Friday, Mar 29th

Last updateThu, 28 Mar 2024 9am

You are here: Home Article Plastik sektöründe yapay zekâ ile ürün kontrolü

Plastik sektöründe yapay zekâ ile ürün kontrolü

Özet

Yapay zekâ kullanımı, gelişen teknolojinin sağladığı hız ve maliyet avantajıyla birlikte yaygın hale gelmeye başlanmıştır. Bu durumdan en fazla etkilenmesi beklenen organizasyonların başında imalat sektörü gelmektedir. 4. Sanayi Devrimi’nin başlamış olduğu ve hızla ilerlediği günümüzde, işletmelerin bu dönüşümü sağlayabilmeleri için teknolojiyi, üretim süreçlerini sekteye uğratmadan, mevcut yapı ile bütünleştirmeleri gerekmektedir.  Bütünleştirmenin sağlanabilmesi için, kullanılacak süreçlerin teknolojik yatırım ve sürdürme maliyetlerinin uygunluğu ile kuruluşun teknolojiye adaptasyon süresi dikkat edilmesi gereken en önemli ölçütlerdir. Bu ölçütlerin uygun olduğu süreçlerde görüntü işleme ile kalite kontrol işlemlerinin yürütülmesi; kontrol operasyonlarının esnek, temassız, sürekli ve uygun maliyetlere yapılmasını sağlayacaktır.  

Giriş

Günümüz üretim ortamı, dijital dönüşüme ayak uydurarak kitlesel özelleştirmeyi başarmayı hedeflemektedir. Dijitalleşme hedefine ulaşan firmalar, müşteriye özel ürünler üretirken çevrim süresinden ve verimsizlikten olumsuz etkilenmeyen firmalar olacaktır. Bunun sağlanabilmesi kullanılan teçhizat veya tezgâhların işleme esnekliğine ve verinin doğru yönetilebilmesine bağlıdır. Gelişen teknoloji işlem esnekliğinin kolaylıkla uygulanabilmesini sağlamaktadır. Çeşitli işlemleri esnek olarak gerçekleştirebilen tezgâhların bulunduğu üretim ortamında, verinin doğru ve etkili yönetimi başarılı sonuçlar elde etmek için hayati bir öneme sahiptir. Endüstri 4.0’ın dijitalleşmeye odaklanması da veri ihtiyacının kritik hale gelmesinden kaynaklanmaktadır. 

Karmaşık üretim ortamının esnek olarak yönetilebilmesi için yüksek miktarda veri kullanılarak alınacak kararlara ihtiyaç vardır. Yapay zekâ, karar verme sürecinde ihtiyaç duyulan kilit teknolojilerden birisidir. Çünkü yapay zekâ ile çalışan sistemler sınırlı sayıda kararı uygulamak yerine değişken üretim ortamına ayak uydurabilir. Örneğin klasik sistemlerde ürünlerin ölçü, renk, yüzey ve şekil gibi özellikleri kullanıcı tarafından tanımlanırken, yapay zekâya hatasız ürünlerin resimleri tanıtılarak bu özelliklerin tamamının kontrolü kolayca sağlanabilmektedir. Bu sebeple, yapay zekâ sistemleri endüstriyel kontrolün, genelleme yapılmaksızın, iş merkezinin şartlarına bağlı olarak imalatında önemli katkıları vardır.

Literatür özeti

Yapay zekâ çalışmaları, üretim çalışmalarında ilk olarak talep tahminleri için kullanılmaya başlanmıştır (Knasel, 1986). Bu dönemde yapay zekâ algoritmalarının üretimin karmaşıklığına ayak uyduramayacağını ve ihtiyaç duyulan düzeydeki yapay zekâ tekniklerinin geliştirilmesinin büyük zorlukların aşılmasına bağlı olduğu ortaya konulmuştur (Biegel, 1986). Talep tahminin ardından çizelgeleme çalışmalarında kullanılmaya başlanan yapay zekâ, üretim çalışmalarında var olmaya başlamış ve günümüze kadar bu varlığı sürdürülerek devam ettirilmiştir (Shih ve Srihari, 1995). Özellikle belirsizlik ve değişkenliklerin en aza indirilmesinde, günümüze kadar gelişen yapay zekâ çalışmaları, zaman geçtikçe daha yaygın kullanılan yöntemlerden birisi haline gelmiştir (Shih ve Srihari, 1995). Kısa bir süre içinde üretim teknolojilerinin de gelişmesiyle yapay zekâ çok esnek problemlere çözüm üretebilir hale gelmiştir (Monostori, 2003). Son zamanlarda ise gelişen teknoloji ve sensörlerin de katkısıyla üretimde dijitalleşme hızlanmıştır (Monostori vd., 2010). Yapay zekâ talep tahminlerinden çizelgelemeye, ürün tasarımından tasarımın doğrulanmasına kadar geniş alanlarda kullanılmaya başlanmıştır (Marchetta ve Forradellas, 2010). Mevcut gelişmeler sonucunda müşteriye özgü ve zeki özellikleri olan ürünlerin üretilmesine imkân sağlayan bu teknoloji hareketi 4. Sanayi Devrimi (Endüstri 4.0) olarak adlandırılmıştır (Qin, Liu ve Grosvenor, 2016). Endüstri 4.0’a uygun olarak üretim yapılan tüm tesisler veri üretmekte ve büyük veri üzerinde yapılacak kapsamlı analizlerin neticesine göre hareket etmektedirler (Tao vd., 2018). Albers ve arkadaşları da büyük verinin en yaygın kullanıldığı kalite ve süreç kontrol işlemlerini gerçekleştiren kontrol istasyonu uygulaması ile bu durumu destekleyen bir vaka çalışması yapmışlardır (Albers vd., 2016). Torkul ve arkadaşlarının renk kontrolü üzerinde yaptığı çalışma da Tao ve arkadaşlarının ulaştığı sonucu destekler niteliktedir (Torkul vd., 2017). 

Plastik ürünlerindeki kusurlar 

Plastik ürünlerinin üretim sürecinde genellikle ısıtılarak şekillendirildiğinden yüzey renk ve ölçü kusurlarının görülmesi kaçınılmaz olmaktadır. Plastik ısıtılarak şekillendirildiğinden yüzey problemleri sıcaklık, soğuma hızı, hattın çalışma hızı, titreşim, hava akımı ve tezgâhların temizliğinden kaynaklanabilmektedir. Renk problemleri ise boyar madde miktarları, aşırı sıcaklıklar veya ultraviyole ışın kaynakları gibi nedenlerden oluşabilmektedirler. Ölçü problemleri ise genleşen plastiğin soğuma esnasında büzülme miktarının formüldeki değişimlerden etkilenmesi veya sıcak plastiğin titreşim ve hattın hızı gibi faktörlerin etkisi ile meydana gelir. Bu bağlamda üretim süreçlerinde oluşan kusurlar aşağıdaki gibi listelenebilir;

1.Yüzey kusurları

a.Jelleşme

b.Balıkgözü

c.Delik

d.Kırışıklık

e.Çizik

f.Su veya yağ gibi sıvı kalıntıları

g.Baloncuk veya kraterler

2.Renk kusurları

a.Siyah noktacıklar

b.Renk solması veya renk değerlerinin uygunsuzluğu

3.Ölçü problemleri

a.Tolerans dışına çıkma

b.Çökme ve bükülmeler

c.Şekil bozuklukları (ekstrüzyon ve enjeksiyon hataları)

Kontrol yöntemleri 

Plastik ürünlerindeki kusurları kontrol etmenin kapsamlı yollarından birisi de görüntü işlemedir. Görüntü işlemeyi ön plana çıkaran iki ana unsurdan birisi teknolojik gelişimlerin görüntü işleme için ihtiyaç duyulan güçlü donanımların maliyetlerini oldukça düşürmesidir. Bir diğeri de malzemeye dokunmadan, tek sensörle birden fazla kontrolün yapılma olanağının olmasıdır. Plastik ürünlerinin fiziksel yapıları hem şekil olarak esnek, hem de mukavemet olarak çok geniş bir aralıkta olduğundan (dayanıksız veya çok dayanıklı) mekanik yöntemlerle her zaman kontrol yapılamamaktadır. Yüzey hataları veya renk hataları, renk okuyabilen sensörlerle anlaşılabileceğinden, bu alandaki en kapsamlı analizler kamera ile de rahatlıkla yapılabilmektedir. Ölçüm işlemleri ise lazer ve kamera, veya lazer ve fotodiyot kombinasyonlarından oluşan lidar sensörlerle yapılabilmekle birlikte sadece kamera ve trigonometrik (homotetik uzay) hesaplamalarla yapılabilir. Bu sayede görüntü işleme ile hatta hareket eden parçaların da ölçüleri belirlenmiş olur. 

Yüzey kontrollerinin anlaşılması için dijital veya morfolojik görüntü işleme teknikleriyle birlikte makine öğrenmesi ve yapay zekâ teknikleri kullanılmaktadır. Bu yöntemlerin kullanım biçimleri aşağıda verilmiştir. 

•Dijital ve morfolojik görüntü işleme teknikleriyle yüzey üzerindeki kenar noktaları (kenar veya kırışıklık gibi tüm çizgiler) tespit edilebilir. Tespit edilen noktalar içinde bozulmuş kısımlar olsa da sağlam olan üründeki orijinal kenar noktaları da yer almaktadır. Bu noktaların hata olarak görülmemesi için sağlam ürünlerdeki kenar noktaları (toleransları ile birlikte) kaydedilip bu aralıklardaki tespitler hata olarak kabul edilmez. Kenar noktalarını temizlemenin bir yolu da Morfolojik görüntü işleme yöntemi olan “Closing” yöntemidir. Bu yöntemde önce çizgiler üzerinde kalınlaştırma (dilation) yapılır. Böylece birbirine yakın birden fazla çizgi varsa birleşmiş olur. Daha sonra birleşmemiş çizgiler temizleninceye kadar inceltme (erosion) işlemi yapılır. Böylece kenar noktaları temizlenir. Şekil 1’de görüldüğü gibi, çizik veya çukur gibi birden fazla (iki veya daha fazla tarafı olan) çizgiler kalır.

Şekil 1: Arvasis Sensör Platformu Closing yöntemi ile kırışık noktaları tespiti.

Renk analizlerinde görüntü üzerinde tespit edilen kırmızı, yeşil ve mavi renk değerleri ise LAB (L=parlaklık, a=kırmızı ve yeşil, b=mavi ve sarı) dönüşümleri ile rengin arzu edilen aralıkta olup olmadığı kontrol edilir. Bir ürünün renginin doğru anlaşılabilmesi için (çok yakın renk tonlarındaki ürünlerin ayrılabilmesi için) görüntünün kapalı ortamlarda sabit ışık altında alınması gerekmektedir. Ayrıca kameranın netlik, parlaklık, doygunluk, beyaz dengesi ve odak ayarları gibi ayarların ortama ve renklere özgün olarak yapılması gerekmektedir. 

•Makine öğrenmesi ve yapay zekâ yöntemleri ise hatasız parçaların ve hataların öğretilmesi ve sistemin gördüğü parçanın durumunu öğrendikleriyle karşılaştırarak belirlemesine dayanmaktadır. Makine öğrenmesinde renk ve hatalar sınıflandırılırken görüntü üzerindeki her bir noktanın renk değerleri ile istatistiksel uzaklık, sharpe indeksi, entropi değerleri gibi parametreler hesaplanır. Yeni bir ürünün resmi analiz edilirken bu parametrelerin değerleri önceden hesaplanan parametrelerle karşılaştırılarak ürünün öğrenilen ürünlerden en fazla hangisine benzediği tespit edilmektedir. Bu sayede ürünün hatalı olup olmadığı anlaşılabilir. Yapılan analizler sonucunda yanlış karar vermemek için benzerlik oranının belirli bir eşik değerinden (threshold) fazla olması beklenir.

Yapay zekâda ise ürün sayısal olarak ifade edilmelidir. Bunun için her ürüne farklı bir sayısal kimlik (analiz edilecek parametre değerleriyle orantılı olacak biçimde) atanır. Görüntü analiz edilirken “kıvrımlı ağlar” veya “derin öğrenme ağları” aracılığıyla görüntü çok sayıda küçük parçaya bölünür. Yapay zekâ bölünen küçük parçaların renk değerlerini 0 ile 1 arasındaki sayılara dönüştürerek normalize eder. Daha sonra bu sayılar bir katsayı ile çarpılarakaktivasyon fonksiyonunda kullanılır. Aktivasyon fonksiyonunda elde edilençıktı değeri ile ürünü öğretmek için ürüne kullanıcı tarafından atanan sayısal değer ile arasında fark oluşmuşsa bu farkı en aza indirecek biçimde, kullanılan katsayıları günceller. Bu şekilde eğitim tamamlandığında yapay zekâ gördüğü ürünlere kullanıcının atadığı sayısal değerleri üretecek hale gelir, yani bütün ürün ve hataları öğrenmiş olur. Şekil 2’de ürün üzerindeki anormal görüntünün tespiti yer almaktadır.

Şekil 2: Arvasis Sensör Platformu makina öğrenmesi algoritmaları ile ürün görüntüsü üzerindeki anormalliklerin tespiti

•Ölçüm işlemi için ise üç farklı yaklaşım vardır. Bunlardan birisi, ışığın uçuş süresinin tespit edilmesiyle mesafenin hesaplanmasıdır (time of flight). Diğer bir yaklaşım da lazer ışığının fotodiyot dizisi veya kameradaki göründüğü noktalara göre ölçüler tahmin edilmesidir. İkinci yöntem ile daha hassas ölçümler yapılabilmektedir. Bu yöntem lazerin görüntü üzerinde görüldüğü noktaya göre yapılacak trigonometrik hesaplamalarla cismin sensörden uzaklığı ve genişliği Şekil 3’te görüldüğü gibi hesaplanabilmektedir. Buna göre şekildeki tabağın sensöre en yakın noktası olan ayak kısmının sensörden uzaklığı 90 mm, zeminin uzaklığı ise 130 mm’dir. Buna göre tabağın yüksekliği 4 cm’dir. Şerit lazer ile ölçüm yapmanın en önemli avantajı noktasal değil çizgisel ölçüm yapılmasıdır. Farklı geometrik şekiller bir seferde ölçülebilmektedir.

Şekil 3:Arvasis Lidar Sensörü ile ölçü hesaplama (Sağdaki resim lazerin düştüğü yüzey geometrisini soldaki resim ise noktaların kameraya olan uzaklığını mm cinsinden vermektedir).

Sonuç

Görüntü işleme kalite kontrolde, bütünlük kontrolü ve sürecin takibi gibi konularda yaygın olarak kullanılabilecek bir yöntemdir. Bu yöntem ileri düzeyde algoritmaların kullanımına ve güçlü işlem kabiliyetine ihtiyaç duyulsa da birden fazla sensörün yapabileceği ölçümü, bir kamera ile parçaya hiç temas etmeden yapma imkânı sağlamaktadır. Bilgisayarların gelişmesi bu tip ölçümlerin maliyetinin düşmesine yol açmıştır.Bu sebeple teknolojik yatırım ve sürdürme maliyetlerinin ve teknolojiye adaptasyon süresinin uygun olduğu süreçlerde görüntü işleme önemli bir araç haline gelmektedir. Yapay zekâ ile analiz yapabilen platformlar sayesinde çok sayıdakontrol insandan bağımsız, uygun maliyetlere ve kesintisiz olarak yapılabilmektedir. 

Görüntü işleme için kullanılabilecek kütüphaneler HALCON, OpenCV, BoofCV, OpenIMAJ ve ArvasisSensör Platformu’dur. Bu kütüphaneler ile çeşitli kameralar kullanılabilmekte ve analizler gerçekleştirilebilmektedir. Bu platformların dışında Keyence, SICK ve Cognex gibi firmaların akıllı kameraları, bilgisayara bağlı olmaksızın çalışmakta ve dışarıya sinyal verebilmektedir. Akıllı kameralar ile görüntü işleme sistemleri arasındaki en önemli fark, bu platformların daha fazla uzmanlık istemesi fakat daha ileri uygulamalar yapmaya imkân sağlamasıdır.

Kaynakça

1.Albers, A. vd. (2016) “Procedure for Defining the System of Objectives in the Initial Phase of an Industry 4.0 Project Focusing on Intelligent Quality Control Systems”, Procedia CIRP. Elsevier, 52, ss. 262–267. doi: 10.1016/J.PROCIR.2016.07.067.

2.Biegel, J. E. (1986) “The future of artificial intelligence (AI) in manufacturing”, Computers & Industrial Engineering. Pergamon, 11(1–4), ss. 276–279. doi: 10.1016/0360-8352(86)90093-8.

3.Knasel, T. M. (1986) “Artificial intelligence in manufacturing: Forecasts for the use of artificial intelligence in the USA”, Robotics. North-Holland, 2(4), ss. 357–362. doi: 10.1016/0167-8493(86)90009-4.

4.Marchetta, M. G. ve Forradellas, R. Q. (2010) “An artificial intelligence planning approach to manufacturing feature recognition”, Computer-Aided Design. Elsevier, 42(3), ss. 248–256. doi: 10.1016/J.CAD.2009.11.007.

5.Monostori, L. (2003) “AI and machine learning techniques for managing complexity, changes and uncertainties in manufacturing”, Engineering Applications of Artificial Intelligence. Pergamon, 16(4), ss. 277–291. doi: 10.1016/S0952-1976(03)00078-2.

6.Monostori, L. vd. (2010) “Towards adaptive and digital manufacturing”, Annual Reviews in Control, 34, ss. 118–128. doi: 10.1016/j.arcontrol.2010.02.007.

7.Qin, J., Liu, Y. ve Grosvenor, R. (2016) “A Categorical Framework of Manufacturing for Industry 4.0 and Beyond”, Procedia CIRP. Elsevier, 52, ss. 173–178. doi: 10.1016/J.PROCIR.2016.08.005.

8.Shih, W. ve Srihari, K. (1995) “Distributed Artificial Intelligence in manufacturing systems control”, Computers & Industrial Engineering. Pergamon, 29(1–4), ss. 199–203. doi: 10.1016/0360-8352(95)00071-8.

9.Tao, F. vd. (2018) “Data-driven smart manufacturing”, Journal of Manufacturing Systems. Elsevier. doi: 10.1016/J.JMSY.2018.01.006.

10.Torkul, O. vd. (2017) “A Real – Time Cyber Platform Enabling Digital Factory”, içinde International Symposium for Production Research 2017, ss. 775–780.

Orhan TORKUL1, İsmail Hakkı CEDİMOĞLU2, Muhammet Raşit CESUR3

1. Sakarya Üniversitesi Endüstri Mühendisliği

2. Sakarya Üniversitesi Bilişim Sistemleri Mühendisliği

3. Sakarya Üniversitesi Endüstri Mühendisliği