanımlanan eğrilik süreksizliklerinin yol açtığı eğrilik kenarları
Bu modülde MRF modelleri kullanılarak erim imgelerinde yüzey kurma
ve ayrıt sezma işlemi gerçeklenir.
11
b. Koyuluk Modülü
Bilgisayar ile görü araştırmalarında başlangıçta çoğunlukla sayısal
koyuluk imgeleri kullanılmıştır. Bu imgeler üç boyutlu yüzey tanımlaçlarından iki
boyutlu imge düzlemine her bir göze elemanına bir parlaklık düzeyi atayarak
yapılan bir izdüşürme işlemi ile elde edilirler ve derinlik algılanmasında
doğrudan kullanılacak herhangi bir bilgi içermezler.
Bu modülde koyuluk süreksizlikleri ve yüzeyleri bağlaşımlı MRF
modelleri kullanılarak elde edilir.
c. Yüzey Kurma Ve Ayrıt Sezme Modülü Yüzey kurma ve ayrıt sezme sorunu, Bayesian bir yaklaşımla gözlenen
gürültülü erim imgeden gerçek derinlik (koyuluk) bilgisi ve nesne ayrıtlarının
çıkarılması, bir başka deyişle gerçek imgeye ait derinlik (koyuluk) ve ayrıt
etiketlerinin “Markov Varım Süreci” (MAP) öngörüsü ile bulunması biçiminde
tanımlanmaktadır. Gerçek imge bir bağlaşımlı MRF çifti ( )lx, ile
modellenmektedir. Burada x derinlik (koyuluk) süreci, l çizgi süreci olarak
adlandırılmaktadır ve her bir süreç olasılık dağılımı “Gibbs Süreci” olan birer
MRF ile modellenmektedir.
“Hammersley-Clifford teoremi” ve “Bayes teoremi” kullanılarak derinlik
(koyuluk) ve çizgi süreçlerinin sonsal olasılık dağılımı
TylxU
eZy
lxP),(
1),(−
= (1)
U(x,l/y)=Sonsal Enerji,
y=Gözlem Yöneyi
12
biçiminde yazılabilir ve verilen yazım sistemi kullanılarak yüzey kurma ve ayrıt
sezme problemi P(x,l/y)’nin en büyüklenmesi, U(x,l/y)’nin en küçüklenmesi
olarak tanımlanabilir.
2. SÜREKSİZLİKLERİN TÜMLEŞTİRİLMESİ
Bu modülde erim ve koyuluk imgelerinden elde edilen yüzey ve ayrıt
bilgilerinin tümleştirilmesi gerçeklenir. Tümleştirme adımının temel amacı
gözlenen farklı imgelerde ortak olan süreksizliklerinin belirlenmesidir.
Tümleştirmenin süreksizliklerle yapılmasının çeşitli nedenleri vardır:
1. Var olan model-dayanaklı algılama algoritmaları, algılamada temel
sorunun gözlenen imgedeki ayrıt, köşe vb… öz nitelikler cinsinden kabul
edilebilir bir yüzey haritasının çıkarılması olduğunu belirtmektedirler. Bu
haritanın kusursuz olması gerekmez çünkü insan görü sistemi gürültülü ve
örtüşmüş çizgi resimlerle çalışabilir.
2. İmgedeki en önemli bölgeler yüzey özelliklerine ait süreksizliklerdir.
3. Süreksizlikler farklı kaynaklardan alınan bilginin tümleştirilmesi için
en uygun bölgelerdir.
Bu noktada, algaç tümleştirme sorununu önceden verilen yazım sistemine
göre Bayesian yaklaşımla tanımlarsak; erim ve koyuluk imgelerini içeren gözlem
yöneyi “y” bilindiğine gore, ortak koşullu sonsal enerji fonksiyonu U(x,l/y)’yi en
küçükleyerek yine iki elemanlı x derinlik (koyuluk) yöneyini ve tümleştirilmiş
ayrıtları simgeleyen bir elemanlı “l” yöneyinin hesaplanması gerekir.
Sorunu MRF’lerle modelleyebilmek için aşağıdaki varsayımların yapılması
gerekir:
Varsayım 1: Her bir gözedeki gözlemler birbirinden koşullu bağımsızdır.
Varsayım 2: Her bir imgedeki gözlemler birbirinden koşullu bağımsızdır.
Varsayım 3: Derinlik(koyuluk) ve çizgi süreçler bağımsız değildir. Varsayım 4: Çizgi süreçler olasılıksal bağımsız değildir.
13
1, 2, 3, 4 varsayımları altında sonsal enerji fonksiyonu aşağıdaki gibi
yazılabilir:
( )∑∑=
+
=
n
k
n
jik
kkij iiW
ylxUy
lxU1
1
,
,.....,,),( (2)
Bu formülde
kkk
ij ylxU , , k imgesinde (i, j) gözesine atanan sonsal enerji
değeridir.
( )niiW ,.....,1 terimi, erim ve koyuluk imgelerinin süreksizlikleri arasındaki ilişkiyi
belirler. 3. SONUÇLAR Bu bölümde yapılan çalışmanın amacı, farklı algaçlardan alınan aynı
ortama ait erim ve koyuluk imgelerinin tümleştirilmesi ile, nesnelerin üç boyutlu
nesne algılama ve tanıma işlemlerinde kullanıma uygun 2.5 boyutlu
gösterimlerinin elde edilmesidir. Bu amaçla önerilen tümleştirme modelinde,
farklı imgeler düzenlileştirme uygulanarak belirlenen bir düzlük varsayımı
altında işlenmekte, nesnelere ilişkin ayrıtlar sezilmekte, nesne yüzeyleri
kurulmaktadır. Önerilen modelde nesne yüzeylerinin kurulması ve ayrıt sezme
işlemi birlikte gerçeklenmekte, farklı imgelerdeki bilgi, nesne ayrıtlarına karşı
düşen süreksizlik noktalarında tümleştirilmektedir. Tümleştirme modeli Bayesian
yaklaşıma dayalı doğrusal olmayan bir modeldir. Nesne yüzeyleri ve ayrıtlarının
modellenmesinde bağlaşımlı MRF modelleri kullanılmaktadır. Bayesian
yaklaşım birçok farklı kaynaktan alınan verinin tümleştirilmesinde olanak
tanımakla birlikte nesnelere ilişkin derinlik bilgisinin algılama ve tanımadaki
önemi nedeniyle erim imgeleri ve imgenin doku, gri düzeyi gibi fiziksel
14
özelliklerini yansıtan koyuluk imgeleri, giriş verisi olarak kullanılmaktadır. Son
olarak konunun pratik uygulama alanları özetlenirse;
1. Askeri alanda hedef tanıma ve takibi uygulamalarında sonarlar veya
görüntüleme radarları kullanılarak çok farklı yönlerden alınan bilginin
tümleştirilerek işlenmesi, yorumlanması ve hedefin saptanması
2. Askeri uygulamalarda gözetleme ve nesne tanıma amacıyla
görüntüleme radarları ile alınan “Sentetik Açıklıklı Radar” (SAR) görüntülerinin
analizi: Bu uygulamada farklı frekanslarda alınan imgelerden oluşan SAR verisi
tümleştirme teknikleri kullanılarak hedef saptama amacına yönelik tek bir
imgeye dönüştürülür. Aynı zamanda alınan imgeler farklı ölçeklerde taranarak
gözlenen ortamdaki farklı büyüklük ve şekillerdeki nesneler saptanabilir.
3. “Yüksek Yoğunluklu Televizyon” (HDTV) uygulamalarında renkli
görüntünün R (Kırmızı), G (Yeşil), B (Mavi) bileşenlerinin analizinde geliştirilen
tümleştirme algoritmaları kullanılabilir.
4. Erim imgeler, derinlik bilgisini doğrudan verdikleri için robot görü ile
yapılan birçok kalite kontrol ve sanayi robotu uygulamasında hata payını azaltır,
işlemleri hızlandırırlar. Örneğin bir kutuda bulunan malzemeleri boşaltmada
kullanılan bir robot kolu geliştiren erim, veri işleme algoritmaları kullanılarak
parçaların kendisine uzaklığını saptar ve boşaltma işlemini gerçekleştirir. Yine
endüstriyel parçaları renklerini de gözönüne alarak boşaltan bir robot kolu
isteniyorsa bu durumda erim ve koyuluk imgeleri tümleştirilebilir. Erim
tarayıcıların endüstriyel uygulamalarda kullanımı, ucuz sistemler geliştirilerek
yaygınlaştırılabilir.
5. Günümüzde örnek alma, öğrenme, tanımlama, yorumlama süreçleri-
ni gerçekleyen uzman sistemler farklı cinste giriş verisini işlemek durumundadır.
Örneğin gezgin bir endüstriyel robot veya uzay çalışmalarında kullanılan bir
gezgin robot, incelenen ortam hakkında üzerinde bulunan farklı algaçlarla aldığı
verileri tümleştirmek ve sürekli güncelleştirerek bulunduğu ortamı öğrenmek ve
yorumlamak durumundadır. Bayes yaklaşımı, birden fazla kaynaktan alınan
verinin işlenmesinde giriş verisinin istatistiksel özelliklerini de kullanan öğrenme
süreçlerine olanak tanır.
15
E. YAPAY SİNİR AĞLARIYLA SİSTEM TANIMA Bu bölümde zamanla değişmeyen ayrık zamanlı dinamik sistemlerin
tanınması konusu anlatılacaktır. Önce dinamik sistemlerin giriş-çıkış gösterilimi
ve sistem tanıma hakkında genel bilgiler verilecektir. Daha sonra genelleştirilmiş
ters bağıntısı kullanılarak doğrusal bağlaşım ağı ve geriye yayılma algoritması
kullanılarak çok katmanlı genlikte sürekli algılayıcı ile sistem tanıma konusu
anlatılacaktır. 1. DİNAMİK SİSTEM GÖSTERİLİMİ
Dinamik bir sistemin matematiksel modeli değişik formlarda verilebilir. Bu
çalışmada giriş-çıkış modeli kullanılacaktır. nRUku ⊂∈)( sistem girişi, mRYky ⊂∈)( sistem çıkışı ve mREke ⊂∈)( sisteme etkiyen gürültü olmak
üzere ayrık zamanda çok girişli-çok çıkışlı doğrusal dinamik bir sistem fark
sistemleriyle şu şekilde ifade edilebilir:
∑ ∑ ∑= = =
+−+−+−=y u en
n
n
i
n
iiii keikeCikuBikyAky
1 1 1)()()()()( (3)
euy nnn ,, sırasıyla çıkış, giriş ve gürültü için en çok gecikme katsayısıdır.
iii CBA ,, sırasıyla m*m, m*n, m*m boyutlu katsayı matrisleridir. Bu model
“Harici Değişkenlerle Hareketli Ortalama Öngörüsü” (ARMAX) modeli olarak
adlandırılır. ARMAX modelinde gecikmiş gürültüler atılmak suretiyle bir
yaklaşıklık yapılırsa “Harici Değişkenlerle Öngörü” (ARX) modeli elde edilir:
∑ ∑= =
+−+−=y un
i
n
iii keikuBikyAky
1 1)()()()( (4)
16
Ayrık zamanda doğrusal olmayan sistemlerde ARMAX modeline benzer
şekilde fark denklemleriyle şu şekilde yazılabilir:
)())(),...,1(),(),...,1(),(),...,1(()( kenkekenkukunkykyfky euy +−−−−−−= (5)
(.)f doğrusal olmayan yöneysel bir fonksiyondur. Bu model ise “Doğrusal
Olmayan Harici Değişkenlerle Hareketli Ortalama Öngörüsü” (NARMAX) adını
alır ve bazı yaklaşıklıklar yapılırsa “Doğrusal Olmayan Harici Değişkenlerle
Öngörü” (NARX) modeli elde edilir:
)())(),...,1(),(),...,1(()( kenkukunkykyfky uy +−−−−= (6)
ARMAX modeli doğrusal sistemler için, NARMAX modeli ise doğrusal
olmayan sistemler için genel modellerdir. 2. SİSTEM TANIMA
Sistem tanıma, sistem teorideki temel konulardan biridir ve bir sistemin
deneysel olarak elde edilen giriş-çıkış verilerinden yararlanarak sistemin
matematiksel bir modelini türetmeye çalışır.
Şekil 4’te gösterildiği gibi sisteme ve modele aynı u(k) girişi uygulanır.
YUP →: sistem operatörü ve YUPm →: model operatörü olmak üzere amaç;
çıkış uzayında tanımlanmış bir norma göre 0>ξ olmak üzere
,)()( ξ≤−=− uPuPyy mm u U∈ (7)
olacak şekilde bir mP bulmaktır.
17
Şekil 4. Sistem Tanıma
Daha özel bir tarifle sistem tanıma doğrusal sistem modellerindeki katsayı
matrislerinin bulunması ve doğrusal olmayan sistem modellerindeki (.)f
fonksiyonunu yaklaştıracak bir (.)mf fonksiyonunun bulunması sorunudur.
a. Sistem Tanıma Aşamaları
Sistem tanıma aşağıdaki 4 aşamadan oluşur:
1. Sistemin giriş ve çıkış bilgilerinin elde edilmesi
2. Model yapısının seçimi
3. Model parametrelerinin kestirimi
4. Modelin yapısının ve parametrelerin uygunluğunun testi
Tanınacak sisteme uygulanacak işaretler sistem tanımada çok büyük
öneme sahiptir. Girişler, sistemin tüm modlarını uyarabilmelidir. Bu yüzden
girişler frekans yönünden çok zengin olmalıdır. Bu amacın sağlanması
18
maksadıyla tüm frekansları içerdiği için rastgele işaretler kullanılır. Doğrusal
sistemler için girişin genlik yönünden iki seviyeli olması yeterli olabilirken
doğrusal olmayan sistemler için girişin genliği de rastgele olarak seçilmelidir.
Sistem hakkındaki ön bilgilerden yararlanarak ya da tahminler yapılarak
model yapısı seçilir. Bu ön bilgiler ve tahminler sistemin derecesi, sistemin
doğrusal olup olmadığı ve gürültünün sistemin çıkışına etkisi bilgilerinden
oluşmaktadır. Doğrusal sistemler için daha çok ARMAX ya da ARX modelleri,
doğrusal olmayan sistemler için ise NARMAX ya da NARX modelleri seçilir.
Model seçimi yapıldıktan sonra giriş ve çıkışlardan yararlanılarak
modeldeki parametreler seçilen bir yönteme göre kestirilir.
Elde edilen modelin sistemin uygun bir gösterilim olup olmadığını anlamak
için model, değişik girişler için test edilir. Eğer model, sistemi istenilen
doğrulukta gösteremiyorsa daha karmaşık bir model yapısı seçilerek işlemler
uygun bir model bulunana kadar devam ettirilir.
b. Doğrusal Bağlaşım Ağı İle Sistem Tanıma
Doğrusal bağlaşım ağı, tek katmanlı bir ağdır. Çıkış fonksiyonu
doğrusaldır. Buna göre ağın çıkışı my olma üzere ifade şu şekilde yazılabilir:
)()( kWxkym = (8)
Gürültüsüz bir doğrusal sistem, ARMAX ve ARX bağıntılarından
yararlanılarak şu şekilde ifade edilebilir:
19
=)(ky [uy nn BBAA ...... 11 ]
−
−
−
−
)(.............)1(
)(............)1(
u
y
nku
ku
nky
ky
(9)
(9), (8) ile karşılaştırılırsa
[ ]uy nn BBAAW ...... 11= (10)
[ ]TuTT
yTT nkukunkykykx )()...1()()...1()( −−−−= (11)
ifadeleri yazılabilir. (10) ifadesinden görülebileceği gibi sistemin fark
denkleminin katsayıları, ağın ağırlıklarına karşılık düşmektedir.
Ağ, sistemden alınan ( ) ( ) ( ))(),(,...,)2(),2(,)1(),1( PyPxyxyx eğitim çiftleri
yardımıyla ardışıl olarak veya gruplamayla eğitilebilir. Burada giriş ve çıkışlar
gruplanarak, genelleştirilmiş ters bağıntısı kullanılacaktır. Aşağıdaki tanımlar
yapılırsa;
[ ])()...2()1( PyyyY =
[ ])()...2()1( PxxxX = (12)
karesel hatayı en aza indiren genelleştirilmiş ters bağıntısı şu şekilde
bulunabilir:
+=YXW (13)
Burada ,+X X ’in genelleştirilmiş tersini (pseudoinverse) gösterir.
Genelleştirilmiş ters aşağıdaki özellikleri sağlar:
20
,XXXX =+ ,+++ = XXXX ,)( TXXXX ++ = TXXXX )( ++ = (14)
Genelleştirilmiş ters bağıntısı ile sistemin giriş-çıkışlarından yararlanılarak
doğrusal bir sistemin matematiksel modeli (eğer girişler doğrusal bağımsız ve
yeterince örnek var ise) tam olarak bulunabilirken, doğrusal olmayan bir
sistemin de elde edilen giriş-çıkış çiftleri için karesel hatayı en aza indiren
doğrusal modeli, elde edilebilir.
c. Çok Katmanlı Genlikte Sürekli Algılayıcı İle Sistem Tanıma
Doğrusal sistemlerin tanınması için başarıyla uygulanabilen pek çok
yöntem vardır. Doğrusal olmayan sistemlerin tanınması için de bazı yöntemler
olmasına rağmen bilinmeyen yapıdaki doğrusal olmayan sistemlerin tanınması
için etkili ve genel bir yöntemin eksikliği vardır.
Son yıllarda evrensel yaklaştırıcı olarak “çok katmanlı genlikte sürekli
algılayıcı” (ÇKSA), bilinmeyen yapıdaki doğrusal olmayan sistemlerin
tanınmasında yaygın olarak kullanılır olmuştur. Bunun üç sebebi vardır:
1. Geriye yayılma algoritmasıyla kolayca eğitilebilir
2. Her hangi bir fonksiyonu istenilen doğrulukta yaklaştırabilir
3. Tanınacak sistem hakkında çok az ön bilgi gerekir. Bu ön bilgiler
euy nnn ,, parametrelerinden oluşmaktadır.
ÇKSA ile bir sistemin tanınabilmesi için sistemin kararlı olması gerekir.
Çünkü ağın girişleri ve çıkışları sınırlıdır.
21
Şekil 5. Çok Katmanlı Genlikte Sürekli Algılayıcı İle Sistem Tanıma
ÇKSA ile sistem tanıma yapılırken gürültünün sitem çıkışına etkisine
göre NARMAX modeli veya NARX modeli seçilir. (.)f fonksiyonu bir (.)mf
fonksiyonu ile yaklaştırılır. Şekil 5, basitlik amacıyla tek giriş-çıkışlı bir sistemin
çok katmanlı genlikte sürekli algılayıcı tipi ağla tanınmasını göstermektedir.
Ağın ağırlıkları, sistem çıkışı ile ağın çıkışı arasındaki fark olarak tanımlanır.
)()()( kykyk m−=Ε (15)
22
(.)f fonksiyonunu bir (.)mf fonksiyonu ile yaklaştırmak için iki model
vardır:
1. Seri-paralel model
2. Paralel model
(1) Seri-Paralel Model
Seri-paralel modelde ağın girişi, gecikmiş girişlerden ve gecikmiş
sistem çıkışlarından oluşur. NARMAX modeli için ayrıca genelde gürültüler
gözlenemediği için gecikmiş model öngörü hatalarından oluşur. Buna göre ağın
çıkışının ifadesi NARX ve NARMAX için sırasıyla,
( ))(),...,1(),(),...,1()( uymm nkukunkykyfky −−−−= (16)
( ))(),...,1(),(),...,1(),(),...,1()( euymm nkknkukunkykyfky −Ε−Ε−−−−= (17)
olarak yazılabilir. Buna göre ağın giriş vektörü )(kx , NARX ve NARMAX model
için sırasıyla aşağıdaki gibi yazılabilir:
( )TuTT
yTT nkukunkykykx )()...1()()...1()( −−−−= (18)
( )TeTT
uTT
yTT nkknkukunkykykx )()...1()()...1()()...1()( −Ε−Ε−−−−= (19)
Ağ yeterince eğitilirse )(ky yaklaşık olarak )(kym olacağından seri-
paralel model, paralel modelle değiştirilebilir.
23
(2) Paralel Model
Paralel modelde ağın girişi, gecikmiş girişlerden ve gecikmiş ağ
çıkışlarından oluşur. NARMAX modeli için ayrıca seri-paralel moddaki gecikmiş
model öngörü hataları yerine sıfır girişlerinden oluşur. Buna göre ağın çıkışının
ifadesi NARX ve NARMAX modelleri için yazılırsa;
( ))(),...,1(),(),...,1()( uymmmm nkukunkykyfky −−−−= (20)
( )0,...0),(),...,1(),(),...,1()( uymmmm nkukunkykyfky −−−−= (21)
elde edilir. Buna göre ağın giriş vektörü )(kx NARX ve NARMAX modelleri için;
( )TuTT
ymTmT nkukunkykykx )()...1()()...1()( −−−−= (22)
( )TTTu
TTy
mTmT nkukunkykykx 0...0)()...1()()...1()( −−−−= (23)
olarak yazılabilir. (0, elemanları 0 olan vektörü göstermektedir. )
Paralel mod kullanılırsa (.)mf fonksiyonunun (.)f fonksiyonunu
istenen doğrulukta yaklaştırması beklenemez. Bu yüzden önce seri-paralel
model kullanılmalıdır. Seri-paralel model ile ağ yeterince eğitilince )(ky yaklaşık
olarak
)(kym olacağından paralel moda geçilir.
d. Çevrimdışı Ve Çevrimiçi Sistem Tanıma
Çevrimdışı sistem tanıma, tanınacak sistemin giriş-çıkışının sonlu bir
kümesiyle gerçekleştirilir. Önce giriş-çıkış verilerinden oluşan bir küme elde
edilir ve modeldeki parametreler bu verilerden hareketle kestirilir.
24
Çevrimiçi sistem tanıma, işlem sırasında tanınacak sistemin giriş-
çıkışının sürekli izlenmesiyle gerçekleştirilir. Tanınacak sistemin parametreleri
zamanla değişiyorsa çevrimiçi tanıma yapılmalıdır. Bazı kontrol sistemleri
(MRAC, IMC, vb…), kontrol edilen sistemin bir modeline gereksinim duyar ve bu
kontrol sistemlerinde kullanılan model, çevrimiçi olarak gerçekleştirilmelidir.
Çevrimiçi sistem tanıma yapılmadan önce çevrimdışı sistem tanıma yapılması
performansı arttırır.
(1) Çevrimdışı Sistem Tanıma
Çevrimdışı sistem tanımada, önce sisteme rastgele girişler uygulanır
ve sistemin bu girişlere ilişkin çıkışları elde edilir. Bu girişlerden ve çıkışlardan
yararlanarak eğitim kümesi [ ])()(),...,2()2(),1()1( PdPxdxdx belirlenir. Bu eğitim
kümesi kullanılarak ağ geriye yayılma algoritması ile grup uyarlamalı ve veri
uyarlamalı olarak eğitilir.
(2) Çevrimiçi Sistem Tanıma
Çevrimiçi sistem tanımada sabit bir eğitim kümesi yoktur. Sisteme
rastgele girişler uygulanır ve sistemin bu girişlere ilişkin çıkışları elde edilir. Ağ,
[ ])()( kdkx giriş-çıkış çiftine göre veri uyarlamalı olarak eğitilir. Momentum
metodu kullanılabilmesine rağmen uyarlamalı öğrenme oranı kullanılamaz.
Toplam karesel hata, son P adım için hesaplanarak incelenebilir. Ancak
çevrimiçi sistem tanımada örnekler sürekli olarak değiştiği için veri aralığından
ve örnek sayısından bağımsız bir hata tanımlamak gereklidir ve bu hataya göre
eğitimin sonlandırılması gerekir. Bunun için her çıkış için bağıl hata şu şekilde
tanımlanabilir:
25
( )
( )∑
∑
−
−= =
2
1
2
)()(
)()(
kyky
kykyBH
mii
P
k
mii
i
ort
(24)
Çevrimiçi sistem tanımada öğrenme zamanı fazla önem
taşımamaktadır. Çevrimiçi sistem tanıma sistemin sürekli çalıştırılmasıyla
yapıldığı için performansının yüksek olması istenir. Performansı arttırmak için
belli sayıdaki daha önceki giriş-çıkış çiftlerini de kullanılan bazı yöntemler
geliştirilmiştir.
3. SİMÜLASYON UYGULAMALARI Bu bölümde, hem çevrimiçi hem de çevrimdışı sistem tanıma ile ilgili iki
adet simülasyon incelenecektir. İncelenecek olan simülasyonlar,
”Turbo Pascal 5. 5” programlama dilinde yazılmış bir program ile yapılmıştır.
Bilgisayarın mikroişlemcisi i486 DX2-66’dır.
Çok katmanlı algılayıcı ile sistem tanımada; birinci saklı katmanında 20,
ikinci saklı katmanında 10 hücre bulunan üç katmanlı genlikte sürekli algılayıcı
kullanılmıştır. Saklı katmanların çıkış fonksiyonu tanjant sigmoid, çıkış
katmanının çıkış fonksiyonu olarak da kazancı 1 olan doğrusal fonksiyon
kullanılmıştır. İlk ağırlıklar, daha iyi ilk ağırlık seçme kuralına göre belirlenmiştir.
Girişler [-1, +1] aralığına ötelenerek kullanılmıştır. Başlangıç değerleri sıfır
olarak alınmıştır. Sonuçları vermede kolaylık olsun diye aşağıdaki simgeler
kullanılmıştır:
pmy : Paralel mod çıkışı spmy : Seri-paralel mod çıkışı gzy : Gürültüsüz sistem çıkışı
)()()( kykyk pmpm −=ε
26
)()()( kykyk spmspm −=ε
)()()( kykyk pmgzpgz −=ε
( ))3/*sin()10/*sin(*5.0)( Π+Π= kkku t
[ ]Td kkkku )3/*2sin()5/*sin(),3/*sin()10/*sin(*5.0)( Π+ΠΠ+Π=
tu ve du sırasıyla tek girişli ve çift girişli sistemler için test girişleridir.
a. Uygulama 1 Tanınacak sistemin fark denklemi aşağıdaki gibi verilmiştir:
)1()1(1
)1()( 32 −+
−+−= kuky
kyky
Bu sistem için 0,1,1 === euy nnn ‘dır. Sisteme [-1, +1] aralığında rastgele
girişler uygulanarak 100 eğilim çifti elde edilmiştir. Sisteme uygulanan girişler
şekil 6’da, sistemin bu girişlere ilişkin çıkışları şekil 7’de gösterilmiştir.
Elde edilen eğitim kümesi kullanılarak sistem, genelleştirilmiş ters
bağıntısı kullanılarak doğrusal bağlaşım ile modellendiğinde modelin fark
denklemi:
)1(66.0)1(61.0)( −+−= kukyky mm
olarak bulunmaktadır. Doğrusal model ile sistemin çıkışları şekil 8’de
gösterilmiştir.
ÇKSA ile sistemi tanımak için 95.0,015.0max ==Ε β seçilmiştir. .
Çevrimdışı sistem tanıma yapılmıştır. Ağ, uyarlamalı öğrenme oranı ve seri-
paralel model kullanılarak grup uygulamalı olarak eğitilmiştir. Eğitim 1105
çevrim sürmüştür. Eğitim sonunda parallel moda geçilmiştir. Paralel
27
modellenmiş eğitim girişleri için toplam karesel hata 0.036 olarak
hesaplanmıştır. Toplam karesel hatanın değişimi şekil 9’de, öğrenme oranının
değişimi şekil 10’da, )(kspmε şekil 11’da, )(kpmε şekil 12’de, )(ku t test girişi için
sistemin ve paralel modellenmiş ağın çıkışı şekil 13’de gösterilmiştir.
Sonuçlardan görüldüğü gibi seri-paralel modelden paralel modele geçildiği
zaman hata artmaktadır.
Şekil 6. Sisteme Uygulanan Girişler
Şekil 7. Girişlere İlişkin Çıkışlar
28
Şekil 8. Doğrusal Model İle Sistemin Çıkışları
Şekil 9. Toplam Karesel Hatanın Değişimi
29
Şekil 10. Öğrenme Oranının Değişimi
Şekil 11. )(kspmε
30
Şekil 12. )(kpmε
Şekil 13. )(ku t Test Girişi İçin Sistemin Ve Paralel Modellenmiş Ağın Çıkışı
31
b. Uygulama 2 Yukarıdaki sistemi bu kez çevrimiçi olarak tanıtmaya çalışalım. Bu
sistem için de 0,1,1 === euy nnn ’dır. Sisteme [-1, +1] aralığında rastgele
değerler uygulanarak ağ, veri uyarlamalı olarak ve seri-paralel model
kullanılarak eğitildi. 100,6.0,1.0 === Pβα olarak seçildi. Eğitim 1200 çevrim
olarak yapıldı. Şekil 14, toplam karesel hatayı, şekil 15 bağıl hatayı
göstermektedir. Eğitim sonunda paralel modele geçilerek sisteme ve ağa )(ku t
test girişi uygulandı. Bu durumda toplam karesel hata E=0. 067 (ilk uygulamada
1105 çevrim sonunda 0. 053 bulunmuştu) olarak bulundu. Şekil 16, )(ku t test
girişi için sistem ve ağ çıkışlarını göstermektedir.
Şekil 14. Toplam Karesel Hata
32
Şekil 15. Bağıl Hata
Şekil 16. )(ku t Test Girişi İçin Sistem Ve Ağ Çıkışları
33
F. YAPAY GÖRMENİN UYGULAMA ALANLARI
1. Tıp alanında: Gözleri görmeyen insanlara, çeşitli sayıdaki algaçlar
yardımıyla çevreden alınan sinyalleri görme sinyaline çevirerek beyne ileten ve
bu sayede görmeyen insanların görmelerini sağlayan bir sistemdir.
Şekil 17. Tıp Alanında Yapay Görme Örnek Modelleme
2. Askeri alanda: Radarlar ve silah sistemleri, atış kontrol sistemleri üzerinde
yapay görme sistemleri kullanılmaktadır. Ayrıca;
3. Uzaktan algılama sistemlerinde
4. Otomobil sektöründe
5. Yarı iletkenlerde
6. Eczacılık sektöründe
7. Paketleme endüstrisinde
8. Otomatik traş makinalarında
9. Şişeleme ve konserve endüstrisinde
de çeşitli uygulamaları mevcuttur.
34
II. OTOMATİK KALİTE KONTROL SİSTEMLERİ A. GİRİŞ Değişen ve koşulları sürekli olarak zorlaşan uluslararası pazarlarda rekabet
şansını arttırmak isteyen firmalar giderek artan miktarlarda kalite güvence
bölümlerine yatırımda bulunmaktadırlar. Kalite güvencesinin en ucuz ve en etkili
olarak sağlanmasındaki en etkin araçlardan birisi de kuşkusuz “Bilgisayar Destekli Kalite Kontrol “ (CAQC) sistemleridir.
Teknolojinin son yıllarda gösterdiği inanılmaz gelişme ve özellikle bilgisayar
teknolojisinin vardığı nokta, bilgisayarın hayatımızın çeşitli aşamalarında
kullanılması sonucunu doğurmuştur. Dolayısıyla işletmelerin üretim
problemlerini çözmeye yönelik çeşitli uygulamalarda bilgisayar kullanımı
gerçekleştirilmiştir. Üretimde bilgisayar desteğinin sağlandığı son alan ise kalite
kontrol alanıdır.
Bu bölümde bilgisayar destekli kalite kontrol sistemleri genel olarak
tanıtılmaya çalışılmış ve kısaca bu tür sistemlerin değerlendirilmesine yönelik
ölçütler açıklanmaya çalışılmıştır.
Bu bölüm 4 ana başlık altında incelenmiştir:
Birinci olarak üretim sektöründeki genel gelişmelerden dolayısıyla kalitenin
gelişen önemi ve bilgisayarın üretimde kullanılmasına değinilmiştir. İkinci olarak
bilgisayarın kalite kontrol alanında kullanımından bahsedilmiş ve bilgisayar
desteğinin sağlandığı temel istatistiksel kalite kontrol yöntemleri anlatılmıştır.
Üçüncü olarak CAQC sistemlerinin değerlendirilmesinme yönelik derlenen
performans kriterleri verilmiş, bir sistem değerlendirme yöntemi sunulmuştur.
Dördüncü olarak ise dünya üzerinde bilgisayar destekli kalite kontrol
sistemlerine eğilim anlatılmıştır.
35
B. KALİTENİN GELİŞEN ÖNEMİ
Üretim kavramı insanoğlunun dünya üzerinde yaşama kavgası verdiği
zamandan beri güncel bir kavramdır. Çağlar boyu gelişen teknoloji rahat
yaşaması için sürekli üreten insanoğluna giderek artan bir şekilde yardım
etmiştir. Günümüzde ise gelişen teknoloji bizi insansız üretim ortamına kadar
getirmiştir.
Hızla değişen dünya düzeni içinde üretim sektöründeki rekabet ortamı
şirketleri yapısal değişikliklere ve imalat sistemlerinde teknolojik gelişmelere
ayak uydurmaya zorlamaktadır. Piyasanın imalat sektöründen beklentileri önem
derecesine göre:
1. Yüksek kalite
2. Zamanında teslim
3. Sevkiyatta süreklilik
4. Uygun fiyatlar
Bu sıralamadan da görüleceği gibi kalite, zamanlama ve sürekliliğin önemi
artarken fiyat eski önemini korumamaktadır. İşletmelerin rekabet güçlerini
koruyabilmeleri; kalite, hız, esneklik, sürekli gelişim ve çeşitlilik faktörüne daha
fazla önem vermeleri sayesinde sağlanabilmektedir. Üretimde maliyetleri
düşürerek fiyat rekabeti yürütmek, yerini çeşitli ve kaliteli üretime bırakmakta ve
kalite bu değişimde temel öğe haline gelmektedir. Sürekli gelişim anlayışı da
kalitede gelişim, verimlilikte gelişim, çeşitte gelişim, teknolojide gelişim ve
işletmelerde gelişimi kapsayan geniş bir açıya sahip olmuştur. Günümüz
işletmeleri bu değişimlere hızlı ve etkin bir biçimde uyum sağlayabilmek için
ürünün tasarım aşamasından başlayarak planlama, imalat ve satışa kadar
geçen tüm aşamalarda modern bilgi işlem ve üretim teknikleri kullanarak
esneklik, kalite ve üretkenliklerini arttırma yoluna gitmektedir. Bu yeni olgular
gözönünde tutularak duyulan ihtiyaca cevap verebilecek birtakım ileri üretim
sistemleri öncelikle Japonya ve ABD gibi ileri sanayi ülkelerinde geliştirilmiştir.
Bu sistemler gelişimleri kronolojik olarak karşılıklı etkileşim içinde gerçekleşmiş
olduğundan büyük ölçüde birbirlerini tamamlayan sistemlerdir.
36
Yeni üretim teknolojileri; programlanabilir olması, bilgisayarın ağırlıklı olarak
kullanılması ve katı otomasyon teknikleri yerine esnekliğin ön planda tutulması
ile karakterize edilebilirler. Dolayısıyla zaman içinde gösterdikleri aşamalar
bilgisayar teknolojisinin gelişmesiyle paralellik göstermektedir.
Kronolojik olarak öncü sayılabilecek “Malzeme İhtiyaç Planlaması“ (MRP),
“Bilgisayar Destekli Tasarım“ (CAD) ve “Bilgisayar Destekli Tezgah Yönetimi”
(CAM), üretim sürecinin belirli aşamaları ile sınırlı kalmıştır. Ancak, kağıtsız
işletmeye geçiş için ilk adım olan CAD/CAM gibi mühendislik sistemleri,
işletmenin tüm fonksiyonlarını kapsayacak “bilgisayarla bütünleşik üretim
sistemlerine” (CIM) geçişte bir ön hazırlık mahiyeti taşımaktadır.
MRP ve “Malzeme Kaynak Planlaması“ (MRP2) sayesinde satın almadan
başlayarak kapasite planlaması, üretim takibi ve finansmanını içeren geniş bir
yelpaze, otomasyona kavuşmuştur.
“Esnek Üretim Sistemleri” (FMS) orta hacimde birden fazla parçanın
imalatına uygun olarak tasarlanmış, bilgisayarla yönetilen ve aralarındaki
malzeme akışının otomatik olarak sağlandığı yarı bağımsız iş istasyonlarından
oluşur. Direkt işçiliğin asgariye indirildiği bu sistemler sistem elemanlarının
hazırlık zamanlarından dolayı hiçbir diğer sistem elemanında kesinti olmayacak
şekilde tasarlanmıştır. Hazırlık zamanının sıfıra yaklaşması “Tam zamanında
Üretim” (JIT) için de önemli ön koşullardan biridir. Bunun yanında JIT
felsefesinin temelini oluşturan “Kanban Kartları Tekniği” ile ara stoklar asgariye
indirilmekte ve üretiminde dar bir alanda gerçekleştirilmesi sonucu üretim süresi
kısalmakta ve üründe saptanan bir bozukluğun hemen giderilmesi mümkün
olabilmektedir. JIT sisteminde üretim kalitesinin düşük olması, emniyet
stoklarının bulunmaması nedeniyle büyük aksaklıklara ve dolayısıyla
maliyetlerde yükselmelere neden olmaktadır. Bu nedenle JIT yaklaşımının
başarılı olabilmesi uygun bir ortam olması gerekir ve bu ortam da “Toplam
Kalite” ile sağlanmaktadır. Toplam kalite yönetimi felsefesi kalitede sürekli
iyileştirme ve bunu yaparken de tüm birimlerin ve kişilerin katılımıyla ortaya
çıkan aksaklıkların anında düzeltilmesi yolunu ilke edinmiştir. Bunun yanında
37
müşteri istekleri üretimin temel belirleyicisi haline gelmekte, tedarikçi ve yan
sanayi ile uzun süreli sözleşmeler yapılması yoluna gidilmektedir.
MRP2 sisteminin üstün yanı olan veri tabanı ile JIT’in üstün yanı olan hızlı ve
kayıpsız malzeme akışının tek bir sistemde toplanmak istenmesi sonucunda
ortaya çıkan “En Elverişli Üretim Teknolojisi” (OPT) darboğazlara ağırlık
verilmesi düşüncesi benimsemiştir.
“Bilgisayarla Bütünleşik Üretim” (CIM) gelişimin vardığı en son nokta olup,
gelişmiş endüstri ülkelerinde dahi tam anlamıyla uygulandığı işletme sayısı fazla
değildir. Bilgisayarla bütünleşik üretimden; tasarım ve ürün planlama, üretim
planlama ve yönetimi, imalat, kalite güvencenin ve stok yönetiminin ortak bir
veri tabanı ve bilgi akışının sağlandığı şebeke ile bütünleştiği bir sistem
anlaşılmaktadır. Bu sistem için sadece, mevcut organizasyon yapısının
bilgisayar destekli hızlandırılmış bilgi akışı ile desteklenmesi yeterli olmamakta,
işletme tüm iş kapsamları ile topyekün ele alınarak organizasyon yapısının
yeniden düzenlenmesi gerekir.
C. BİLGİSAYARIN KALİTE KONTROL ALANINDA KULLANIMI
1946 yılında ilk sayısal elektronik bilgisayar olan ENIAC’ın tamamlanarak
kullanıma alınmasıyla başlayan bilgisayarların hikayesi günümüzde
başdöndürücü bir hızla insan mantığının sınırlarını zorlayacak şekilde devam
etmektedir. Her geçen gün artan bir ivmeyle gelişen bilgisayar teknolojisi, bu
teknolojik gelişmenin beraberinde getirdiği avantajlardan faydalanarak gittikçe
daha fazla insan yaşamında yer işgal etmektedir. Özellikle üretim alanında
düşük maliyet - yüksek kalite ikileminin yaşandığı günümüz dünyasında
bilgisayar destekli üretim tekniklerinin yer alması kaçınılmaz bir gerçek olarak
ortaya çıkmaktadır. Bilgisayarın en yeni ve en etkin kullanım yerlerinden biri de
“kalite kontrol” alanıdır. Bilgisayarın kalite kontrol alanında ilk kullanım alanı
“İstatiksel Süreç Kontrolü” (SPC) uygulamalarıdır. Bilgisayarın kalite kontrol
38
alanındaki diğer bir kullanım alanı -ve bizim ilgilendiğimiz alan- ise “Bilgisayar
Destekli Kalite Kontrol Sistemleri“ dir.
1. İSTATİSTİKSEL SÜREÇ DENETİMİ
İstatiksel süreç denetimi alanında bilgisayarın kullanımına geçmeden önce
süreç kontrolü amacıyla kullanılan istatiksel metodların hatırlanmasında fayda
vardır. İstatiksel kalite kontrol metodları 1940’ların başından itibaren endüstride
kullanılmaya başlanmıştır. Son yıllarda bu alana duyulan ilgi oldukça artmıştır.
Kullanılan yöntemler genel olarak süreç kontrolü ya da tedarikçi yeterlilik
analizine yönelik metodlar olarak ikiye ayrılabilir. Biz bu bölümde bilgisayar
destekli olarak yürütülebilen süreç kontrolü yöntemlerini kısaca açıklamaya
çalışacağız.
a. Kontrol Diyagramları
Süreç kontrolünde kullanılan temel yöntem kontrol diyagramlarıdır.
Kontrol diyagramlarının kullanımı ‘’kontrolden çıkmış’’ bir sürecin erken tespitini
sağlar. Kontrolden çıkmak kavramı, üretilen ürünlerin belirlenen sınır
değerlerinin dışına çıkması durumu olarak değerlendirilebilir. Bir sürecin
kontrolden çıkmasının çok farklı nedenleri olabilir. Bunlar arasında; tezgah
arızası, hatalı malzeme kullanımı, kullanıcı hataları ve ortamın bozucu etkisi
sayılabilir. Kontrol diyagramları ölçüm sonuçları ya da özellikler ile beraber
kullanılabilir.
39
(1) X Ve R Diyagramları
Kontrol diyagramlarından ilk üretilen, ürünün ortalama değerini
yansıtmak için kullanılan X diyagramlarıdır. X belli bir zaman içinde alınan n
boyutlu bir ürün örnekleme hacminin ortalama değeri olmak üzere, X’in süreç
kontrol altında iken, µ ortalamalı ve σ standart sapmalı normal dağılıma sahip
olduğunu kabul edebiliriz. Bu durumda, merkez çizgisi µ olmak üzere;
n
nσµ
σµ
3
3
−
+
ifadeleriyle belirlenen ve “3-sigma” adı da verilen sınır değerlerinden oluşan X
diyagramı Şekil 18’de gösterilmiştir.
Şekil 18. X Diyagramı
Ancak çoğunlukla süreçte, değişkenlikler de ortalama değer kadar
büyük bir önem taşır. Bu nedenle X diyagramına benzer bir standart sapma
içinde bir kontrol diyagramı oluşturulabilir. Ancak belirlenmesi daha kolay
40
olduğundan dağılma aralıkları için oluşturulan diyagramların kullanımı tercih
edilir. Böyle bir diyagrama R (Range) diyagramı adı verilir. R diyagramının
sınırları; Rµ R dağılma aralığının ortalama değeri, Rσ standart sapması olmak
üzere;
RR
RR
σµσµ
33
−+
ifadesiyle belirlenen sınır değerlerinden oluşan R diyagramı Şekil 19’den görülebilir.
Şekil 19. R Diyagramı
(2) P Ve C Diyagramları
Bir önceki bölümde anlatılan diyagramlar yapılan ölçümler sonucunda
elde edilen verilere dayanılarak oluşturulan diyagramlardır. Bu bölümde anlatılacak
olan diyagramlar ise üretilen ürünlerin özelliklerine dayanılarak oluşturulan
diyagramlardır. Bu diyagramlardan P diyagramı hatalı olarak üretilen ürünlerin
toplam üretime olan oranını yansıtır. P diyagramları X ve R diyagramlarına benzer
şekilde oluşturulur. pµ hatalı oran dağılımının ortalaması, pµ ise standart sapması
plmak üzere P diyagramının sınır değerleri
41
pp
pp
σµσµ
33
−
+
ifadeleriyle gösterilir. Bu sınır değerleri ile oluşturulan P diyagramı Şekil 20’da
görülebilir.
Şekil 20. P Diyagramı
C diyagramı ise hatalı üretilen ürünlerin ortalama sayısını yansıtır.
Hatalı ürünlerin ortalama değerlerinin λ olduğunu varsayalım. Hatalı ürünlerin
dağılımı Poisson dağılımına uyduğundan C’nin ortalaması ve varyansı λµ =c
ve λσ =2c ifadeleri ile verilir. Böylece C diyagramının kontrol sınırları
cc
cc
σµσµ
33
−+
yani ;
λλλλ
3
3
−
+
42
ifadeleri ile gösterilebilir. Bu sınır değerleri yardımıyla oluşturulan C diyagramı
Şekil 21’de görülebilir.
Şekil 21. C Diyagramı
Yukarıda anlatılan istatiksel tekniklerin hemen tamamı, istatistik
biliminin temel uğraşı olan , ölçüm ve kontrol sonuçlarıyla oluşturulan geniş veri
tabanlarını kullanır. Bilgisayar teknolojisinin gösterdiği gelişme ve güçlü
bilgisayarların ortaya çıkması bilgisayarların karmaşık ve uzun hesaplamalar
gerektiren istatistiksel yöntemlerin hızlı ve güvenilir bir şekilde
gerçekleştirilmesine olanak vermiştir.
Bilgisayar alanındaki bu gelişmelerin sonucu olarak istatistiksel süreç
kontrolü için 1980’li yılların ortasından itibaren çok sayıda yazılım ortaya
çıkmıştır. Dünya çapında yayınlanan çeşitli yayınlarda bu alanda geliştirilen
yazılımlara ilişkin yazılım özellikleri, fiyatları ve üreticileri gibi çeşitli bilgiler yer
alır.
Uygulamada kullanılmak amacıyla en uygun yazılımın seçilmesi
oldukça zordur. Yine de kullanılması düşünülen yazılımın seçimi konusunda
gözönüne alınması gereken bazı özellikler aşağıda sıralanmıştır:
43
1. Kullanılacak olan yazılım herşeyden önce “kullanıcı dostu“
olmalıdır. Alt kullanıcılar için opsiyonlara ulaşımın sınırlandırılması, meydana
gelebilecek hataların ise kolayca ortadan kaldırılabilmesi gereklidir. Ayrıca on-
line yardım imkanının bulunması da önemli bir faktördür.
2. Ekranda gösterilen X ve R diyagramları en az 20 alt grubu ve
daima en yeni olanlarını yansıtmalıdır.
3. Basılan diyagramlar tüm bir dosyayı ya da dosyanın kullanıcı
tarafından istenen kısımlarını içermek zorundadır.
4. Dosyalar 4 ya da 5 ölçümden oluşan en az 300 alt grubu
alabilecek boyutta olmalıdır. Kullanıcı bu dosyaya ekleme ve bu dosyadan silme
yapabilmelidir. Bir dosya kapasitesinin sınırına geldiğinde en eski kayıtlardan
çıkarılabilmeli ve tercihen bu çıkarılan kaydın bir yazıcı çıktısı halinde
saklanabilmesi gereklidir.
5. Veri dosyasının herhangi bir alt grubundan X` in ve R` nin
hesaplanabilmesi, kontrol sınırlarının otomatik olarak bu değerlerden
belirlenmesi gereklidir. Sınırların sayısal değerleri ekranda gösterilebilmeli ve
yazıcı çıktısı olarak alınabilmelidir. Kullanıcı kontrol sınırlarını ve merkez
çizgisini doğrudan girebilmelidir.
6. Verilerin tümü ya da bir bölümü yardımıyla bir histogram
oluşturulabilmeli ve sonuçlar ekranda ya da yazıcı çıktısı olarak görülebilmelidir.
2. BİLGİSAYAR DESTEKLİ KALİTE KONROL SİSTEMLERİ
Kalite kontrol sistemlerinin görevi; gerekli verilerin toplanması, analizlerinin
yapılması ve elde edilen sonuçlar üzerine mevcut problemlere uygun bir şekilde
değerlendirilip hazırlanmasıdır. Bilgisayar kullanımıyla üretim sürecinin diğer
bölümleriyle doğrudan bilgi aktarımı işlemlerini gerçekleştirmek mümkün olabilir.
Ayrıca gelişmiş ve bilgisayar destekli bir ölçme tekniği şüphesiz endüstriyel
44
ürünlerin ekonomik üretiminin aynı zamanda da kalite kontrolünün ve yüksek
kaliteli ürünlerin üretiminin en önemli koşullarından biridir.
İşletmenin tüm bölümlerinin entegrasyonu söz konusu olduğunda,
bilgisayar destekli kalite kontrol sistemlerinden yerine getirilmesi beklenen
talepler oldukça detaylı ve fazladır. Bugüne kadar gerçekleştirilen sistemlerin
kullanım alanları; üretim ve kontrol hazırlığı, malzeme temin, üretim ve
parçaların kontrolü olarak sayılabilir. Bir bilgisayar destekli kalite kontrol
sistemine yönelik talepler şunlardır:
1. Çok miktarda artan kalite verileri nedeniyle değerlendirmeler açık,
önemli ifadeler kolayca ve kesin olarak tanınacak şekilde gerçekleştirilmelidir.
Aksi takdirde maliyet yükselecektir.
2. Kalite kontrol sisteminin küçük ve hızlı kontrol devreleri olmalıdır.
Kontrol ve takip eden değerlendirme işlemi süreç yakınında yapılmalıdır.
3. “Bilgisayarla Bütünleşik Üretim” in diğer bileşenleri ile kalite
kontrolünün kısmi alanları arasındaki bağlayıcılara (interface) dikkat edilmelidir.
Kalite kontrol otomasyonunun yürütmesi gereken olası görevler ise
şunlardır:
1. Kontrol planı hazırlanması
2. Verilerin idaresi
3. Test edilecek örneklerin test ortamına alınma otomasyonu (transport)
4. Ölçme değerlerinin otomatik elde edilmesi
5. Bilgisayar desteği ile ölçüm verilerinin değerlendirilmesi
6. Düzeltme önlemleri otomasyonu
Bilgisayar destekli kalite kontrol sistemleri yöntemleri; kalite planlaması,
kalite yönlendirimi ve kalite dökümantasyonunda kullanılırlar. Kalite planlaması
ve yönlendirilmesinde istatistiksel deney planlaması yöntemlerini bulmak
mümkündür. Kalite kontrolünde yapılması gereken görevler; kalite kontrolüne
yönelik verilerin kullanımını, hazırlanmalarını ve sistematik olarak elde
edilmelerini kapsarlar. Konseptin gerçekleştirilebilmesi için geniş çapta bir
enstrümantasyon mevcuttur. Ancak işletmelerle ilgili, ya dahili ya da sipariş için
tasarlanan dolayısıyla esnek kullanıma açık olmayan özel çözümler daha
45
yaygındır. Özellikle küçük ve orta dereceli işletmeler standartlaşmış bilgisayar
destekli kalite kontrol sistemlerine ait yapıtaşları ve bağlayıcıları kullanmak
durumunda oldukları için bu tür işletmeler için sunulan program paketleri pazarı
büyük çapta genişlemiştir.
C. ENDÜSTRİYEL KALİTE KONTROL SİSTEMLERİ
Kalite kontrolün klasik görevi üretimde iyi / kötü ayırımını yapmaktır. Böylece
üretilen hatalı malın firmayı terkederek tüketiciye ulaşması önlenecek ve
meydana gelebilecek çeşitli kayıplar en aza indirilebilecektir. Ancak son
zamanlarda üretimin bilgisayar destekli olarak gerçekleşmesiyle üretim süreci
hakkında hassas bilgiler saklanarak ürün kalitesinin sürekliliği
sağlanabilmektedir. Bu ise ancak %100 ürün kontrolüyle sağlanabilir.
Öte yandan üretimde sıfır hata stratejisi ve modern üretim hatlarındaki üretim
kapasiteleri (Örneğin modern bir montaj hattında günde 10000 motor montajı
gerçekleştirilebilir) gözönüne alındığında her ürünün istenen süreler içerisinde
tek tek kontrol edilmesinin hiçte kolay bir iş olmadığı anlaşılabilir.
Tüm bu etkenler gözönüne alındığında CAQC sistemlerinin son kontrolde
kullanılmasının gerekliliği açık bir şekilde gözükmektedir. 1. BİLGİSAYAR DESTEKLİ KALİTE KONTROL SİSTEMLERİNDEN BEKLENTİLER
Bu aşamada üretici firmaların CAQC sistemlerinden beklentileri ortaya
çıkmaktadır. Bu beklentileri ortaya koymadan önce söz konusu beklentileri
oluşturan koşulları incelemek gerekir. Bunlardan en önemlisi, pazar koşullarının
üretici firmaları üretimde en az hatayı hedefleyen “sıfır hata stratejisi“ ne
zorlamasıdır. Elektrik motorunu ele alırsak; motor üreticileri ürettikleri motorların
46
güç, devir sayısı ve çektikleri akım miktarları gibi karakteristik datalarının yanı
sıra onların başka özelliklerini de sağlamaları gerekmektedir. Özellikle üretilen
motorların kontrolünün kişiye bağlı olmasından ötürü kalite kontrolünden
sorumlu kişilerin oldukça sıkıntı çekmesine neden olacaktır.
Bu konunun önemini daha iyi anlatabilmek için motor üretimindeki son
kontrol hata oranlarını incelemek gerekir. Zira bu oranlar uygulanan test
yönteminin değerlendirilmesi hakkında belirleyici bir rol oynamaktadır. Elektrik
motorlarında karşılaşılan hata oranlarının belirlenmesine yönelik bir çalışma
sonucunda elde edilen sonuçlara göre üretilen tüm motorların % 50’sinde,
rastlanan hatalı üretim oranı % 2’nin altında kalmaktadır.
Aynı araştırmaya göre hiçbir motor üreticisi beraberinde getireceği çeşitli
sorunlar nedeniyle üretimde %5’ten fazla hata oranını kabul edilebilir
bulmamaktadır.
Diğer bir belirleyici özellikse tüketiciye ulaşan mallardaki hata oranlarıdır.
Yine aynı araştırmanın sonucunda tüketiciye ulaşan motorlardaki hata oranları
Tablo 1’ de gösterilmiştir.
Tablo 1. Tüketiciye Ulaşan Mallardaki Hata Oranları
47
Bu tablodan da görülebileceği gibi müşteriye ulaşan motorların hata
oranlarının “binde“ düzeyinde kalabilmesi için üretilen motorların yarıdan
fazlasının bu hata düzeylerini sağlayacak kadar iyi kontrol edilmesi
gerekmektedir. Aksi takdirde son kontroldeki etkinliğin kaybolması kalitede
dalgalanmalara yol açacak ve bu da üretici firmaların en çok korktuğu iki
sorunla yani imaj kaybı ve buna bağlı olarak kazanç kayıpları ile karşı karşıya
kalmaları sonucunu doğuracaktır.
2. SINIFLAMA YÖNTEMLERİ
Kalite kontrol sürecinin görevi ürünün denenmesi, deney sonuçlarının
değerlendirilmesi ve ürün hakkında bir yargıya varılmasıdır. Bu görevi insan
sahip olduğu üstün özelliklerle kolayca yerine getirebilirken aynı amaçla
kullanılacak otomatik sistemler için ise ürünün sınıflandırılması aşamasında
çeşitli yöntemlerin geliştirilmesi gerekmektedir.
Sınıflama yöntemlerine geçmeden önce sınıflama kavramı üzerinde
durmak gereklidir. Örnek tanıma süreci içinde cismin daha önce tanımlanan
sınıflara atanması işlemine “sınıflama“ adı verilir. Cisimlerin ya da sinyallerin
genel veya özel niteliklerinin saptanması da sınıflandırmanın görevleri
arasındadır.
Bir teknik örnek tanıma sistemi sinyali alımı, tanımlayıcı özelliklerin
kazanımı ve sınıflama fonksiyonlarından oluşur. Sinyal alımı algılayıcılar
yardımıyla sağlanır. Bu sinyallerin işlenip sayısallaştırılmasıyla kullanıma uygun
değerlerin yani tanımlayıcı özelliklerin kazanılması sağlanır. Bu değerler
tanınması istenen örneği şüpheye yer bırakmayacak şekilde tanımlar ve
vektörel biçimde gösterimini sağlar. Sınıflamanın görevi ise bir t tanımlayıcı
vektörü ile karakterize edilmiş bir örneği k tane kW , k =0, 1, . . . . . , K karar
sınıfından birine atamaktır.
48
a. Sayısal Sınıflama Yöntemleri
4 adet yöntem vardır:
(1) Eşik Değer Yöntemi
Ölçme ve otomasyon tekniğinde sistemlerin hata kriterleri çok uzun
bir zamandan beri belirlenen eşik değerlerinin aşılması olarak belirlenmektedir.
Bir çok ölçüm değerine dayanan eşik değeri yöntemi örnek tanıma için en kolay
karar verme yöntemidir. Bu yöntemde tek tek değerlerin belirli sınır değerlerden
küçük ya da büyük olduğu kontrol edilir. Bu en kolay sınıflama yöntemiyle
karmaşık bir örnek tanıma probleminde % 75 oranında bir başarı sağlamak
mümkündür. (2) Ortalama Değere Mesafe Yöntemi
Bu yöntemin esası; tanınması ve sınıflandırılması istenen örneğin t tanımlayıcı vektörünün öğrenme aşamasında tanımlanan ve sınıflara özgü olan
ortalama değer vektörlerine olan mesafelerinin belirlenmesidir. Bu mesafenin
belirlenmesinden sonra tanınması istenen örnek ortalama değer vektörü en
yakın olan sınıfa atanır.
(3) Ağırlıklı Mesafe Yöntemi
Her ne kadar sınıflayıcı etkili bir sınıflayıcı olsa da sınıflama işlemi
sözkonusu vektöriyel mesafenin ağırlıklı olarak hesaplanmasıyla oldukça
iyileştirilebilir. Bu yöntemin temelinde yatan düşünce bir sınıf içerisindeki her bir
tanımlayıcı vektörün mesafesinin uygun bir normalizasyonla sınıfın ağırlık
49
merkezine olan uzaklığının en aza indirilmesidir. Bu işlem için ise tanımlayıcı
özelliklerin standart sapmalarının kullanılması uygundur. Bu sınıflama yöntemi
kullanılırken tanımlayıcı özelliklerin birbirinden istatistiksel olarak bağımsız
olmaları yani aralarında herhangi bir şekilde korelasyon bulunmaması gerekir
ve dolayısıyla bu korelasyonsuzluğun devamlı olarak kontrol edilmesi gerekir.
(4) Mahalanobis Sınıflama Yöntemleri
Genelleştirilmiş bir sınıflama yöntemi, hem tanımlayıcı vektörlerin
komponentlerindeki değişik dağılımları hem de birbirleri arasındaki bağıntıları
gözönünde tutmak zorundadır. İşte bu sınıflama yöntemi, “Mahalanobis
Mesafesi“ olarak tanımlanan mesafeyle daha önceki mesafe
sınıflandırıcılarından farklı olarak yukarıda tanımlanan istekleri sağlar. 3. SİNİRSEL AĞLAR
Yapay nöronlardan oluşan bir ağ (genel anlamıyla sinirsel ağ) insan
beyninin sinirsel yapısına benzer bir mimariyle birbirine bağlanmış çok sayıda
işlemciden oluşan bir bilgi işlem sistemidir. Sinirsel ağlar topolojisinden ve
bilginin saklanıp manipule ediliş yönteminden dolayı insan ve hayvanların
yapabildiği ama konvansiyonel bilgisayarların yetersiz kaldığı bir çok işi
yapabilecek seviyededirler. Örneğin sinirsel ağlar, her ne kadar algılanan
sinyaller zayıf ve bozuk olsa da örnekleri tanıma yeteneğine sahiptir. Böylece
çok boyutlu uzayda sınıflama ve edinilen bilgilere göre interpolasyon ve
extrapolasyon yapma imkanına sahip olunur.
Sinirsel ağlar, giriş örneklerini daha önce tanımlanmış sınıflara
ayırabilecek ya da bu örnekleri gruplayabilen kategoriler yaratabilecek şekilde
dizayn edilirler. Ancak sinirsel ağların belki de en önemli özelliği güncel
datalardan süreçler ve sistemler modelleyebilmesidir. Bu amaçla sinirsel ağlara
50
gerekli datalar verilir ve daha sonra sürecin ya da sistemin giriş-çıkış ilişkilerini
taklit etmesi öğretilir. Sinirsel ağların bir diğer özelliği ise algılayıcıların sürekli
olarak gönderdiği sinyallerle değişkenlik gösteren sistem durumuna gerçek
zamanda cevap verebilmesidir. Çok sayıda algılayıcı ve hata tipi içeren
karmaşık sistemlerde gerçek zaman cevabı önemli bir problemdir. Sinirsel ağlar
bu özellikleriyle bu problemin çözümü için önemli bir alternatif oluşturabilirler.
Sinirsel ağları oluşturan nöronlar iki değişik şekilde birbirlerine bağlanarak
ağlar oluştururlar:
a. Geri Yayın Ağı
Geri yayın ağı; çok tabakalı, birbirine tamamen bağlı, öne doğru
beslemeli bir ağdır. Hesap algoritması, işlemci elemanlar arasındaki ağırlıkların
aktüel çıkış ile istenen çıkış arasındaki fark en küçük kareler yöntemine göre
minimize edilecek şekilde hesaplanması kuralına dayanır. Geri yayın ağı için
temel hesap algoritması Rumelhart ve McClelland tarafından ortaya atılmıştır.
Tipik bir geri yayın ağının yapısı şekil 22’de görülebilir.
Şekil 22. Geri Yayın Ağının Yapısı
51
Geri yayın ağını oluşturan tabakalardan giriş ve çıkış tabakasındaki
işlemci sayısı giriş ve çıkış vektörlerindeki değişken sayısından kolayca
hesaplanabilmesine rağmen saklı tabakadaki işlemci sayısının tespiti oldukça
karışık bir problemdir. Bir problemi çözmek için saklı tabakada bulunması
gereken işlemci sayısı problemin karmaşıklığına bağlıdır. Bir problemin
karmaşıklık düzeyinin tespiti ise hiç kolay değildir. Bu nedenle saklı tabakadaki
işlemci sayısının tespiti için bazı teoremler ortaya atılmıştır. Bunlardan en çok
kullanılanlardan biri Kung ve Hwang tarafından ortaya atılan teoremdir. Buna
göre giriş/çıkış örneklerinde yapısal bir düzen söz konusu olan problemlerde
optimal işlemci sayısı söz konusu düzeni oluşturan işlemci sayısı eksi bir olarak
öngörülebilir.
Geri yayın ağında her işlemci eleman (nöron) komşu tabakadaki tüm
elemanlarla bağlantılıdır. Öğrenme sırasında bilgi, giriş tabakasından çıkış
tabakasına doğru ilerler. Tespit edilen hata ise ağırlıklar olarak geriye gönderilir.
Ağırlıklar yeniden hesaplanır ve bu işlem hedef vektörü ile çıkış vektörü
arasındaki hatanın kabul edilebilir bir seviyeye inmesine kadar devam eder.
b. Yeniden Çevrim Ağı
Yeniden çevrim ağı algoritması ilk olarak Geoffrey Hinton ve James
McClelland tarafından geliştirilmiştir. En basit versiyonu sadece iki adet
eğitilebilir tabakaya sahiptir. Bunlardan biri görünür tabaka diğeri ise saklı
tabakadır. Giriş ve çıkış tabakaları ise giriş ve çıkışlar için tampon görevini
görür. Yeniden çevrim ağının topolojisi şekil 23’de gösterilmiştir.
52
Şekil 23. Yeniden Çevrim Ağının Topolojisi
Yeniden çevrim ağlarında öğretmenin amacı, saklı tabakada bulunan
bilginin (giriş vektörü) bir gösterimini oluşturmaktır. Eğer saklı tabakanın
elemanlarının sayısı görünür tabakanın elemanlarının sayısından az ise ve ağ
başarılı olarak eğitilebilmişse giriş vektörünün saklı tabakadaki gösterimi,
görünür tabakadaki gösterimin sıkıştırılmış şekli olarak düşünülebilir. Bu şartlar
altında ağ, bir vektörü istatistiksel özellikleri korunacak şekilde daha küçük bir
boyuta indirgeyen bir kodlayıcı gibi çalışır.
Öğretme; orjinal giriş vektörü ile yeniden oluşturulan vektör arasındaki
hatayı minimize etmeyi hedefler. Yeniden oluşturulan vektör, sıkıştırılmış
versiyonun bir ağırlık kümesinden geçirilerek orjinal formuna genişletilmesi ile
53
gerçekleşir. Yeniden oluşturma hatası performans için kesin bir göstergedir. Zira
bu hata her düğümdeki hataların karesinin toplamıdır. Kullanılan algoritma bu
hatayı geri yayın ağındaki öğrenme algoritmasına benzer bir yöntem kullanarak
minimize eder.
4. BİLGİSAYAR DESTEKLİ KALİTE KONTROL SİSTEMLERİNİN MODÜLLERİ
CAQC sistemlerinin modüllerini ele almadan önce klasik bir kalite kontrol
sürecinin incelenmesi gerekmektedir. Şekil 24’ de bu süreci görebiliriz.
Şekil 24. Klasik Kalite Kontrol Süreci
54
Şekilden de görüldüğü gibi montaj hattındaki son tezgahtan gelen ürün
kendisi hakkında kararı verecek olan son kontrole ya da kontrolöre gelir. Bu
bölümün fiziksel yapısı, işleyişi ve kontrol sıklığı tamamen ürüne bağlıdır.
Örneğin ürün bir gıda maddesi ise yapılacak testler ve kontrol sıklığı başka, bir
sanayi ürünü olması halinde ise çok daha başka olacaktır. Ama bu testleri
gerçekleştirecek ve karar vericiye teşhisinde yardımcı olacak karakteristik
bilgileri sağlayan bir test sistemi bir kalite kontrol sürecinde muhakkak
bulunmalıdır.
Bir kalite kontrol sürecinin vazgeçilmez bir diğer parçası ise kuşkusuz
yukarıda adı geçen karar vericidir. Klasik sistemlerde bu görev çoğunlukla insan
tarafından gerçeklenir. Son kontrole gelen ürün kontrol edilir ve elde edilen
sonuçlara ya da kontrol eden uzmanın deneyimine göre “OK veya Hatalı“ olarak
ayrılır. Son kontrol görevlisi hatalı ürünü hata tipine göre de ayırmalıdır. Bu son
işlem hatanın düzeltilebildiği ürünlerde ürünün yeniden işlem göreceği yerlere
doğru olarak gönderilebilmesi ve özellikle bir hata trendi başgösterdiğinde
hatanın nedeninin ve başgösterdiği yerin süratle belirlenebilmesi açısından
büyük önem taşır.
Karar vericinin raporlarına göre çeşitli sıklıkta hazırlanan kontrol tabloları
sürecin işleyişi hakkında bir bilgi sağlar. Sağlanan bu bilgiler aracılığıyla da
üretimin işleyişi ve kontrolü yönetim kademeleri tarafından kontrol edilir ve
gerektiğinde üretime müdahele kararı alınır.
Bilgisayar Destekli Kalite Kontrol süreçleri ise yukarıda anlatılan klasik
kontrol sürecinden işlev olarak büyük bir fark göstermez. Zaten bilgisayar
desteğinde geliştirilen sistemlerden de beklenen, varolan işlevlerini
kaybetmemeleridir. İdeal bir CAQC sisteminin klasik bir sisteme göre en büyük
farkı, çeşitli kademelerdeki insan faktörünü devreden çıkarması yerne uzman
sistemleri ve yetenekli bilgisayarları devreye sokmasıdır. Böylece bir üretim
sürecinin belki de en önemli basamağı olan kalite güvencesinin sağlanmasında
insan faktörünün yol açabileceği çeşitli sorunlar da ortadan kaldırılmış olur ve
daha da önemlisi işletmeler açısından büyük önem taşıyan adam tasarrufuna
gidilebilmiştir. Bu diyagram şekil 25’de görülebilir.
55
Şekil 25. Bilgisayar Destekli Kalite Kontrol
Yukarıdaki şekilde görülen bilgisayar destekli kalite kontrol sürecinin en
önemli elemanı CAQC Sistemi yani bilgisayar destekli kalite kontrol
sistemleridir. Bilgisayar destekli kalite kontrol sistemleri içinde bulundukları
süreçte kilit bir görev üstlenirler. CAQC sistemlerinin bu kilit görevi şimdiye
kadar bir insan tarafından gerçekleştirilen ürün hakkında teşhiste bulunmak,
onu eğer hatalı ise hatalarına göre ayırmak ve bu şekilde süreç kontrolünü
kolayca sağlama imkanını yaratmaktadır. CAQC sistemleri bu görevleri
gerçekleştirebilmek için çeşitli araçlara ya da modüllere ihtiyaç duyarlar:
56
a. Algılayıcılar
CAQC sistemlerinin dış dünya ile bağlantılarını sağlayan algılayıcılar
CAQC sistemlerinin en önemli modülleridir. Ürünü tanımlayacak ve onun
hakkında doğru teşhisin konulabilmesini sağlayacak son derece önemli
büyüklüklerin kazanımı CAQC sistemlerinin algılayıcıları ile gerçekleşmektedir.
Bu kadar büyük önem arz eden algılayıcıların son derece hassas olması
gerektiği oldukça açıktır.
Algılayıcıların yapısı; ürünün yapısı ve şekline göre büyük çeşitlilik
gösterir. Elektrik motorlarının kontrolü için kullanılan bir CAQC sistemi bir
mikrofona ve titreşim algılayıcılara ihtiyaç duyarken farklı bir ürünün kontrolü
için çok daha değişik algılayıcılara ihtiyaç duyulur.
b. İşlemci
CAQC sistemlerinin beyni sayılabilecek bu kısımda algılayıcılar
aracılığıyla kazanılan büyüklüklerin belirli algoritmalar yardımıyla işlenmesi ve
ürün hakkında teşhis konulması gerçekleşir.
İşlemciler; gelişen teknoloji ile her geçen gün gelişmekte ve gittikçe
güçlenmektedirler. Ürünlerin kontrolü ve teşhisinde CAQC sistemlerinin devreye
girmesi bilgisayarlardaki gelişmeye paralel olarak hızla ilerlemiştir. CAQC
sistemlerinin kontrol edilen ürünü doğru şekilde sınıflayabilmesi ve böylece tam
bir teşhis sağlayabilmesi için oldukça karmaşık ve zaman alan işlemler içeren
algoritmalara ihtiyaç duyulmaktadır. Güçlü ve hızlı bilgisayarların
geliştirilmesiyle bu zaman alan algoritmaların işlem süreleri oldukça
düşürülmüştür. Böylece CAQC sistemlerinin üretim hattı üzerine entegrasyonu
sağlanmış ve saniyelerle ifade edilebilecek çevrim zamanları sağlanarak
üretimin diğer aşamalarıyla eş zamanlı olarak çalışması gerçeklenmiştir.
57
c. Ölçüm Ortamı
Üretimden gelen ürün hakkında teşhis koymak için CAQC sistemleri
tarafından gerekli ölçümlerin yapılması ve böylece gerekli büyüklüklerin
kazanılması gereklidir. Bu ölçümler CAQC sistemlerinin ölçüm ortamında
gerçekleşir.
Ölçüm ortamları diğer modüller gibi ürünün yapısına bağlılık gösterir.
Kimi zaman sessiz bir oda olabileceği gibi kimi zamanda küçük bir hücre olabilir.
Ancak ölçümlerin yapılabilmesi için gerekli ortamı sağlayacak özelliklere sahip
olmalıdır.
d. Çıkış
CAQC sistemlerinin yaptığı ölçümler sonucunda elde ettiği sonuçları ve
koyduğu teşhisleri saklaması ve gerektiğinde bunları kullanıcılara aktarması
gerekebilir. Çıkış bölümü aracılığıyla gerçekleştirilen bu işlem dışarıdan
bakıldığında sadece bir giriş ve bir çıkıştan ibaret bir karakutu gibi görünen
CAQC sistemlerinin işleyişi ve verdiği kararların doğruluğunu kontrol etmek için
önemli bir yardımcıdır.
CAQC sistemlerinin çıkış üniteleri genellikle bilgisayar ekranları ve
yazıcıların bir kombinasyonundan oluşur. Ekran istenen bilgiyi doğrudan
kullanıcıya yansıtırken yazıcı aracılığıyla gerekli kayıtların tutulması sağlanır. e. İstatistiksel Süreç Kontrol Modülü
Kalite kontrolünün temel araçlarından biri haline gelen istatistiksel süreç
kontrolü kuşkusuz CAQC sistemleri tarafından da desteklenmektedir. Tüm
ölçümlerin ve test sonuçlarının kaydedildiği bu sistemler edinilen bilgileri SPC
modüllerinde değerlendirirler. Elde edilen bilgiler kalite kontrol sisteminin
58
otomasyon seviyesine göre ya doğrudan olarak üretimi yöneten bilgisayar ağına
gönderilir ya da kalite kontrol görevlilerince SPC tabloları halinde çıkış
modülünden elde edilir. Böylece üretim süreci sürekli olarak kontrol altında
tutularak gerekli müdaheleler kısa zamanda yapılabilir.
5. BİLGİSAYAR DESTEKLİ KALİTE KONTROL SİSTEMLERİNİN DEĞERLENDİRİLMESİ
Yukarıda yapısı ve özellikleri anlatılmaya çalışılan CAQC sistemleri
aslında çok yeni bir teknolojidir. CAQC sistemleri fikrinin ortaya atılması üzerine
çok geçmeden çalışmalar başlatılmış ve bu konuda çeşitli araştırmalar
yapılmıştır.
İlk CAQC sistemleri pazarın ihtiyaçları ve kullanıcıların taleplerinin yerine
getirilebilirliği gözönüne alındığında elektrik motorlarının son kontrollerinin
gerçekleştirilmesi amacıyla geliştirilmiştir. Önceleri oldukça pahalıya malolan ve
konvansiyonel test sistemlerine alışkın motor üreticilerince kuşkuyla karşılanan
bu sistemlere karşı pazar şartlarının da zorlamasıyla daha sonraları artan bir
talep baş göstermiştir.
Daha önceki kısımlarda da belirtildiği üzere bilgisayar destekli kalite
kontrol sistemleri oldukça karışık bir hesap algoritması içeren, oldukça yalın bir
mekanik yapıya sahip olan bir kara kutu özelliği gösterir. Test esnasında
gerçekleştirilen işlemler genelde kullanıcı tarafından bilinmez. Test için sisteme
giren motor kısa süren bir test süresi (motor tipine göre 10-50 sn arası)
sonucunda gerekli teşhis konarak dışarı çıkarılmakta ve hatalı olan motorlar
hatalarına göre sınıflandırılarak üretim kontrolü sağlanmaktadır. Tam anlamıyla
bir kara kutu özelliklerine sahip olan bu tür sistemlerin potansiyel müşterileri
çoğunlukla bu sistemlerin işleyişi ile ilgili yeterli bilgiye sahip değildir. Bu
durumlarıyla da, böyle bir sistemin seçilmesi konusunda CAQC sistemi
üreticilerine güvenmek zorunda kalmışlardır. Bu aşamada bu tür sistemlerin
performanslarının bağımsız bir şekilde değerlendirilebilmesi gerekliliği ortaya
59
çıkar. Zira bu karmaşık sistemlerin üretim tesislerine kazandırılması büyük
yatırımları gerektirmektedir. Doğal olarak da böyle bir yatırımı yapmadan önce
yapılan yatırıma en uygun sistemin seçilmesi gereklidir. Bu amaçla öncelikle
seçimde motor üreticilerine yardımcı olacak bazı performans ölçütlerinin tespiti
ve bu ölçütleri kullanan bir değerlendirme sisteminin geliştirilmesi gereklidir.
Bu ölçütlerin tespiti için bir araştırma yapılmış ve elektrik motorlarının
kalite kontrolünde kullanılabilecek bazı ölçütler belirlenmiştir.
a. BİLGİSAYAR DESTEKLİ KALİTE KONTROL SİSTEMLERİNİN PERFORMANS ÖLÇÜTLERİ
Yukarıda da belirtildiği üzere büyük bir yatırım gerektiren CAQC
sistemlerinin seçimi konusunda karar vericinin kararını dayandırabileceği,
önündeki seçenekleri değerlendirebileceği bazı kriterlerin bulunması gereklidir.
Bu amaçla Carl Schenck AG firmasının kendi geliştirdiği CAQC sisteminin,
sağlıklı olarak değerlendirilebilmesi amacıyla gerçekleştirdiği 06. 01. 1993 tarihli
araştırma bize bu konuda ışık tutabilir. Bu araştırma sonucunda elde edilen
kriterler 5 ana grupta toplanmışlardır. (1) Algılayıcılar
1. Endüstriyel ortamlarda kullanılabilecek titreşim algılayıcılarının
varlığı
2. Algılayıcı bağlantılarının sabit pozisyon, açı ve kuvvette
gerçekleşmesi
3. Test edilen motorun ve algılayıcıların ses ve titreşime karşı yalıtımı
4. Ölçüm verilerinin ve teşhisin yeniden kullanılabilirliği
5. Yüksek bir teşhis doğruluğu amacıyla iki eksenli ölçüm
60
(2) Ölçüm Tekniği / Yazılım
1.Devir sayısıyla senkron olarak devir sayısının ölçümü
2. Periyodik gürültülerin teşhisi için frekans bölgesinde analiz
3.Periyodik olmayan gürültülerin teşhisi için zaman bölgesinde analiz
4.Psikoakustik tanımlayıcı özelliklerin eldesi
5.Kesin olmayan sınıf sınırları durumunda ayrım yapabilme
6.Akım analizi (3) Kullanım
1.Öğrenme işletimindeki kullanım
2.Detaylı hata teşhisi
3.Açıklamalı menülerle idare
4.Kalibrasyon
5.SPC imkanı
6.Endüstriyel çalışma ortamı
7.Toplam test zamanı
8.Dökümantasyon/Kullanım el kitabı
(4) Servis
1. 10 yıl boyunca yedek parça sağlama
2. Güçlü servis olanağı
3. Dünya çapında servis ağı
4. Modem yardımıyla uzak mesafeli arıza teşhisi ve sistem bakımı
5. Kendi kendine arıza teşhisi
61
(5) Genel
1. Sistem tümlevlenmesi (integrasyonu) ve üretime geçişe kadar tam
sorumluluk
2. Uzun yıllar boyunca sisteme bakım sağlayabilme
3. Ölçüm sisteminin maliyeti
4. Test ortamının mekanik donanım maliyeti
5. Üretici firmanın mali durumu
6. ARGE Potansiyeli
7. Referanslar
8. Sistem tekniği
9. Temin süresi
Derlenen bu ölçütler kullanıcılara seçim konusunda bir fikir
verebilmesi amacıyla biraraya getirilmiştir. Varolan sistemlerin gelişmesiyle
ortaya gözönünde bulundurulması gereken yeni sistemlerin çıkacağı
kuşkusuzdur. Bu yüzden bu kriterlerin ve daha sonraki bölümde değinilecek
olan değerlendirme sisteminin okuyuculara bir fikir verebileceği düşünülmüştür.
6. DÜNYADA BİLGİSAYAR DESTEKLİ KALİTE KONTROL SİSTEMLERİNE EĞİLİM
Üretim alanında yeni oluşumlara uyarlanabilme, ileri üretim teknolojilerini
üretim sürecine uygulayabilme ve rasyonelleşme ulusal ve uluslararası
rekabette işletmelerin varlıklarını sürdürebilmeleri açısından en önemli
şartlardan birini oluşturur.
Bir ürünün maliyeti ve teslim süresi üretici firmanın pazardaki başarısını
belirleyen temel etmenlerdir. Bu etmenlerin yanısıra ve hatta gitgide onlardan
daha önemli olarak üretilen malın kalitesi ön plana çıkmaktadır. Artık firmalar
62
zamanında ve ucuz üretimin yanısıra Pazar başarısını etkileyen üçüncü bir
boyut olarak kaliteli üretimi hedeflemektedirler.
Kalite, pazar payının arttırılması açısından önemli bir rekabet etmenidir.
Kalitede meydana gelebilecek eksiklikler doğrudan pazar payının kaybolması
anlamına gelir. Dolayısıyla üretici firmalar fabrikalarını terk eden ve kullanıcılara
ulaşan ürünlerini % 100 olarak sağlam olduğunu garanti edebilmek zorundadır.
Ayrıca bir organizasyonun verimliliğinin esas etmenlerinden biri o
organizasyonun ürettiği kaliteli ürünler ya da verdiği kaliteli hizmetlerdir. Tüm
dünyadaki eğilim her alanda yüksek kaliteyi işaret etmektedir. ISO 9000, 9001
ve 9002 belgeleri uluslararası alışverişlerde, sahip olan firmalar için avantaj
teşkil etmektedir.
Tüm bu etmenler gözönünde bulundurulduğunda üretici firmaların
uluslararası eğilime uyabilmeleri için maliyet - zaman - kalite üçlüsünü limitleri
zorlayarak optimize etmeleri gerekir. Bilgisayar destekli kalite kontrol
sistemlerinin ortaya çıkmasıyla bu alandaki boşluk yavaş yavaş doldurulmaya
başlanmıştır.
Sürekli artan pazar talepleri ve rekabet, firmaları giderek daha fazla
miktarda kalite kontrol/kalite güvence bölümlerine yatırımlarda bulunmalarına
yol açmaktadır. Gelişen teknolojiyle beraber diğer üretim alanlarına hitap eden
bilgisayar destekli kalite kontrol sistemlerinin ortaya çıkmasıyla beraber bu
sistemlere ilginin artacağı kuşkusuzdur.
7. SONUÇ
20. yüzyılın sonuna geldiğimiz şu günlerde gelinen nokta şöyle
özetlenebilir: Avrupa’nın tek bir pazar haline gelmesi, dünya çapında rekabetin
şiddetlenmesi, çevre bilincinin gelişmesi, hammadde kaynaklarının giderek
azalması ve dolayısıyla üretim maliyetlerinin giderek artması üretimde
verimliliğin ve kalitenin sınırlara kadar zorlanması gerekliliğini doğurmuştur.
Üretici firmalar gittikçe acımasız bir rekabet alanı haline gelen uluslararası
63
pazarlarda söz sahibi olabilmek için her geçen gün daha verimli ve kaliteli
üretim imkanı sağlayacak yeni, ileri üretim sistemlerine, yeni üretim
konseptlerine ilgi duymaya başlamışlar ve bu alanda çeşitli arayışlara
girmişlerdir.
Üretimde insan faktörünü en aza indirmeyi amaçlayan bilgisayar
bütünleşik üretim sistemleri, yeni üretim konseptleri, toplam kalite anlayışı ve
buna bağlı olarak ISO 9000 standartları tüm bu arayışlara yanıt olarak
geliştirilmişlerdir.
Günümüzde artık başarılı olmak isteyen firmalar ağırlık sırasına göre
yüksek kalite, zamanında teslim, sevkiyatta süreklilik ve uygun fiyatlardan
oluşan başarı formülünü en iyi şekilde uygulamaya çalışmaktadırlar. Dolayısıyla
firmaların mutlak bir başarı için bu dört etmeni de tam anlamıyla sınırlara kadar
zorlayarak sağlaması gerekir.
Pazar başarısının esası bu şekilde formüle edilebilirken, bu amaca nasıl
ulaşılacağının tespiti için üretim sistemlerinin gösterdiği aşamalar incelenebilir.
Hammadde ve yarı mamülün en verimli kullanımını hedefleyen üretim
konseptleri üretimin her aşamasında tam otomasyon ve bilgisayar desteğinden
faydalanma ve gelişen kalite kontrol ile kalite güvence kavramları. İşte firmaların
ürünlerini kaliteli, zamanında, sürekli, verimli ve ucuz üretebilmeleri için gerekli
araçlar; üretimde uygun yöntem, tam otomasyon ve toplam kalite anlayışıdır.
Bu araçlardan ikisinin ise aynı anda sağlanması ise “Bilgisayar Destekli Kalite
Kontrol Sistemleri” yardımıyla gerçekleşir.
Bilgisayar destekli kalite kontrol sistemleri tam bir bilgisayar bütünleşik
üretim hedefinin günümüze kadar boş kalmış olan kalite kontrol ayağını
oluşturur. Kuşkusuz bu boşluğun doldurulmasında gelişen teknolojinin büyük
payı vardır. Korkunç bir hızla ilerleyen teknoloji, ürünlerin kalitesinin kontrolü için
gerekli olan algılayıcıları ve karmaşık teşhis yöntemlerinin yürütülebilmesi için
gerekli olan güçlü bilgisayarları kullanıma sunmuştur.
Bilgisayar destekli kalite kontrol sistemlerinin ilk kullanım alanı olarak
elektrik motorlarının son kontrolü amaçlı sistem 1989 yılından beri
kullanımdadır. Motor kalitesine karar verebilecek özelliklerin çeşitli algılayıcılar
64
yardımıyla algılanabilmesi bu alanın bilgisayar destekli kalite kontrol
sistemlerinin geliştirilmesi için öncü rol oynamasına neden olmuştur. Kuşkusuz
algılayıcı teknolojisinde gelecekte olacak gelişmeler diğer alanlarda da kalite
kontrolde bilgisayar desteğinin sağlanmasına yol açacaktır. Şu an için en yakın
gelişme beklenen alan çeşitli beyaz eşya ve ev aletlerinin kalite kontrolünde
bilgisayar desteğinin sağlanmasıdır.
Ülkemizde de uluslararası pazarlara rekabet gücünü kaybetmek
istemeyen aksine bu yarıştan daha güçlü olarak çıkmak isteyen firmalar ISO
9000 belgelerini almaya ve bu belgelerin getirdiği sorumlulukları karşılayabilmek
için de üretimde tam otomasyona yönelmektedirler. Bu bağlamda bazı firmalar
kalite güvence etkinliklerini de bilgisayar destekli olarak yürütmeye
başlamışlardır.
Bilgisayar Bütünleşik Üretim’ inin önemli bir halkasını oluşturan bilgisayar
destekli kalite kontrol sistemlerinin üretim sürecine kazandırılması büyük
masraflar gerektirmekte ve henüz gelişme safhasında olan bu sistemlerin
seçimi konusunda bazı sorunlar yaşanmaktadır. Bu sistemlerde kullanılan
teknolojinin çok gelişmiş olması, kontrol edilen motorların teşhisi için kullanılan
değerlendirme ve atama yönteminin karmaşık işlemler içermesi gibi çeşitli
nedenler bilgisayar destekli kalite kontrol sistemlerinin bir girişi ve bir çıkışi olan,
içindeki olaylar hakkında fikir yürütülemeyen birer “kara kutu” olarak
görülmesine yol açmıştır.
Tüm bu açıklamalardan görüldüğü üzere giderek acımasızlaşan rekabet
koşulları, artan müşteri istekleri gibi nedenlerle giderek zorlaşan üretim
koşullarında üretici firmalar kalitenin artan önemini her geçen gün biraz daha iyi
anlamaktadırlar. Üretimin daha kaliteli olması gerekliliği yanında bu faktörün
üretim maliyetlerini arttırmayacak şekilde en az masrafla yapılması gereği,
kalite kontrolde son derece önemli olan uzman personal ihtiyacını ortadan
kaldıran bilgisayar destekli kalite kontrol sistemlerinin önemini bir kez daha
ortaya çıkarmaktadır.
65
III. UYGULAMALAR A. GİRİŞ Bu bölümde Bilgisayar Destekli Kalite Kontrol Sistemleri’nin ticari alanda
mevcut uygulamalarından örnekler sunulmuştur.
B. BİLGİSAYAR TABANLI HATALI LASTİK SIRTI TANIMA, AYIRMA SİSTEMİ
1. YER
Brisa Bridgestone Sabancı Lastik Fabrikası / İzmit
2. AMAÇ
Motorlu taşıt lastiklerinin yere basan ve "Sırt" olarak adlandırılan
bölümlerinin daha önceki işlem ve kontrolleri sırasında üzerine konulmuş olan
işaretlerin incelenerek hatalı lastik sırtlarının belirlenmesi ve hattan alınması.
3. TASARIM ve TEKNOLOJİ
Üzerlerinde lastiğe özgü renk kodlamasının haricinde herhangi bir baskı
ve işaretleme bulunmayan lastik sırtları kilometrelerce uzunlukta şeritler halinde
üretilmekte ve sürekli bir tartım işlemiyle kalite kontrolü yapılmaktadır. Kalite
66
kontrolü sonucunda belirlenen hatalı bölgeler işaretlenmekte ve lastik şerit
kesilerek lastik sırtları elde edilmektedir. Ancak son kontrol noktasında bu lastik
sırtlarının işaretli yüzleri konveyör yüzeyine bastığından operatörlerin hızla akan
üretim bandından hatalı sırtları görüp almaları problem olmaktadır. Üretim
hattına minimum müdahale talebi dikkate alınarak yapılan sistem analizi
sonucunda, lastik sırtının hatalı bölgelerine vurulan hata işaretinin yapay görme
için uygun karakterde bir işaretle değiştirilip konveyörün altından yukarıya doğru
bakan bir kamera ve uygun bir ışıklandırma ile lastiğin ve lastik üzerindeki hata
işaretinin gerçek zamanlı olarak algılanması prensibine dayalı tasarım
benimsenmiştir.
Yapay görme teknolojisinin tercih nedenlerinden biri de çeşitli ebatlardaki
lastik sırtlarına adaptasyonun herhangi bir müdahaleye gerek kalmaksızın
sağlanabilmesidir. Sistemde tüm kontroller için endüstriyel ışıklandırma,
kamera ve optik düzenekler yardımıyla alınan ve frame grabber kartıyla sistem
bilgisayarına aktarılan lastik görüntüleri kullanılmaktadır. Yüksek hız ve görüntü
kalitesi gerektiren sistemde 1 adet endüstriyel analog kamera ve mercek
kullanılmıştır.
Bilgisayarda yüksek sistem kaynağı kullanımına gerek kalmayacak şekilde
tasarlanmış gerçek zamanlı görüntü işleme algoritmasıyla Normal
standartlardaki bir PC sistem bilgisayarı olarak yeterli olmuştur.
Projenin ışık, kamera bilgisayar gibi tüm bileşenleri uygun standartlardaki
endüstriyel kabin ve muhafazalar içindedir.
4. ÇÖZÜM
Yaklaşık 1 m/s hızla akan üretim bandında 2 konveyör rulosu arasındaki
10 santimetrelik açıklıktan arkası ve yüzeyi uygun şekilde aydınlatılmış lastik
sırtına bakan kameradan alınan görüntünün analiziyle öncelikle lastiğin ne olup
67
olmadığı belirlenmekte ve eğer lastik varsa sırt üzerinde hata işareti
aranmaktadır. Şekil 26’deki konfigürasyonda sistem saniyede 20 kontrol
yapabilmektedir. Donanım iyileştirmeleri ile bu sayı daha da artabilmektedir.
Lastik üzerinde bir hata işareti belirlenmesi durumunda hattın kontrol
“Programlanabilir Mantık Devresi” ne (PLC) gönderilen sinyallerle hatalı lastik
sırtının yükleme bölümünden pas geçerek hurda bölümüne aktarılması
sağlanmaktadır. Bu aşamada ayrılan lastik sırtı geri kazanılabilmekte fakat
bitmiş bir lastikte hatanın sonradan görülmesi durumunda geri kazanım
mümkün olmamaktadır. Bu nedenle sistemin ekonomik ve çevresel katkısı
büyük olmaktadır. Kolay kullanılabilir bir kullanıcı arabirimi ile sistem - operatör
etkileşimi sağlanmaktadır. Kontrol edilen lastiğin durumu ve çalışma istatistikleri
ekranda rahatlıkla izlenebilmekte ve tüm kontrol bilgileri analiz ve raporlama
çalışmalarında kullanılmak üzere dbase formatında saklanmaktadır.
Kullanıcılar, hazırlanan basit fakat etkin yardıma ihtiyaç duyduklarında
rahatça erişebilmektedir. Kullanıcıların organizasyonu, vardiya ve raporlama
kurguları, lastik ve hata işareti parametreleri “Ayarlar” bölümünde toplanmıştır.
5. SONUÇ
Mühendislerce "Bilgisayar Tabanlı Görüntü İşleme Teknolojileri" ve her biri
alanlarında kalitelerini ispatlamış dünyaca ünlü firmaların yazılım ve donanım
ürünleri kullanılarak gerçekleştirilen sistem 1998 yılından beri başarıyla
çalışmaktadır. Hatalı lastik sırtlarının ayrılmasını ve geri kazanımını mümkün
kılan sistemin lastik üretimindeki ekonomik ve çevresel katkısı büyüktür.
6. UYGULAMA ALANLARI
Tüm araç lastiği üretim tesislerinde.
68
Şekil 26. PC Tabanlı Yapay Görme İle Hatalı Lastik Sırtı Tanıma Ve Ayırma
Sistemi Prensip Şeması
PC Tabanlı Yapay Görme ile
Hatalı Lastik Sırtı Tanıma ve
Ayırma Sistemi
Prensip Şeması
1. Kontrol birimi
2. Sistem bilgisayarı
3. FieldPoint RTU
modülleri
4. Güç kaynağı
5. İşletme networkü
6. RS-232 haberleşme
7. Besleme hattı
8. Görüntü sinyali hattı
9. Kontrol hattı
10. Kamera
11. Işık kaynakları
12. Üretim bandı
13. Lastik sırtı
14. Ayırma ünitesi
15. Yükleme hattı
16. Hurda sırt hattı
69
C. BİLGİSAYAR TABANLI YAPAY GÖRME İLE KABLO ÖLÇÜMLERİ
1. UYGULANAN FİRMA
Çeşitli kablo üreticileri
2. AMAÇ
Çeşitli tip ve kesitlerdeki kablolarda izolasyon kalınlıkları ve çap
ölçümlerini bir çok noktadan hassas bir şekilde yaparak ölçüm sonuçlarını
otomatik olarak raporlayacak bir laboratuar çözümü oluşturmak.
3. TASARIM ve TEKNOLOJİ
Büyük kesitli kablolarda izolasyon kalınlığı ve çap ölçümleri mekanik
yöntemler ve aletler kullanılarak yapılabilmektedir. Ancak özellikle 10 mm den
küçük çaplı kablolar için bu durum büyük sorun oluşturmaktadır. Farklı
üreticilerin farklı renk, kesit ve çaptaki kablolarını bir çok noktadan yapılacak
hassas ölçümlerle test edebilecek bir çözümün bilgisayar tabanlı yapay görme
ile oluşturulabileceği düşünülmüştür.
Sistemi, optik ve bilgisayar tabanlı yapay görme diye iki bölümde
inceleyebiliriz. Optik sistem, kablo üreticilerinin isteklerine göre bir mikroskop
ya da özel lenslerle oluşturulabilmektedir. Burada isteğe göre farklı üreticilerle
çalışılabilmektedir. Seçilen optik sistemlere göre mikron mertebesindeki
hassasiyetlere ulaşılması mümkündür.
70
Yapay görme kısmında ise kablo görüntüleri renkli bir analog kamera ile
alınmakta ve frame grabber kartları üzerinden işlenmek üzere bilgisayardaki
sistem yazılımına gönderilmektedir. Sistem yazılımı doğrudan kameradan
alınan resimlerle çalışabildiği gibi önceden kaydedilmiş kablo resimleri üzerinde
de çalışabilmektedir. Bu çözüm National Instruments firmasının frame grabber
kartları ve LabVIEW programlama diliyle oluşturulmuştur.
4. ÇÖZÜM
Sistemin kurulumu sırasında ölçülecek kablo tiplerine uygun olarak
belirlenmiş optik sisteme göre kalibrasyonu gerekmektedir. Kalibrasyon
işleminde 1 milimetrenin kaç pikselle ifade edileceği belirlenir. Piksel en küçük
görüntü birimidir. Sistem yazılımı ölçüm hassasiyetini arttırmak üzere 3 farklı
kalibrasyon aralığına kalibre edilebilmektedir.
Kullanıcı ölçmek istediği kablo kesitini optik sistemin altına yerleştirdikten
sonra çalışması gereken kalibrasyon parametresini girer ve kaç derecelik
açılarla tarama yapmak istediğini seçer. Sistem bundan sonraki tüm ölçüm ve
grafikleme işlemlerini otomatik olarak yapmaktadır.
Yazılım tüm kablonun ve kablo içerisindeki damarlara ait boşluğun
merkezlerini bularak bunlar arasındaki farka bakıp eksenel kaymayı
hesaplamaktadır. Tüm kablonun merkezinden verilen aralıklarla çizilen yarıçap
doğruları üzerinde yapılan ölçümler şunlardır:
1. Merkez ve izolasyon başlangıcı mesafeleri
2. İzolasyon kalınlıkları
3. Merkez izolasyon bitimi mesafeleri
71
5. SİSTEMİN AVANTAJLARI
1. Fonksiyonlar
2. Minimum et kalınlğı
3. Maksimum et kalınlığı
4. Minimum çap
5. Maksimum çap
6. Merkez kayma
7. İdeal kabloya göre kesit farkı
8. Ölçüm Hassasiyeti
9. 1 -360 tarama açısıyla hassas izolasyon kalınlığı ölçümü
10.Ölçüm Hızı
11. 0.5 m/s ölçüm hızı
12. Kaliteli ve çok yönü raporlama, dökümantasyon
13. Ölçüm sonuçlarını .xls veya .txt formatında otomatik olarak kaydeder.
14. Ölçüm sonuçları yazılmış . bmp formatındaki kablo imgesini otomatik olarak kaydeder.
15. Kablo imgesiyle birlikte sayısal ve grafiksel ölçüm sonuçlarını yazıcı çıktısı olarak raporlar.
16. Kolay ve kapsamlı kullanım ve Türkçe yardım klavuzu
17. Sadece üç tuşla sınırlı kolay ve otomatik operasyon sistemi
18. Herkesin anlayabileceği düzeydeki kapsamlı yardım kılavuzu kullanma
19. Esnek ve genişleme kabiliyeti
20.Orjinal kablo imgesi üzerinde manual ölçüm ve raporlama imkanı
21.Raporlara, firmaya ait logonun ilavesi
72
22. İhtiyaç duyulan ek ölçümlerin sisteme ilavesi (örn: çift renkli kablolarda renk oranlarının belirlenmesi)
23. Güvenilirlik
24. OKOP, National Instruments'ın hızlı ve güvenilir yazılımları olan LabVIEW ve IMAQVision ile oluşturulmuştur.
6. OKOP'UN KULLANILMASI
Programı çalıştırıldıktan sonra ve opratör bilgileriyle deney parametreleri
girilir. Bu ölçüm sonuçları hem resim üzerinde hem de sayısal ve grafiksel
olarak kullanıcı arabiriminde görülebilmektedir. Kullanıcı istediğinde ölçüm
sonuçları ve resmini içeren ve otomatik olarak üretilen bir raporu yazılı çıktı
olarak alabilmekte yada daha önce yapılmı testlere ait . jpq formatlı raporlara
erişebilmektedir.
7. SONUÇ
Kullanıcı istekleri doğrultusunda tasarlanıp üretilmiş bu sistemle kablo ve
metal parça üreticilerinin laboratuar yada sahadaki temassız, yüksek
hassasiyetli ölçüm ve raporlama ihtiyaçlarına ; yüksek fiyat performans oranına
sahip, ileri teknolojili bir çözüm getirilmiştir. 8. UYGULAMA ALANLARI
Kablo ve metal endüstrilerindeki boyut ölçümleri
73
Şekil 27. Bilgisayar Tabanlı Yapay Görme İle Kablo Ölçümleri
D. BİLGİSAYAR TABANLI YAPAY GÖRME İLE OTOMOBİL GÖSTERGE DENETİMİ
1. UYGULANAN FİRMA
Takosan
2. AMAÇ
74
Takosan firması üretmekte olduğu otomobil göstergelerinin tüm
fonksiyonlarını bir test düzeneği üzerinde kontrol etmek istemektedir.
3. TASARIM ve TEKNOLOJİ
Seri üretim şartları, istenen yüksek hassasiyet nedeni ile PC tabanlı bir
yapay görme sistemi tasarlanmıştır. Analog giriş ve analog çıkışlar, PC tabanlı
“Dağıtılmış Veri Toplama Sistemleri” (RTU) lar ile sağlanmıştır. Analog çıkışa
sahip endüstriyel standartlarda kameralar ve imge toplama kartı olarak PCI
busta çalışan yüksek kaliteli kartları kullanılmıştır. Kontrol işlemlerini yapacak
olan yazılım LabVIEW programlama dilinde geliştirilmiştir.
4. ÇÖZÜM
Firmanın ürettiği göstergeler elektronik olarak kalibre edilmektedir.
Gösterge üzerindeki uyarı ışıkları, ibrelerin pozisyonları elektronik olarak
ayarlanmaktadır. Yapılan kontrol sistemi tam otomatik olarak göstergenin tüm
fonksiyonlarını kontrol etmektedir. Öncelikle uyarı ışıklarına gerekli gerilim
verilmektedir. Kameranın topladığı görüntü, imge toplama kartı vasıtası ile
bilgisayara aktarılmaktadır. Yazılımda imge bilgilerini işleyerek ışıkların yanıp
yanmadığı kontrol edilmektedir.
Hız, devir, hararet ve yakıt seviyesi ibrelerine RTU üzerinden analog
çıkış olarak referans gerilimler gönderilmektedir. İbrelerin görüntüleri aynı
şekilde kameralar ile toplanmaktadır. Yazılım tarafından işlenen görüntüler
sonrasında ibrelerin göstermesi gereken değerleri gösterip göstermediği kontrol
edilir. Başka bir deyişle göstergenin kalibrasyonu kontrol edilir.
5. SONUÇ
75
Yurdumuz sanayisinin lokomotif sektörlerinde otomotiv sektörünün çok
önemli bir yan sektör firması olan Takosan göstergelerini tam otomatik ve 100%
güvenilirlik ve tekrarlanabilirlik özelliklerine sahip yapay görme ile kalite kontrol
sistemi ile kontrol etmektedir. Bu kalite seviyesi Takosan'a hem yurt içinde hem
de yurt dışındaki pazarlarda önemli bir rekabet avantajı sağlamaktadır.
E. BİLGİSAYAR TABANLI YAPAY GÖRME TEKNİĞİYLE HATALI ÜRÜN TANIMA VE AYIRMA SİSTEMİ
1. UYGULANAN FİRMA
Türk Henkel /İzmir
2. AMAÇ
PRIL, VERNEL ve DIXI gibi çeşitli marka, boyut ve ambalaj tipinde sıvı
temizlik kimyası ürünlerinin paketleme/kolileme öncesinde ambalaj kalite
kontrolünü yaparak ambalajı hatalı ürünlerin sevkiyatını engelleyecek bir
çözüme ihtiyaç vardır. Hat sonlarında ürünlerin kolilere doğru sayıda ve doğru
şekilde yerleştirilip yerleştirilmediği de kontrol edilmelidir.
3. TASARIM Ve TEKNOLOJİ
Sistem analizi çalışmalarımızda 175 ürün/dakika hızındaki hatta, ürünlerin
ön ve arka yüzlerinde aşağıdaki kontrollerin gerçek zamanlı olarak yapılmasının
gerekliliği ortaya çıkmıştır.
76
a. Kapak Kontrolleri
1. Kapak Var - Yok ve Doğruluk
2. Renk, boyut ve deformasyon
3. Kapanma (diş atma, az sıkma)
b. İki Tarafli Şişe Gövde Kontrolleri
1. Doğru renk ve doğru ürün
2. Deformasyon ve ezikllik
3. Tarih ve üretim bilgileri (Tek tarafta)
c. İki Tarafli Etiket Kontrolleri
1. Var-Yok ve doğruluk
2. Kalkma ve yırtılma
3. Dönerek ve/veya kayarak yapışma
4. Birden fazla etiket yapışması
d. Koli Kontrolleri
1. Ürün sayısı
2. Ürün yerleşimi ve pozisyonları
3. Ürün kapaklarının varlığı ve doğruluğu
77
Ayrıca aşağıdaki işletme gereksinimlerinin de karşılanması
gerekmektedir:
e. İşletme Gereksinimleri
1. % 0. 3 ölçüm hassasiyeti ve175 ürün/dakika kontrol hızı
2. Yeni ürünlerin kolay ve hızlı konfigürasyonu
3. Ürünlerdeki değişikliklere kolay ve hızlı adaptasyon
4. Ürün değişimlerine kolay ve hızlı uyum
5. Minimum bakım ve ayar gereksinimi
6. Yüksek güvenilirlik ve kullanım kolaylığı
7. Hiyerarşik kullanıcı organizasyonu
8. Çalışma ve hata analizi için raporlama
9. İstatistiki analiz (SPC) alt yapısı
10. Tüm kontrolların web üzerinden ve/veya uzaktan kontroluna alt
yapı uyumluluğu
11. Hatta ve işletme koşullarına yüksek uyum
12. Kolay erişilebilir Türkçe yardım menüsü
Bilgi ve tecrübeler ışığında bu tip karmaşık kontrollerin işletme
gereksinimlerine de uygun olarak gerçekleştirebilecek doğru çözümün PC
tabanlı yapay görme teknolojisi ile gerçeklenebileceğine karar veren E3TAM
ArGe grubu sonuçta alanında Türkiye' de ilk, kapsam olarak da dünyanın
önemli yapay görme projelerinden birini gerçekleştirmeyi başarmıştır.
Sistemde tüm kontroller için endüstriyel ışıklandırma, kamera ve optik
düzenekler yardımıyla alınan ve frame grabber kartlarıyla sistem bilgisayarına
aktarılan ürün görüntüleri kullanılmaktadır. Sistemdeki 3 kamera da renkli olup
yüksek hassasiyet ve hız gerektiren ürün kontrollerinde 2 adet sayısal kamera,
koli kontrolleri için ise 1 adet analog kamera kullanılmıştır. Frame grabber ve
78
giriş/çıkış kartları ile yazılım geliştirme ortamı olarak seçilen program ise
LabVIEW ‘dır.
Kullanıcı arabirimi, 3 paralel gerçek zamanlı yapay görme algoritması
ve donanımların yönetimi yüksek bir sistem kaynağı gerektirmektedir. Bu
nedenle bu çaptaki yapay görme projelerinde birden fazla bilgisayar kullanılarak
görevlerin paylaştırılması sık karşılaşılan bir durumdur. Tasarımdaki
optimizasyon, sistemin bir tek bilgisayar ile gerçeklenebilmesini sağlamıştır.
Ancak sistemin zorlu işletme şartlarında sürekli devrede kalacağı da
düşünülerek çift işlemcili bir sunucu kullanılmıştır.
Projenin ışık, kamera bilgisayar gibi tüm bileşenleri uygun standartlardaki
endüstriyel kabin ve muhafazalar içindedir.
4. ÇÖZÜM
Yüksek ürün çeşitliliğine ve değişken hatalara sahip böyle bir proseste
farklı hataları algılayacak algoritmalar kullanmak uzun işlem zamanı
gerektirmesine rağmen yeterli başarımı sağlayamamaktadır. Bu nedenle
sisteme hatalar yerine ideal ürünlerin tanıtılması ve hattaki ürünlerin ideal ürünle
karşılaştırılması tercih edilmiştir. Ürün görüntüsü toplam 25 bölgeye ayrılarak
incelenmekte ve her bölge için farklı hata toleransları kullanılmaktadır. Böylece
hataların geri bildirimi ve hedeflenen kalite düzeyinde çalışma
sağlanabilmektedir.
Yüksek matematik ve karmaşık algoritmaların kullanıldığı yapay görme
sistemlerinin kullanım ve konfigürasyonlarının zor ve karmaşık olması uzmanlar
arasında doğal karşılanmaktadır. Ancak kullanıcılar sahada birçok
sorumlulukları olan operatörler olduğundan kullanıcı arabirimi ve farklı ürünler
arasında geçiş son derece kolaylaştırılmıştır.
Sistemde “operatör” ve “yönetici” olmak üzere 2 farklı kullanıcı modu tanımlıdır.
Kullanıcıların organizasyonu, yeni bir ürünün tanıtılması, tanıtılmış bir üründe
değişikliklerin yapılması, çalışma ve hata raporlarının kontrolü yöneticilerce
79
yapılmaktadır. Opertörün ise sistemi devreye almak için çalışacağı ürünü
seçerek 'çalıştır' butonuna basması yeterlidir.
Hattan ideal kalitede ürünler geçiyorken yeni bir ürünün tanıtılması, toplam 10
dakika süren 5 aşamada tamamlanabilmektedir. Bunlar :
1. Kameraların gördüğü alanın ayarlanarak hattan geçen ürünlere ait resimlerin bilgisayara kaydı.
2. Kaydedilen ürün resimlerinden ideal bir ürünün belirlenmesi.
3. İdeal ürün resminde kontrol edilmesi istenen bölgelerin belirlenmesi.
4. Test çalıştırmasıyla hattan geçen ürünlerden hata toleranslarının otomatik olarak belirlenmesi.
5.Kolinin ve kolideki ürünlerin tanıtılması.
6. Otomatik olarak üretilen hata ve çalışma raporları ile prosesin
izlenmesi ve denetimi için gerekli bilgiler sağlanmaktadır.
Kullanıcılar hazırlanan basit fakat etkin yardıma ihtiyaç duyduklarında
rahatça erişebilmektedir. Uygun maliyet ve ürün değişimleri sırasında minimum
emek ve zamanla yeni ürüne adaptasyon hedeflendiğinden sistem üretim hatlarına entegre yapıda tasarlanmış ve kurulmuştur.
5. SİSTEMİN ÇALIŞMASI
Görüntülerin alınması işlemi sayısal algaçlarla tetiklenmektedir. E3TAM
proje grubu mühendislerince geliştirilmiş, sunucudaki sistem yazılımı, hattan
geçen ürünleri toleranslar dahilinde ideal ürünle karşılaştırarak ön görülemeyen
hata tiplerini bile yakalayacak şekilde tasarlanmış özgün bir algoritmaya
sahiptir. Ürünlerin ön, arka ve koli kontrolünü eş zamanlı olarak yürütebilen
sistem %0. 3 ölçüm hassasiyetiyle dakikada 175 ürünü kontrol edebilmektedir.
Hata durumunda operator bilgilendirilmekte ve ürün durum bilgileri gerekli
raporlara ve istatistiklere eklenmektedir. Ardışıl ve / veya periyodik hata
durumlarında hat durdurularak operatore sorun ve yapılması gerekenler
80
bildirilmektedir. Hatalı ürünler ise ayırma sistemine aktarılarak hattan
alınmaktadır.
6. SONUÇ
Tamamıyla Türk mühendisliğinin ürünü olan sistem "Bilgisayar Tabanlı
Görüntü İşleme Teknolojileri" ve her biri alanlarında kalitelerini ispatlamış
dünyaca ünlü firmaların yazılım ve donanım ürünleri kullanılarak
gerçekleştirilmiştir. Yüksek teknolojili, yetenekli, genişleyebilir ve bütünsel
çözümü müşterilerin başarılarının artımına ve sürekliliğine katkıda
bulunmaktadır.
7. UYGULAMA ALANLARI
Elektronik, otomotiv, metalurji, ilaç ve her türlü talaşlı imalat gibi farklı
sektörlerin ihtiyaçlarına göre uyarlanabilir yapıda geliştirilmiş olan sistem bu
şekliyle kimya, kozmetik, ilaç, kuru yada sıvı gıda gibi çeşitli sektörlerde; cam,
karton ve plastik ambalajlı ürünlerde, kısaca paketleme ve ambalajlama
endüstrisinde "Son Kalite Kontrol" amaçlı olarak kullanılabilmektedir.
Tasarlanan bu ve benzer sistemlerin esnek mimari özelliği sayesinde
güncellenebilme ve genişleyebilme özelliğindedir.
8. PROJENİN GENEL ÖZELLİKLERİ
Yapılması istenen tüm kontroller için, sayısal kamera ve bu tip
uygulamalar için özel tasarlanmış optik düzenekler yardımıyla alınan ve
endüstriyel frame grabber kartlarıyla sistem bilgisayarına aktarılan gerçek
zamanlı ürün görüntüleri kullanılmaktadır. Görüntülerin hatasız ve zamanında
81
alınma işlemi için bu işe özel olarak E3TAM ArGe mühendislerince tasarlanan
endüstriyel ışıklandırma sistemi ve sayısal tetikleme sistemi kullanılmaktadır.
Tümüyle üreticinin istekleri doğrultusunda tasarlanan sistem yazılımı, hattan
geçen ürünleri toleranslar dahilinde ideal ürünle karşılaştırarak öngörülemeyen
hata tiplerini dahi yakalayacak biçimde özgün bir algoritmaya sahiptir. Ürünlerin
ön, arka ve koli kontrolünü paralel olarak yürütebilen sistem yazılımı kullanıcıya
%0,3 ölçüm hassasiyetiyle dakikada yaklaşık 175 ürünü kontrol edebilme
imkanı sağlamaktadır. Bu oran yaptığı işlevler açısından değerlendirildiğinde
son derece yüksek bir performansa sahip olduğu ortadadır. Hatalı ürünün
yakalanması durumunda operator bilgilendirilmekte ve ürün durum bilgileri
gerekli raporlara ve istatistiklere eklenmektedir. Ardışıl ve / veya periyodik hata
durumlarında üretim sistemi durdurularak operatore sorunun ne olduğu ve
yapılması gereken işlem bildirilmektedir. Hatalı ürünler ayırma sistemine
aktarılarak hattan alınmaktadır. Sistem öğrenebilme ve eğitilebilme yeteneğiyle
donatılmıştır. Hatalar raporlanabilmekte ve İstatistiki her türlü değerlendirmeye
olanak vermektedir. Sistem uzaktan izleme ve kontrol için internete
bağlanabilme hazırlığına sahiptir.
F. İSTATİSTİKSEL SÜREÇ DENETİMİ
1. UYGULANAN FİRMA
Opel / İzmir
2. AMAÇ
82
Otomobil üretiminde kritik parçalara uygulanan sıkma, vb. bazı işlemlerin
mutlaka uygun parametrelerle yapılması hayati önem taşımaktadır.
Bu kritik işlemlerdeki performans ve başarımın ölçümü, raporlanması ve
gelecekte incelenmek üzere kaydı için bir SPC çözümüne ihtiyaç vardır.
3. ÇÖZÜM
Amacın gerçeklenebilmesi için istatistiki proses kontrolün "X-R Diyagram"
yapısı en uygun çözüm olarak belirlenip, bu çözüm LabVIEW ile
gerçeklenmiştir. Kullanıcılar süreç verilerini ve açıklamaları Şekil 28’ deki ekranı
kullanarak girmektedirler. Girilen bu verilerin sonuçları vardiya bazında aylık
olarak ekrandan görülebilmektedir.
4. SONUÇ
E3TAM tarafından gerçeklenen bu proje ile OPEL’in SPC ihtiyacına
yüksek teknolojili bir çözüm sunulmuş ve proses yönetimi kolaylaştırılmıştır.
5. UYGULAMA ALANLARI
Tüm proses analiz ve yönetim çalışmalarında kullanılabilir, uyarlanabilir.
83
Şekil 28. İstatistiksel Süreç Denetimi X-R Kontrol Kartı
84
G. İRİS TANIMA TEKNOLOJİ İLE SİSTEM GÜVENLİĞİ Bu teknoloji sayesinde bilgisayara şifre girme, şifreyi kaybetme, unutma
gibi sorunlar ortadan kalkmaktadır. Sistem, sistemin kamerasına 2 sn süre ile
bakılması ve bu süre içinde sistem bilgisayarının gözün irisini tanıyıp
tanımaması prensibine göre çalışmaktadır. Her insanın gözünün irisi de aynı
parmak izinde olduğu gibi farklıdır. Tek yumurta ikizlerinde bile farklıdır. İnsan
gözünün iris yapısı doğumdan yaklaşık bir yıl sonra olgunlaşır ve gelişimini
tamamlar ve bu zamandan sonra da değişmez. Örneğin bir şirketin çalışanları
irislerini sistem bilgisayarına tanıttıktan sonra yukarıda da bahsedildiği gibi 2 sn
süre ile gözlerini bilgisayara yaklaştırıp bilgisayarın o kişilerin irislerini tanıması
sayesinde örneğin kasa dairesi, gemilerde cephanelik vb. gibi gizlilik gerektiren
yerlere alakasız kişilerin girmesi önlenmektedir ve aynı zamanda sistem
sayesinde şifrelerle hiçbir alaka kalmamaktadır. Bu sayede şifrenin çalınması,
kaybolması gibi sorunlarda ortadan kalkmaktadır. Bu sistemde alakasız kişilerin
gizli yerlere girmesinin belki de tek çaresi örneğin o yerin sorumlusunu öldürüp
gözünü çıkarıp bilgisayara tanıtmaktır ki o da biraz bilimkurgu olarak
düşünülebilir.
Bu teknoloji ile ilgilenen firmalar arasında şu anda “Panasonic” başı
çekmektedir ama gelecekte çok ciddi bir şekilde kullanılacaği kesin olan bu
sistem için diğer şirketlerinde yakın bir zamanda sektöre girmeye çalışacağı
öngörüsü herhalde yanlış olmaz.
85
SONSÖZ Bu iki teknolojinin (yapay görme, otomatik kalite kontrol sistemleri) de çok
yeni bir teknoloji oldukları ve daha gelişim sürecini tamamlamadıkları için
maliyet açısından pahalı oldukları ve bu sebeple şu an için istenen ölçüde
yaygınlığa kavuşamadıkları bilinmektedir. Ancak, bu iki teknolojinin de zaman,
hız açısından yararları, insan etmeninin ortadan kaldırılması gibi özellikleri
düşünüldüğünde ilerleyen yıllarda bu iki teknolojinin gelişmelerine paralel olarak
maliyet zaafiyetinin de ortadan kalkacağı için, bu iki teknolojinin gelecekte çok
kullanılacağı söylenebilir.
Bu projeyi örütbağ (internet) üzerinden http://togayarda.tripod.com
adresinden de inceleyebilirsiniz. Projeyle ilgili tüm sorularınızı
[email protected] adresine e-posta ile gönderebilirsiniz.
86
KAYNAKÇA
1. Gonzales C. R. , Digital Image Processing , 2002
2. Endüstri & Otomasyon , Mart 2004 , Sayı 84
3.Canturi V. , Levialdi S. , Roberto V. , Artificial Vision: Image Description,
Recognition and Communication, 1997
4. Devlet Planlama Teşkilatı, Şekil Tanıma ve Görüntü İşleme Teknikleri,
Temmuz 1994
5. Turası Ö. , Bilgisayar Destekli Kalite Kontrol Sistemleri , Yüksek Lisans Tezi ,
İTÜ – Fen Bilimleri Enstitisü
6. Panayırcı E. , Hatalı Doku Tanıma ve Ayırt Etme , 1994
7. 1. Sinyal İşleme ve Uygulamaları Kurultayı Bildiriler Kitabı , 21-22 Nisan
1993, Boğaziçi Üniversitesi , Bebek / İstanbul
8. 2. Sinyal İşleme ve Uygulamalar Kurultayı Bildiriler Kitabı , 8-9 Nisan 1994,
Gökova / Muğla
9. 11. IAPR International Conference of Pattern Recognition Volume 3
10. http://www.ieee.org
11. Bilkon 91 , Bilkent Üniversitesi Elk. , Eln. ve Bilgisayar Müh. Konferansı ,
15-16 Temmuz 1991
12. Günsel B. , Jain A. K. , Visual Surface Reconstructions and Boundary
Detection Using Stochastic Models
13. http://www.e3tam.com
14. http://www.vistek.com.tr
15. http://www.dobelle.com
16. İngilizce-Türkçe Elektronik Terimleri Sözlüğü , 2002 , Deniz Harp Okulu
Komutanlığı , Tuzla / İstanbul
17. Eşme B. , Günsel B. , Panayırcı E. , Tümleştirme Teknikleri Kullanılarak
Erim ve Koyuluk İmgelerinden Ayrıt Sezme ,
87
DAĞITIM 1. Deniz Harp Okulu Komutanlığı Kütüphanesi , 81704 , Tuzla / İstanbul
2. Yük. Müh. Kd. Ütğm. İlhan GÖKBEN , Deniz Harp Okulu Komutanlığı, Kontrol
Sistemleri Ana Bilim Dalı, 81704 , Tuzla / İstanbul
3. Yrd. Doç. Dr. Ali YAPAR , İTÜ Elektrik Elektronik Fakültesi , Elektronik Ana
Bilim Dalı , 80626 , Ayazağa / İstanbul
4. Hüseyin Togay ARDA , Hatboyu Ege Sokak , Berkem Apt. , No:9 / 18 ,
Göztepe / İstanbul
5. Taner KAFKAS , Eryaman Konutları , 3. Etap 147. Sokak , 1733. Ada C-3/6,
Etimesgut / Ankara
88
.
89
9083 HÜSEYİN TOGAY ARDA
8314 TANER KAFKAS
IV/G KONTROL SİS. MÜH.
YAPAY GÖRME İLE OTOMATİK KALİTE YAPAY GÖRME İLE OTOMATİK KALİTE KONTROL SİSTEMLERİNİN İNCELENMESİKONTROL SİSTEMLERİNİN İNCELENMESİ
1. BÖLÜM
a. Yapay Görme Nedir?
b. Kalıplar, Kalıp Sınıfları ve Kalıp Yöneyleri Nelerdir?
c. Nesne Tanıtma Teknikleri
d. Algaç Tümleştirme Yöntemleri ve Üç Boyutlu Nesne Algılama,Tanıma
e. Yapay Sinir Ağlarıyla Sistem Tanıma
f. Yapay Görmenin Uygulama Alanları
2. BÖLÜM
a. Bilgisayar Tabanlı Yapay Görme Tekniği İle Hatalı Ürün Tanıma Ve Ayırma Sistemi
b. İstatistiksel Süreç Denetimi
c. İris Tanıma Teknolojisi İle Sistem Güvenliği
SONSÖZ
YAPAY GÖRME NEDİR?
İnsanoğlundaki görsel işlevlerin bilgisayar modelini yaratmayı amaçlayan yapay görme; hızlı bir şekilde büyüyen bir teknoloji, bir disiplindir. Yapay görme olayını 2 safhada düşünebiliriz:
1.Algaç Tümleştirme
2.Nesnenin Tanıtımı
YAPAY GÖRME OLAYINDA EN ÇOK DESTEK ALINAN BİLİM DALLARI
1.GÖRÜNTÜ İŞLEME
2.BİLGİSAYAR GEOMETRİSİ
3.OPTİK MODEL TANIMA
4.BİLGİSAYAR FİZİĞİ
KALIPLAR,KALIP SINIFLARI VEKALIP YÖNEYLERİ
Kalıplar, genel olarak tanımlayıcıların düzenlenmesidir. Kalıp sınıfları ise, bazı yaygın özellikleri paylaşan kalıp aileleri olarak tanımlanabilir. Kalıp sınıfları; W ’yı sınıf sayısı olarak kabul edersek olarak belirtilir.
Kalıp tanıtımı, her sınıfa sırayla kalıp atama teknikleri kullanılarak kalıp düzenleyiciler ile yapılır.Pratikte üç temel kalıp düzenleyici vardır:
1. Yöney düzenleyiciler
2. Tel düzenleyiciler
3. Yapısal düzenleyiciler
Kalıp yöneyleri ile temsil edilirler ve
düzeninde , i. tanımlayıcıyı temsil etmek suretiyle ve , kalıpla ilgili tüm tanımlayıcıların sayısını temsil etmek suretiyle gösterilir. Kalıp yöneyleri görüldüğü gibi n*1 matrislerle temsil edilmektedirler.
ÖRNEKÖRNEK
Fabrikalardaki seri üretim olayına bir göz atalım:
X marka salça üretimi yapılıyor olsun
* Salça, kalıbımız
* Bu salçanın küçük boy,orta boy,büyük boy olarak 3 çeşidi kalıp sınıflarımız
* Örneğin bu salçanın boyu,eni vs. özellikleri bizim tanımlayıcılarımız
Eğer yöney düzenleyicilerle tanıtım yapılmak isteniyorsa
x = [boy
en
….] gibi matrissel şekilde tanıtım yapılarak bilgisayara tanıtılır
Genel olarak 4 adet nesne tanıtım tekniği vardır.
1. En az uzaklık sınıflandırıcı
2. Korelasyonla karşılaştırma
3. Yapay sinir ağlarıyla tanıtım
4. Algoritmalar yardımıyla tanıtım
En basit ve en çok kullanılan “ en az uzaklık sınıflandırıcı”
ALGAÇ TÜMLEŞTİRME YÖNTEMLERİ
Niçin algaç tümleştirme?
Çünkü;
İnsan görü sisteminin stereo, koyuluk, derinlik, renk, doku gibi birçok farklı bilgiyi tümleştirerek gözlenen imgenin içerdiği nesneleri algıladığı ve tanımladığı belirlenmiştir.
Bu sebeple;
Çeşitli sayıdaki algaçlar yardımıyla tanımlanacak nesnelerden alınacak sinyallerin daha sonra tümleştirilmesi gerekmektedir.
Farklı kaynaklardan alınan imgelerin tümleştirilmesinde
temel amaçlar iki tanedir:
1. Tek bir imge ile elde edilemeyecek bilginin farklı veriler analiz edilerek çıkarılması
2. Gürültü ve bozucu etkilerin en aza indirilmesi ve böylece çözümün daha kaliteli ve güvenli olmasının sağlanması
YAPAY SİNİR AĞLARIYLA SİSTEM TANITIMI
BU BÖLÜMDE ;
1.Zamanla değişmeyen ayrık zamanlı dinamik sistemlerin tanınması konusu anlatılmıştır.
2.Dinamik sistemlerin giriş-çıkış gösterilimi ve sistem tanıma hakkında genel bilgiler verilmiştir.
3.Genelleştirilmiş ters bağıntısı kullanılarak doğrusal bağlaşım ağı, geriye yayılma algoritması kullanılarak çok katmanlı genlikte sürekli algılayıcı ve çevrimiçi-çevrimdışı sistem tanıma konusu anlatılmıştır.
DİNAMİK SİSTEM GÖSTERİLİMİ
Dinamik bir sistemin matematiksel modeli değişik formlarda verilebilir. Bu çalışmada giriş-çıkış modeli kullanılmıştır.
sistem girişi, sistem çıkışı ve
sisteme etkiyen gürültü olmak üzere ayrık zamanda çok girişli-çok çıkışlı doğrusal dinamik bir sistem fark denklemleriyle şu şekilde ifade edilebilir:
sırasıyla çıkış, giriş ve gürültü için en çok gecikme katsayısıdır. sırasıyla m*m, m*n, m*m boyutlu katsayımatrisleridir. Bu model “Harici Değişkenlerle Hareketli Ortalama Öngörüsü” (ARMAX) modeli olarak adlandırılır. ARMAX modelinde gecikmiş gürültüler atılmak suretiyle bir yaklaşıklık yapılırsa “Harici Değişkenlerle Öngörü” (ARX) modeli elde edilir:
Ayrık zamanda doğrusal olmayan sistemlerde ARMAX modeline benzer şekilde fark denklemleriyle şu şekilde yazılabilir:
Bu model ise “Doğrusal Olmayan Harici Değişkenlerle Hareketli Ortalam Öngörüsü” (NARMAX) adını alır ve bazı yaklaşıklıklar yapılırsa “Doğrusal Olmayan Harici Değişkenlerle Öngörü” (NARX) modeli elde edilir:
* ARMAX modeli doğrusal sistemler için, NARMAX modeli ise doğrusal olmayan sistemler için genel modellerdir
SİSTEM TANIMA
Sistem tanıma, sistem teorideki temel konulardan biridir ve bir sistemin deneysel olarak elde edilen giriş-çıkış verilerinden yararlanarak sistemin matematiksel bir modelini türetmeye çalışır.
Şekil 4’te gösterildiği gibi sisteme ve modele aynı u(k) girişi uygulanır. sistem operatörü ve model operatörü olmak üzere amaç; çıkış uzayında tanımlanmış bir norma göre olmak üzere
u
olacak şekilde bir bulmaktır.
Şekil 4. Sistem Tanıma
Sistem tanıma aşağıdaki 4 aşamadan oluşur:
1. Sistemin giriş ve çıkış bilgilerinin elde edilmesi
2. Model yapısının seçimi
3. Model parametrelerinin kestirimi
4. Modelin yapısının ve parametrelerin uygunluğunun testi
Doğrusal Bağlaşım Ağı İle Sistem Tanıma
Doğrusal bağlaşım ağı, tek katmanlı bir ağdır. Çıkış fonksiyonu doğrusaldır. Buna göre ağın çıkış ifadesi şu şekilde yazılabilir:
Çok Katmanlı Genlikte Sürekli Algılayıcı İle Sistem Tanıma
Son yıllarda evrensel yaklaştırıcı olarak “çok katmanlı genlikte sürekli algılayıcı” (ÇKSA), bilinmeyen yapıdaki doğrusal olmayan sistemlerin tanınmasında yaygın olarak kullanılır olmuştur. Bunun üçsebebi vardır:
1. Geriye yayılma algoritmasıyla kolayca eğitilebilir
2. Her hangi bir fonksiyonu istenilen doğrulukta yaklaştırabilir
3. Tanınacak sistem hakkında çok az ön bilgi gerekir. Bu ön bilgiler parametrelerinden oluşmaktadır.
ÇKSA ile bir sistemin tanınabilmesi için sistemin kararlı olmasıgerekir. Çünkü ağın girişleri ve çıkışları sınırlıdır. Şekil 5’ te “Çok Katmanlı Sürekli Algılayıcı ile Sistem Tanıma” şeklini görebiliriz
Şekil 5. Çok Katmanlı Genlikte Sürekli Algılayıcı İle Sistem Tanıma
ÇEVRİMDIŞI VE ÇEVRİMİÇİ SİSTEM TANIMA
Çevrimdışı sistem tanıma;
1.Tanınacak sistemin giriş-çıkışının sonlu bir kümesiyle gerçekleştirilir.
2.Önce giriş-çıkış verilerinden oluşan bir küme elde edilir ve modeldeki parametreler bu verilerden hareketle kestirilir.
Çevrimiçi sistem tanıma;
1.İşlem sırasında tanınacak sistemin giriş-çıkışının sürekli izlenmesiyle gerçekleştirilir.
2.Tanınacak sistemin parametreleri zamanla değişiyorsa çevrimiçi tanıma yapılmalıdır.
3.Bazı kontrol sistemleri (MRAC, IMC, vb…), kontrol edilen sistemin bir modeline gereksinim duyar ve bu kontrol sistemlerinde kullanılan model, çevrimiçi olarak gerçekleştirilmelidir.
Çevrimiçi sistem tanıma yapılmadan önce çevrimdışı
sistem tanıma yapılması performansı arttırır.
Çevrimiçi ve çevrimdışı sistem tanıma ile 2 adet simulasyon uygulamasını tezde veya http://togayarda.tripod.com
adresinde inceleyebilirsiniz
YAPAY GÖRMENİN UYGULAMA ALANLARI
1. Tıp alanında: Gözleri görmeyen insanlara, çeşitli sayıdaki algaçlar yardımıyla çevreden alınan sinyalleri görme sinyaline çevirerek beyne ileten ve bu sayede görmeyen insanların görmelerini sağlıyor.
2. Askeri alanda: Radarlar ve silah sistemleri, atış kontrol sistemleri üzerinde yapay görme sistemleri kullanılmaktadır. Ayrıca;
3. Uzaktan algılama sistemlerinde
4. Otomobil sektöründe
5. Yarı iletkenlerde
6. Eczacılık sektöründe
7. Paketleme endüstrisinde
8. Otomatik traş makinalarında
9. Şişeleme ve konserve endüstrisinde
de çeşitli uygulamaları mevcuttur.
BİLGİSAYAR TABANLI YAPAY GÖRME TEKNİĞİYLE HATALI ÜRÜN TANIMA VE AYIRMA SİSTEMİ
UYGULANAN FİRMA
Türk Henkel /İzmir
AMAÇ
PRIL, VERNEL ve DIXI gibi çeşitli marka, boyut ve ambalaj tipinde sıvıtemizlik kimyası ürünlerinin paketleme/kolileme öncesinde ambalaj kalite kontrolünü yaparak ambalajı hatalı ürünlerin sevkiyatını engelleyecek bir çözüme ihtiyaç vardır. Hat sonlarında ürünlerin kolilere doğru sayıda ve doğru şekilde yerleştirilip yerleştirilmediği de kontrol edilmelidir.
TASARIM Ve TEKNOLOJİ
Sistem analizi çalışmalarıyla 175 ürün/dakika hızındaki hatta, ürünlerin ön ve arka yüzlerinde aşağıdaki kontrollerin gerçek zamanlı olarak yapılmasının gerekliliği ortaya çıkmıştır.
a. Kapak Kontrolleri
1. Kapak Var - Yok ve Doğruluk 2. Renk, boyut ve deformasyon 3. Kapanma (diş atma, az sıkma)
b. İki Tarafli Şişe Gövde Kontrolleri
1. Doğru renk ve doğru ürün2. Deformasyon ve ezikllik 3. Tarih ve üretim bilgileri (Tek tarafta)
c. İki Tarafli Etiket Kontrolleri
1. Var-Yok ve doğruluk2. Kalkma ve yırtılma 3. Dönerek ve/veya kayarak yapışma 4. Birden fazla etiket yapışması
d. Koli Kontrolleri
1. Ürün sayısı2. Ürün yerleşimi ve pozisyonları3. Ürün kapaklarının varlığı ve doğruluğu
Ayrıca aşağıdaki işletme gereksinimlerinin de karşılanmasıgerekmektedir:
e. İşletme Gereksinimleri
1. % 0. 3 ölçüm hassasiyeti ve175 ürün/dakika kontrol hızı
2. Yeni ürünlerin kolay ve hızlı konfigürasyonu 3. Ürünlerdeki değişikliklere kolay ve hızlı
adaptasyon4. Ürün değişimlerine kolay ve hızlı uyum5. Minimum bakım ve ayar gereksinimi6. Yüksek güvenilirlik ve kullanım kolaylığı7. Hiyerarşik kullanıcı organizasyonu8. Çalışma ve hata analizi için raporlama9. İstatistiki analaliz (SPC) alt yapısı10. Tüm kontrolların web üzerinden ve/veya
uzaktan kontroluna alt yapı uyumluluğu11. Hatta ve işletme koşullarına yüksek uyum12. Kolay erişilebilir Türkçe yardım menüsü
SİSTEMİN ÇALIŞMASI1.Görüntülerin alınması işlemi sayısal algaçlarla tetiklenmektedir. 2.E3TAM proje grubu mühendislerince geliştirilmiş, sunucudaki sistem yazılımı, hattan geçen ürünleri toleranslar dahilinde ideal ürünle karşılaştırarak ön görülemeyen hata tiplerini bile yakalayacak şekilde tasarlanmış özgün bir algoritmaya sahiptir. 3.Ürünlerin ön, arka ve koli kontrolünü eş zamanlı olarak yürütebilen sistem %0.3 ölçüm hassasiyetiyle dakikada 175 ürünükontrol edebilmektedir.4.Hata durumunda operator bilgilendirilmekte ve ürün durum bilgileri gerekli raporlara ve istatistiklere eklenmektedir. 5.Ardışıl ve / veya periyodik hata durumlarında hat durdurularak operatore sorun ve yapılması gerekenler bildirilmektedir. 6.Hatalı ürünler ise ayırma sistemine aktarılarak hattan alınmaktadır.
UYGULAMA ALANLARI
Elektronik, otomotiv, metalurji ilaç ve her türlütalaşlı imalat gibi farklı sektörlerin ihtiyaçlarına göre uyarlanabilir yapıda geliştirilmiş olan sistem bu şekliyle kimya, kozmetik, ilaç, kuru yada sıvı gıda gibi çeşitli sektörlerde; cam, karton ve plastik ambalajlı ürünlerde, kısaca paketleme ve ambalajlama endüstrisinde "Son Kalite Kontrol" amaçlı olarak kullanılabilmektedir. Tasarlanan bu ve benzer sistemlerin esnek mimari özelliği sayesinde güncellenebilme ve genişleyebilme özelliğindedir.
İSTATİSTİKSEL SÜREÇ DENETİMİUYGULANAN FİRMA
Opel / İzmir
AMAÇ
Otomobil üretiminde kritik parçalara uygulanan sıkma, vb. bazı işlemlerin mutlaka uygun parametrelerle yapılması hayati önem taşımaktadır.
Bu kritik işlemlerdeki performans ve başarımın ölçümü,
raporlanması ve gelecekte incelenmek üzere kaydı için bir
SPC çözümüne ihtiyaç vardır.
ÇÖZÜM
Amacın gerçeklenebilmesi için “istatistiki süreçdenetiminin” "X-R Diyagram" yapısı en uygun çözüm olarak belirlenip, bu çözüm LabVIEW ile gerçeklenmiştir. Kullanıcılar süreç verilerini ve açıklamaları Şekil 28’ deki ekranı kullanarak girmektedirler. Girilen bu verilerin sonuçları vardiya bazında aylık olarak ekrandan görülebilmektedir.
. * Şekil 28’te X-R Kontrol Kartını inceleyebiliriz*
SONUÇ
E3TAM tarafından gerçeklenen bu proje ile OPEL SPC ihtiyacına yüksek teknolojili bir çözüm sunulmuş ve süreç yönetimi kolaylaştırılmıştır.
UYGULAMA ALANLARI
Tüm süreç analiz ve yönetim çalışmalarında kullanılabilir, uyarlanabilir.
Şekil 28. İstatistiksel Süreç Denetimi X-R Kontrol Kartı
G. İRİS TANIMA TEKNOLOJİ İLE SİSTEM GÜVENLİĞİ* Bilgisayara şifre girme* Şifreyi kaybetme* Şifreyi unutma
YOK OLUYOR
ÇALIŞMA PRENSİBİ
Sistem, sistemin kamerasına 2 sn süre ile bakılmasıve bu süre içinde sistem bilgisayarının gözün irisini tanıyıp tanımaması prensibine göre çalışmaktadır.
*PANASONIC FİRMASI**PANASONIC FİRMASI*
SONSÖZ
Bu iki teknolojinin (yapay görme, otomatik kalite kontrol sistemleri) de çok yeni bir teknoloji oldukları ve daha gelişim sürecini tamamlamadıkları için maliyet açısından pahalı oldukları ve bu sebeple şu an için istenen ölçüde yaygınlığa kavuşamadıkları bilinmektedir. Ancak, bu iki teknolojinin de zaman, hız açısından yararları, insan etmeninin ortadan kaldırılması gibi özellikleri düşünüldüğünde ilerleyen yıllarda bu iki teknolojinin gelişmelerine paralel olarak maliyet zaafiyetinin de ortadan kalkacağı için, bu iki teknolojinin gelecekte çok kullanılacağı söylenebilir.
Bu projeyi örütbağ (internet) üzerinden http://togayarda.tripod.comadresinden de inceleyebilirsiniz. Projeyle ilgili tüm sorularınızı[email protected] adresine e-posta ile gönderebilirsiniz.