Yapay Zeka Destekli Kalite Kontrol Eğitimi

Eğitim Hakkında

Bu eğitim, üretim hatlarında görsel kalite kontrolünü yapay zeka ile otomatikleştirmek isteyen kalite, otomasyon ve mühendislik ekipleri için tasarlanmış uygulamalı bir programdır. Katılımcılar görüntü edinimi, veri etiketleme, kusur sınıflandırma ve anomali tespiti modellerini kurar, modeli hat üzerinde çalışacak biçimde değerlendirir.

Neden Bu Eğitim?

Üretime Özgü Vakalar. Çizik, çatlak, leke, eksik parça ve kaynak hatası gibi gerçek kusur tiplerini veri setleri üzerinde çalışın.

Az Kusur Verisiyle Çözüm. Hatalı örneğin nadir olduğu hatlarda yalnızca sağlam ürün görüntüleriyle anomali tespiti yapmayı öğrenin.

Hatta Çalışan Model. Doğruluk kadar çevrim süresi, yanlış red oranı ve PLC entegrasyonunu da hesaba katan çözümler tasarlayın.

“Kalite hattın sonunda kontrol edilen bir sonuç değil, her görüntüde öğrenen ve kendini geliştiren bir sistemdir.”

Ön Koşullar

Temel Python — Değişken, döngü ve fonksiyon kullanabilmek; hazır not defterlerini çalıştırıp düzenleyebilmek.
Kalite Süreçleri — Muayene, kabul kriterleri ve kusur sınıflandırması gibi temel kalite kontrol kavramlarına aşinalık.
Görüntü Örnekleri — Mümkünse kendi hattınızdan anonimleştirilmiş sağlam ve kusurlu ürün görüntüleri getirmek.
Çalışma Ortamı — İnternete bağlı dizüstü bilgisayar ve Google Colab gibi GPU destekli bir not defteri hesabı.

Eğitim İçeriği

Programın gün gün akışı aşağıdadır. Bir güne tıklayarak o günün modüllerini ve içeriklerini görebilirsiniz.

Günün hedefiGörsel muayene sisteminin donanım ve yazılım bileşenlerini tanımak, kaliteli kusur veri seti oluşturmak ve ilk sınıflandırma modelini eğitmek.

Modül 1

Görsel Kalite Kontrol ve Makine Görmesi

Manuel muayenenin sınırları: yorgunluk ve tutarsızlık
Kural tabanlı makine görmesi ile derin öğrenme farkı
Kamera, lens, aydınlatma ve tetikleme donanımı
Arka ışık, halka ışık ve yapılandırılmış aydınlatma
Çözünürlük, görüş alanı ve en küçük kusur boyutu hesabı
Vaka: Metal yüzeyde çizik tespitinde aydınlatma etkisi

Modül 2

OpenCV ile Klasik Görüntü İşleme

Görüntünün sayısal yapısı: piksel, kanal ve renk uzayı
Filtreleme, eşikleme ve morfolojik işlemler
Kenar bulma ve kontur analizi ile ölçüm kontrolü
Şablon eşleme ile eksik parça ve konum kontrolü
Klasik yöntemlerin değişken yüzeylerdeki sınırları
Laboratuvar: OpenCV ile etiket varlığı kontrolü

Modül 3

Kusur Veri Seti Oluşturma ve Etiketleme

Kusur kataloğu ve sınıf tanımlarının netleştirilmesi
Sınıflandırma, kutu ve maske etiketleme türleri
CVAT ve Label Studio ile etiketleme iş akışı
Etiketleyiciler arası tutarlılık ve sınır durumları
Veri artırma ile sınırlı kusur örneğini çoğaltma
Atölye: Yüzey kusuru görüntülerinin etiketlenmesi

Modül 4

Derin Öğrenme ile Kusur Sınıflandırma

Evrişimli sinir ağlarının (CNN) sezgisel anlatımı
Transfer öğrenme ile önceden eğitilmiş modeller
Eğitim, doğrulama ve test kümelerinin ayrılması
Karmaşıklık matrisi, kesinlik ve duyarlılık yorumu
Laboratuvar: PyTorch ile sağlam-kusurlu sınıflandırıcı
Günün değerlendirmesi ve tespit modellerine köprü

Günün hedefiKusurların yerini tespit eden ve az kusur verisiyle çalışan modeller kurmak, sonuçları kalite metrikleriyle değerlendirmek ve hatta devreye alma planı yapmak.

Modül 1

Nesne Algılama ve Segmentasyon ile Kusur Yeri

Sınıflandırma, algılama ve segmentasyonun farkları
Ultralytics YOLO ile kusur algılama modeli eğitimi
Küçük kusurlar için görüntü bölme (tiling) yaklaşımı
Segmentasyon ile kusur alanı ve boyut ölçümü
mAP ve IoU metriklerinin kalite açısından yorumu
Laboratuvar: PCB kartında kusur algılama modeli

Modül 2

Anomali Tespiti ile Az Kusur Verisiyle Çalışma

Yalnızca sağlam ürünle eğitilen anomali modelleri
PatchCore ve PaDiM yöntemlerinin çalışma mantığı
Anomalib kütüphanesi ve MVTec AD veri seti
Anomali ısı haritalarıyla kusur konumunun gösterimi
Eşik belirleme ve yeni ürün varyantlarına uyum
Laboratuvar: Anomalib ile yüzey anomali tespiti

Modül 3

Kalite Metrikleri ve Hatta Devreye Alma

Kaçan kusur ve yanlış red maliyetinin dengelenmesi
Operatör onayı içeren insan-döngüde muayene akışı
ONNX ve OpenVINO ile uç cihazda hızlı çıkarım
Çevrim süresi, gecikme ve donanım seçimi kriterleri
PLC, MES ve SPC sistemleriyle sonuç entegrasyonu
Demo: Kamera akışında gerçek zamanlı kusur tespiti

Modül 4

Mini Proje, Sürdürülebilirlik ve Kapanış

Mini proje: Hat için uçtan uca muayene çözümü tasarımı
Model izleme, veri kayması ve yeniden eğitim döngüsü
Pilot hattan yaygınlaştırmaya yatırım getirisi planı
Proje sunumları ve eğitmen geri bildirimi
Eğitim değerlendirmesi ve interaktif Soru-Cevap
Sertifika takdimi ve laboratuvar materyallerinin teslimi

Eğitim Kazanımları

Muayene Tasarımı — Kamera, lens ve aydınlatma seçimini kusur tipine ve hat koşullarına göre gerekçelendirebileceksiniz.
Görüntü İşleme — OpenCV ile eşikleme, kontur ve şablon eşleme tabanlı ölçüm ve varlık kontrolleri yapabileceksiniz.
Veri Etiketleme — Tutarlı bir kusur kataloğu tanımlayıp CVAT veya Label Studio ile kaliteli veri setleri hazırlayabileceksiniz.
Kusur Sınıflandırma — Transfer öğrenme ile sağlam ve kusurlu ürünleri ayıran derin öğrenme modelleri eğitebileceksiniz.
Kusur Algılama — YOLO tabanlı modellerle kusurların yerini tespit edip mAP ve IoU metrikleriyle değerlendirebileceksiniz.
Anomali Tespiti — Anomalib ve PatchCore ile yalnızca sağlam ürün görüntülerinden anomali tespit modeli kurabileceksiniz.
Hatta Entegrasyon — ONNX ve OpenVINO ile modeli uç cihazda çalıştırıp PLC ve MES entegrasyonunu planlayabileceksiniz.
Kalite Odaklı Karar — Kaçan kusur ve yanlış red maliyetlerini dengeleyen, sürdürülebilir bir muayene çözümü tasarlayacaksınız.

Kimler İçin Uygundur?

Kalite mühendisleri
otomasyon ve makine görmesi mühendisleri
proses mühendisleri
üretim teknolojileri ekipleri ve görsel muayene süreçlerinden sorumlu yöneticiler.

Sıkça Sorulan Sorular

Yapay Zeka Destekli Kalite Kontrol Eğitimi kimler için uygundur?

Program; kalite, otomasyon, makine görmesi ve proses mühendisleri ile üretim hatlarında görsel muayene süreçlerini otomatikleştirmek isteyen teknik ekipler ve yöneticiler için tasarlanmıştır.

Eğitim ne kadar sürer ve nasıl ilerler?

Eğitim 2 tam gün ve 8 modülden oluşur. İlk gün makine görmesi, veri etiketleme ve sınıflandırma; ikinci gün kusur algılama, anomali tespiti, hatta devreye alma ve mini proje işlenir.

Katılım için hangi ön bilgi gerekiyor?

Temel Python bilgisi ve kalite kontrol kavramlarına aşinalık yeterlidir. Laboratuvarlar hazır not defterleriyle yürütülür; GPU destekli bir bulut not defteri hesabı önerilir.

Az sayıda kusurlu ürün görüntüsüyle yapay zeka modeli kurulabilir mi?

Evet. Eğitimde yalnızca sağlam ürün görüntüleriyle eğitilen PatchCore ve PaDiM gibi anomali tespiti yöntemleri Anomalib kütüphanesiyle uygulanır; bu yaklaşım kusurun nadir olduğu hatlar için uygundur.

Kendi ürün görüntülerimizle çalışabilir miyiz, sertifika veriliyor mu?

Kapalı kurum gruplarında anonimleştirilmiş ürün görüntüleri laboratuvarlara dahil edilebilir. Programı tamamlayan katılımcılar Digital Vizyon Akademi sertifikası alır.

Sertifikalandırma

Bu eğitim Katılım Sertifikası ile tamamlanır.

Eğitim başında “Ön Test”, bitiminde “Son Test” uygulanarak gelişim ölçümlenir. Değerlendirme formunu dolduran katılımcılar sertifikalarını alır. Sertifikanızın geçerliliğini Sertifika Sorgulama sayfasından doğrulayabilirsiniz.

Örnek Sertifika

YAPAY ZEKA DESTEKLİ KALİTE KONTROL VE HATA TESPİTİ EĞİTİMİ