Endüstriyel görüntü işleme projelerinde derin öğrenmenin ezber bozan başarısı herkesin malumu. Karmaşık yüzeylerdeki parçaları bulmak, çizikleri tespit etmek veya sınıflamak konusunda yapay zeka insan gözünün ötesine geçti. Ancak otomasyon ve kalite kontrol mühendislerinin masasına "boyut ölçümü" geldiğinde büyük bir tereddüt baş gösterir:
"Yapay zekanın çizdiği sınır kutusuna güvenip mikron seviyesinde boyut ölçümü yapabilir miyiz? Yoksa klasik kenar bulma yöntemleri hâlâ zorunlu mu?"
Bu sorunun kısa cevabı: Tek başına yapay zeka boyut ölçemez, ama ölçümün en zor kısmını çözer.
Derin öğrenmenin olasılıksal yapısı ile metrolojinin kesin dünyasını nasıl birleştireceğimizi ve pikselleri milimetreye dönüştürmenin mühendislik ilkelerini inceliyoruz.
Olasılıksal Kestirim vs. Deterministik Ölçüm
YOLO veya benzeri nesne tespiti modelleri, bir nesnenin etrafına x, y, w, h değerlerinden oluşan bir "Bounding Box" çizer. Ancak bu kutu, modelin öğrenilmiş ağırlıklarına ve olasılık skoruna dayalı bir kestirimdir.
Aynı parça kamera karşısında hiç kımıldamadan dursa bile, yapay zeka modelinin ürettiği sınır kutusu kareden kareye 1-2 piksel kayma yapabilir. Endüstriyel bir ölçüm sisteminde 1 piksel kayma, optik kurguya bağlı olarak 20-50 mikron sapma demektir. Bu seviyedeki bir belirsizlik, Ölçüm Sistemleri Analizi testlerini doğrudan kilitler ve hatalı parçanın sağlam, sağlam parçanın ise fireye ayrılmasına yol açar.
Metroloji, tahmin yapmaz; nesnenin fiziksel sınırlarını matematiksel olarak doğrular.
Çözüm: "Yapay Zeka Bulur, Matematik Ölçer" Hibrit Mimari
Metrolojide yapay zekayı tamamen reddetmek büyük bir fırsatı kaçırmaktır. Çapaklı, yağlı, yönü sürekli değişen veya karmaşık arka planlara sahip parçalarda klasik algoritmalar kenar ararken kaybolur.
Bu sorunu çözmek için endüstride Hibrit Görüntü İşleme Mimarisi kullanılır:
Adım 1 - AI ile ROI ve Açı Tespiti: Derin öğrenme modeli, parçanın sahadaki konumunu, rotasyon açısını ve ölçüm yapılacak hassas kenar bölgelerini bulur. Arka plandaki gürültüleri tamamen eler.
Adım 2 - Klasik Algoritmalar ile Sub-Pixel Kenar Tespiti: Yapay zekanın izole ettiği bu dar ROI koridorları içerisinde klasik matematiksel kenar tespit algoritmaları devreye girer.

Aydınlatmanın piksel üzerindeki gri seviye geçişlerini matematiksel türevlerle interpolasyona tabi tutan Sub-pixel algoritmaları, fiziksel piksel ızgarasının ötesine geçerek pikselin 1/10'u hatta 1/50'si hassasiyetinde kenar konumunu hesaplar.
Optik Bozulmaların Temizlenmesi ve Piksel-Milimetre Dönüşümü
Sub-pixel düzeyinde kenar tespiti yapsanız dahi, sensörden okunan değerler hâlâ "piksel" cinsindendir. Pikselleri gerçek dünyadaki "milimetre" birimine dönüştürmek için iki kritik optik aşama vardır:
1. Lens Distorsiyonunun Temizlenmesi
Her optik lens, ışığı büker. Görüntünün merkezindeki 1\piksel ile kenarındaki 1\ piksel aynı fiziksel alana karşılık gelmez.
Kalibrasyon plakaları kullanılarak kameranın İç Parametre Matrisi ve Distorsiyon Katsayıları hesaplanır.
Görüntü matris seviyesinde düzleştirilmeden yapılan hiçbir piksel hesabı milimetrik doğruluk taşımaz.
2. Kalibrasyon Matrisi ve Ölçeklendirme
Distorsiyondan arındırılmış sahnede, kalibrasyon nesnesi üzerindeki bilinen gerçek mesafeler (mm) ile pikseller (px) oranlanarak piksel ölçeği (S = mm/px) elde edilir. Perspektif hatalarını sıfırlamak için bu süreçte Telecentrik Lens kullanımı metroloji standartlarının olmazsa olmazıdır.

Metrolojide Akıllı ve Deterministik Bütünleşme
Görüntü işleme projelerinde "Yapay Zeka mı, Klasik Algoritmalar mı?" sorusu yanlış bir ikilemdir. Yapay zeka, parçanın ortamdaki değişkenliğini, yönünü ve karmaşıklığını yöneten güçlü bir "rehberdir". Matematiksel kenar algoritmaları ve optik kalibrasyon matrisleri ise mikron seviyesindeki hassasiyeti garanti eden "cetveldir".
Endüstriyel metroloji sistemlerinizi kurgularken olasılıksal tahminlerle deterministik ölçüm tekniklerini doğru katmanlarda birleştirmek, sisteminizin sahada hatasız ve tekrarlanabilir çalışmasını sağlar.
Endüstriyel görüntü işleme, yapay zeka ve yüksek hassasiyetli metroloji çözümleri için Pro Sicht Blog'u takip etmeye devam edin!

