Bir aracın showroom’daki ilk izlenimini belirleyen şey çoğu zaman motoru ya da donanımı değil, kaputun üzerinde kayıp giden ışığın ne kadar kusursuz aktığıdır. Müşterinin gözünün ilk değdiği bu yüzeylere otomotiv dünyasında A-yüzey denir: kaput, tavan, kapılar, çamurluklar ve bagaj kapağı. Ancak bu yüzeyler parladıkça kalite kontrolün işi zorlaşır. Ayna gibi yansıyan bir sac üzerinde birkaç mikronluk bir göçük, standart bir kamerada neredeyse hiç iz bırakmazken, güneş altında bir müşterinin gözüne anında batar.
Bu yazıda, aynasal yüzeylerde makine görüşünün neden kör noktada kaldığını, faz kaydırmalı deflektometrinin bu sorunu nasıl çözdüğünü ve yapay zekanın bu teknolojiyi hat hızında nasıl ölçeklenebilir hale getirdiğini ele alıyoruz.
1. Standart Makine Görüşü Aynalı Yüzeylerde Neden Kör Kalır?
Klasik makine görüşü sistemleri, ışığın yüzeyden dağınık (difüz) olarak saçıldığı varsayımına dayanır: kamera, nesnenin kendisini görür. Parlak boyalı bir kaporta ya da cilalı bir sac ise ışığı ayna gibi tek bir yöne yansıtır. Bu durumda kamera nesneyi değil, nesnenin üzerinde yansıyan çevreyi görür. Sonuç olarak:
- Parlama ve yansımalar gerçek kusurları bastırır; tavan lambası bir göçükten daha "belirgin" bir nesne haline gelir.
- Sığ ve geniş kusurlar (mikro göçük, dalgalanma, çökme) neredeyse hiç kontrast üretmez; çünkü yüzeyin rengi değişmez, yalnızca eğimi değişir.
- Renk bağımlılığı büyüktür; siyah ve metalik boyalar ile beyaz boyalar tamamen farklı davranır.
Temaslı ölçüm yöntemleri ise hassas boyalı yüzeylere zarar verebilir ve hat hızına yetişemez [1]. Bu yüzden pek çok tesiste A-yüzey kontrolü hâlâ ışık tünellerinde çalışan deneyimli denetçilerin gözüne emanettir. Sektör kıyaslama verilerine göre görsel denetim, ilgili kusurların ancak yaklaşık %65’ini yakalayabilmekte; zaman sınırı olmayan çevrim dışı incelemelerde bile bu oran %78’i geçmemektedir [2].
2. Faz Kaydırmalı Deflektometri: Kusuru Değil, Eğimi Ölçmek
Deflektometri, aynasal yüzeyin "sorun" olan özelliğini avantaja çevirir. Yüzeyi doğrudan aydınlatmak yerine, yüzeyin bir ayna olarak yansıttığı bilinen bir deseni gözlemler [3].
Çalışma prensibi şu adımlardan oluşur:
- Desen projeksiyonu: Yüzeyin karşısına yerleştirilen bir ekran ya da projeksiyon kaynağı, sinüzoidal açık-koyu çizgilerden oluşan bir saçak (fringe) deseni gösterir.
- Yansımanın kaydı: Kamera, bu desenin yüzey üzerindeki yansımasını kaydeder. Kusursuz bir yüzeyde çizgiler düzgün akar; bir göçük ya da dalgalanma ise çizgileri yerel olarak büker.
- Faz kaydırma: Desen, her adımda dörtte bir periyot kaydırılarak tekrar gösterilir (tipik olarak 4 adım). Her piksel için kaydedilen parlaklık serisinden, o noktadaki desenin fazı hesaplanır. Bu yaklaşım ortam ışığından, boya renginden ve yansıtıcılık farklarından büyük ölçüde bağımsızdır.
- Eğim ve eğrilik haritası: Faz bilgisi, yüzeyin her noktadaki yerel eğimine dönüştürülür. Eğimin türevi alındığında ise kusurları çok net şekilde ortaya koyan bir eğrilik haritası elde edilir.
Bu yöntemin gücü, yüksekliği değil eğimi ölçmesinden gelir. Eğim verisi, yerel şekil bozukluklarına karşı yükseklik verisinden çok daha hassastır [4]. Literatürde deflektometrinin birkaç mikron derinliğindeki tümsek, göçük ve dalgalanmaları tespit edip ölçebildiği [5], eğrilik haritalarında ise nanometre mertebesine inen hassasiyetlere ulaşılabildiği gösterilmiştir [6]. Üstelik bu ölçüm, insan gözünün parlak bir yüzeye bakarken yaptığına benzer bir prensiple çalışır; fakat çok daha hassas ve tekrarlanabilir şekilde [7].
3. A-Yüzeylerde Yakalanan Kritik Kusurlar
Deflektometri, topografik bir iz bırakan hemen her kusur tipini görünür kılar [7]:
- Mikro göçükler ve tümsekler: Pres hattından, taşıma ya da montaj sırasındaki darbelerden kaynaklanan, gözle ancak belirli açılarda fark edilen şekil bozuklukları.
- Dalgalanma (waviness) ve çökmeler: Sac şekillendirme ve kaynak ısısının yarattığı geniş ama sığ deformasyonlar.
- Portakal kabuğu (orange peel): Boya yüzeyindeki doku düzensizliği.
- Boya kusurları: Taban kat altındaki toz ve tüy inklüzyonları, kraterler, damlalar, akıntılar ve cila izleri [8].
4. Yapay Zeka Devreye Girdiğinde: Ölçümden Karara
Deflektometri muazzam bir hassasiyet sunar, ancak bu hassasiyetin bir bedeli vardır: eğrilik haritasında gerçek kusurların yanında tasarım hatları, kenar bölgeleri, toz zerreleri ve boya dokusu da sinyal üretir. Kural tabanlı eşikleme yöntemleri bu karmaşada ya çok fazla yanlış alarm üretir ya da kritik kusurları kaçırır. Yapay zeka tam bu noktada devreye girer:
- Kusur tespiti ve segmentasyon: Evrişimli sinir ağları (CNN), faz ve eğrilik haritalarındaki kusurları piksel düzeyinde ayırt edebilir. Araç tavanlarında göçük tespiti üzerine yapılan bir çalışmada, derin semantik segmentasyon modelinin klasik referans karşılaştırma yöntemine göre belirgin bir iyileşme sağladığı gösterilmiştir [9].
- Sınıflandırma: Bir otomotiv boyahanesinde yürütülen çalışmada, faz ölçümlü deflektometri ile birleştirilen CNN modellerinin küçük boya kusurlarını tespit ve sınıflandırmada deneyimli denetçilerle kıyaslanabilir başarı gösterdiği raporlanmıştır [10].
- Bölgeye duyarlı karar: Aynı büyüklükteki bir kusur, kaputun ortasında kabul edilemezken kapı alt kenarında tolere edilebilir. Yapay zeka, kusuru konumu, tipi ve boyutuyla birlikte değerlendirerek OEM standartlarına uygun bir kabul / tamir / ret kararı üretir.
- Hız: Faz kaydırmalı yöntemlerin çok sayıda görüntü gerektirmesi (bazı sistemlerde 20’ye kadar) [11] hat hızında bir darboğazdır. Derin öğrenme, daha az görüntüyle güvenilir sonuç üretmeyi mümkün kılarak çevrim süresini kısaltır.
5. Hat Hızında Uygulama Stratejisi
Bir A-yüzey denetim istasyonunu başarıyla devreye almak, doğru kamerayı seçmekten çok daha fazlasını gerektirir:
- Robot tabanlı tarama: Sensörler, gövde etrafında CAD verisiyle önceden planlanmış yörüngelerde hareket eden robotlara monte edilir. Tipik bir istasyonda 2–4 robot birlikte çalışarak tüm görünür yüzeyi çevrim süresi içinde tarar [12].
- Pozisyon telafisi: Konveyör üzerindeki gövdenin konum toleransları, istasyona girişte referans noktaları üzerinden hesaplanır ve ölçüm pozisyonları buna göre otomatik olarak düzeltilir [2].
- Bölge ve sınıf tanımı: Kusur kategorileri (örneğin küçük, orta, büyük) ve A/B/C bölgeleri, OEM’in kalite kataloğuna göre sisteme tanımlanır.
- Kapalı döngü geri bildirim: Tespit edilen her kusur konumuyla birlikte kaydedilir ve gövde üzerine geri işaretlenir. Bu veri, boya kabini parametrelerine, pres kalıp bakımına ve kaynak süreçlerine geri beslenerek kusurun kaynağında önlenmesini sağlar.
- Erken tespit: Kusurların boya fırınından hemen sonra yakalanması, tamir maliyetini en düşük seviyede tutar [12].
6. Sınırlar ve Dikkat Edilmesi Gerekenler
Her teknoloji gibi deflektometrinin de dikkat edilmesi gereken sınırları vardır:
- Yansıtıcılık şartı: Yöntem aynasal ya da yarı aynasal yüzeyler gerektirir. Boyasız ve mat yüzeyler için özel çözümler gerekir [5].
- Dinamik aralık: Çok derin göçükler, yansıyan deseni aşırı bükerek ölçümü zorlaştırabilir. Sistem geometrisi, hedeflenen kusur aralığına göre tasarlanmalıdır.
- Ortam koşulları: İstasyonun ortam ışığından yalıtılması ve kalibrasyonun düzenli korunması gerekir.
- Veri dengesizliği: Gerçek üretimde bazı kusur tipleri çok nadir görülür. Yapay zeka modellerinin eğitimi için dengeli ve iyi etiketlenmiş bir veri seti oluşturmak, projenin en kritik adımlarından biridir.
"Aynalı bir yüzeyde kusuru görmenin yolu, yüzeye değil, yüzeyin yansıttığı dünyaya bakmaktan geçer."
Sonuç
Yüksek yansıtıcılı A-yüzeyler, standart makine görüşünün en büyük kör noktalarından biri olmaya devam ediyor. Faz kaydırmalı deflektometri, yüzeyin eğimini ölçerek gözle ancak belirli açılarda fark edilen mikro göçük ve dalgalanmaları objektif ve tekrarlanabilir bir veriye dönüştürüyor. Yapay zeka ise bu veriyi hat hızında anlamlı kararlara çeviriyor. Sonuç; %100 denetim, daha az tamir hattı, kaynağında önlenen kusurlar ve müşterinin showroom’da gördüğü kusursuz bir yüzey.
Kaynaklar
- Akhtar, S. vd. (2019). An Efficient Automotive Paint Defect Detection System. ASTESJ, 4(3), 171–182.
- Micro-Epsilon. reflectCONTROL Automotive ürün bilgi dokümanı (görsel denetim ve otomatik denetim tespit oranı kıyaslaması).
- Werling, S. vd., Fraunhofer IOSB. Phase measurement technique detects defects in specular surfaces. Vision Systems Design.
- Häusler, G. vd. Microdeflectometry – a novel tool to acquire 3D microtopography with nanometer height resolution. arXiv:0710.4505.
- Kammel, S. vd. Deflektometrik yüzey denetimi çalışmaları. SPIE.
- Li, W., Sandner, M., Gesierich, A., Burke, J. (2012). Absolute optical surface measurement with deflectometry. Proc. SPIE 8494.
- Fraunhofer IOSB. Inspection of specular surfaces with deflectometry. Control 2021.
- Micro-Epsilon. reflectCONTROL PSS 8005.D ürün bilgi dokümanı (tipik boya kusurları ve sınıflandırma).
- Ljubljana Üniversitesi. Yansıtıcı yüzeylerde deflektometri tabanlı anomali tespiti üzerine tez çalışması.
- Umeå Üniversitesi. A Deep Learning Approach to Detection and Classification of Small Defects on Painted Surfaces: A Study Made on Volvo GTO, Umeå.
- ABD Patenti 11,494,892. Surface defect detection system.
- Micro-Epsilon. Precisely inspect and analyze painted car bodies. Haber bülteni.
