Çok dallı ağ mimarisine dayalı ince taneli yüksek frekanslı iş parçaları için bir görüntü tanıma algoritması

Fabrika parçaları için daha akıllı gözler

Modern fabrikalar, binlerce neredeyse özdeş metal parçayı yüksek hızda ayırmak için kameralar ve bilgisayarlara güveniyor. Bu parçalar yalnızca ince yüzey ayrıntılarında farklılık gösterdiğinde, gelişmiş görüntü tanıma yazılımları bile şaşırabiliyor; bu da yanlış sınıflandırılmış parçalar, üretim gecikmeleri ve ek maliyetlerle sonuçlanıyor. Bu çalışma, makinelerin böyle birbirine benzeyen bileşenleri “görmesine” ve ayırt etmesine olanak veren yeni bir yaklaşım sunuyor; daha güvenilir, esnek ve verimli otomatik üretim vaat ediyor.

Benzer parçaları ayırt etmeyi zorlaştıran nedenler

Birçok üretim hattında, yüksek frekanslı iş parçaları olarak adlandırılan—büyük miktarlarda üretilen düz metal parçalar— onlarca kategoriye ayrılmak zorunda kalır. Zorluk, aynı kategori içindeki parçaların karmaşık yüzey dokularına sahip olabilmesi, oysa farklı kategorilerdeki parçaların yukarıdan bakıldığında neredeyse aynı görünmesiyle artar. Aydınlatma değişimleri ve parçanın kameraya göre pozisyonundaki farklılıklar sorunu daha da zorlaştırır. Bu tür görevler bilgisayar bilimcilerin ince taneli tanıma (fine-grained recognition) dediği alana girer: bir arabayı bir insandan ayırmaktan ziyade, çok benzer iki parçayı ince ipuçlarına dayanarak birbirinden ayırmak.

Her parçaya iki yönlü bakış

Araştırmacılar, EfficientNet-B0 olarak bilinen kompakt bir sinir ağı üzerine inşa ederek bunu MBEN adını verdikleri çok dallı bir sisteme dönüştürüyorlar. Ağı yalnızca parçanın bütün görüntüsüyle beslemek yerine, modelin öncelikle görüntüde en ayırt edici bilginin hangi bölgede olduğunu kabaca belirlemesine izin veriyorlar. Zayıf denetimli özel bir bölge tespit modülü, olası ana bölgeleri vurgulayan bir tür ısı haritası oluşturuyor ve ardından bu bölge etrafında daha küçük bir görüntü kırpımı alıyor. Tam görüntü ağın bir dalından (global dal) geçerken, kırpılan yakın plan başka bir daldan (lokal dal) geçiyor. Bu tasarım, sistemin hem genel görünümü hem de bir parça türünü diğerinden ayıran küçük, yerel farklılıkları öğrenmesine imkan tanıyor.

Modele gerçekten önemli olanı öğretmek

Sadece iki görünüm sağlamak yeterli değil; ağın doğru ayrımlara odaklanması da öğretilmeli. Bunu yapmak için yazarlar bir kayıp-artırma (loss-augmentation) modülü tasarlıyor—ağın eğitim sırasında kendini nasıl ayarlayacağını yönlendiren kurallar. Bu modülün bir bölümü, sistemin şu anda karıştırdığı kategorilere ekstra dikkat etmesini sağlayarak kolay vakalarda aşırı özgüvenli olmaması ve zor vakaları ihmal etmemesi için tasarlanmış. Diğer bir bölüm ise aynı tür iş parçalarının ağın iç temsil alanında birbirine yakın yerleşmesini teşvik ederken, farklı türleri birbirinden uzaklaştırıyor. Bu mekanizmalar birlikte parça kategorilerinin daha net bir iç haritasını şekillendiriyor ve görülmemiş yeni görüntülerin doğru sınıflandırılma olasılığını artırıyor.

Büyük resimle yakın planı harmanlamak

Global ve lokal dallar kendi tahminlerini ürettikten sonra, bir dal-birleştirme modülü bunları nihai bir kararda birleştiriyor. Araştırmacılar her dalın ne kadar katkı yapması gerektiğini ayarlıyor; global görüntüye biraz daha ağırlık verip yine de yakın plan bölgeye güçlü şekilde dayanmanın en iyi sonucu verdiğini buluyorlar. Yöntemlerini, gerçekçi fabrika aydınlatması altında fotoğraflanmış 20 çeşit yüksek frekanslı iş parçasından oluşan özel bir veri kümesi üzerinde test ediyorlar; ayrıca döndürmeler ve rastgele kırpmalar gibi veri artırma hileleriyle binlerce görüntü genişletiliyor. MBEN sistemi, nispeten mütevazı hesaplama kaynakları kullanırken %98,75 doğruluk oranına ulaşıyor—mevcut çeşitli ince taneli tanıma yöntemlerinden birkaç puan daha iyi.

Gerçek üretim için anlamı

Çalışma, bütün görüntü bağlamını, otomatik olarak keşfedilen ayrıntı yamalarını ve dikkatle tasarlanmış eğitim kurallarını birleştirmenin, zor endüstriyel görevlerde makine görüşünü çok daha güvenilir kılabileceğini gösteriyor. Üreticiler için bu tür gelişmeler daha az ayırma hatası, daha az elle muayene ve birçok benzer ürün türü arasında geçiş yaparken daha fazla esneklik anlamına gelebilir. Çalışma henüz bazı parça türlerinin çok daha nadir olduğu dengesiz gerçek dünya verileriyle başa çıkmıyor olsa da, sonuçlar daha akıllı, daha seçici dijital “gözlerin” giderek daha hassas ve çeşitli üretim hatlarına ayak uydurabileceğini düşündürüyor.

Atıf: Deng, J., Sun, C., Lin, J. et al. An image recognition agorithm for fine-grained high-frequency workpieces based on a multi-branch network architecture. Sci Rep 16, 11067 (2026). https://doi.org/10.1038/s41598-026-41639-4

Anahtar kelimeler: endüstriyel görüntü tanıma, ince taneli sınıflandırma, otomatik kalite kontrolü, imalatta bilgisayarlı görme, sinir ağları