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

togayarda@yahoo.com 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 sorularınızıtogayarda@yahoo.com adresine e-posta ile gönderebilirsiniz.