Ev aletleri üretiminde kalite kontrol giderek daha zorlu hale geliyor. Çamaşır makineleri, buzdolapları, bulaşık makineleri, fırınlar ve mikrodalga fırınlar çok sayıda damgalanmış, şekillendirilmiş, kaynaklanmış ve monte edilmiş bileşen içerir. Bir kapı panelindeki çizik, bitmiş cihazın görünümünü etkileyebilirken, eksik bir delik, yanlış konumlandırılmış bir braket veya kusurlu bir dikiş montajı kesintiye uğratabilir veya ürünün ömrünün ilerleyen dönemlerinde bir güvenilirlik sorunu yaratabilir.

Yapay zeka görsel denetimi, üreticilere bu ortamda destek olmaya başlıyor. Haier, Haziran 2026'da Tayland endüstriyel parkındaki üretim hatlarında yapay zeka destekli görsel denetim ve akustik gürültü tespitinin devreye alındığını bildirdi. Mart 2026'da Panasonic Holdings, üretim hattı kalite denetimi dahil olmak üzere uygulamalar için tasarlanmış bir yapay zeka görsel denetim platformunun küresel lisanslamasını da duyurdu. Siemens ve Rockwell Automation gibi otomasyon tedarikçileri artık endüstriyel kullanım için yapay zeka destekli makine görüş sistemleri sunuyor.

Bu nedenle, ev aletleri üreticileri için önemli soru, yapay zeka görüşünün etkileyici olup olmadığı değil. Belirli bir denetim görevinin mevcut yönteme göre daha tutarlı, daha erken ve daha iyi izlenebilirlikle gerçekleştirilip gerçekleştirilemeyeceğidir.

Ev Aletleri Kalite Denetimi Neden Daha Zor Hale Geliyor

Modern bir ev aleti fabrikası, aynı ürünün birden fazla kapasite ve konfigürasyonunu üretebilir. Örneğin, bir çamaşır makinesi hattı farklı tambur çapları, kabin boyutları ve kapı yapıları ile ilgilenebilir. Bir buzdolabı hattı birkaç kapı düzenlemesi, iç tasarım ve raf sistemi üretebilir.

Bu ürün çeşitliliği üç pratik zorluk yaratır.

Birincisi, bir bileşenin beklenen görünümü modeller arasında değişebilir. Bir delik, braket, etiket veya dikiş bir sürüm için doğru, ancak başka bir sürüm için yanlış olabilir. Bu nedenle denetim sisteminin doğru zamanda doğru ürün referansını kullanması gerekir.

İkincisi, üretim hızı manuel denetim için ayrılan süreyi sınırlar. Denetçiler bir vardiya sırasında yüzlerce veya binlerce benzer parçayı inceleyebilir. Yorgunluk, aydınlatma, hat hızı ve bireysel yargı farklılıkları görsel kararların tutarlılığını etkileyebilir.

Üçüncüsü, bir kusur, bileşen üretimde ilerledikçe daha pahalı hale gelir. Arızalı bir damgalanmış panel, preslemeden hemen sonra reddedilebilir. Aynı kusur kaplama, kaynak ve montajdan sonra bulunursa, üretici zaten kullanılamayan bir parçaya daha fazla malzeme, işçilik ve makine süresi eklemiş olur.

Bu nedenle birçok üretici, yalnızca hat sonu kontrolüne güvenmek yerine denetimi damgalama, şekillendirme, birleştirme ve montaj işlemlerine yaklaştırmaktadır.

Bir Yapay Zeka Görsel Denetim Sistemi Gerçekte Ne Yapar

Endüstriyel bir görsel denetim sistemi normalde kameraları, lensleri, kontrollü aydınlatmayı, görüntü işleme yazılımını ve eğitilmiş bir modeli birleştirir. Kamera, bileşenin veya montajın bir görüntüsünü yakalar ve sistem bunu görünür özellikler veya sapmalar için analiz eder.

Uygulamaya bağlı olarak sonuç, parçanın kabul edilebilir, kusurlu olduğunu veya manuel inceleme gerektirdiğini gösterebilir. Sistem ayrıca sorunu, eksik bileşen, yüzey kusuru, yanlış konum veya anormal dikiş gibi sınıflandırabilir.

Her yapay zeka denetim sistemi aynı şekilde eğitilmez. Bazı modeller hem kabul edilebilir hem de kusurlu parçaların görüntülerini kullanır. Diğerleri, kabul edilebilir bir bileşenin normal görünümünü öğrenir ve bu referanstan sapmaları belirler.

Örneğin, Siemens, Inspekto sisteminin nispeten küçük bir kabul edilebilir örnek kümesi kullanılarak yapılandırılabileceğini, kusurlu örneklerin ise isteğe bağlı olduğunu belirtiyor. Rockwell Automation'ın FactoryTalk Analytics VisionAI'ı, üretim ve kalite personelinin özel makine görüş programlaması olmadan denetim modellerini eğitmelerine ve dağıtmalarına olanak tanıyan kodsuz bir iş akışı kullanır.

Bu araçlar, bazı uygulamalar için gereken teknik çabayı azaltabilir, ancak mühendislik yargısı ihtiyacını ortadan kaldırmaz. Üreticilerin hala kabul standartlarını tanımlaması, uygun görüntüleme donanımını seçmesi ve sistemi gerçek üretim parçalarıyla doğrulaması gerekir.

Hangi Ev Aleti Kusurları Görsel Denetim İçin Uygundur?

Yapay zeka görüşü, kusur bir görüntüde net bir şekilde yakalanabildiğinde en faydalıdır. Doğru denetim yöntemi, kontrol edilen özelliğe bağlıdır.

Yüzey çizikleri ve ezikleri

Kabinler, kapı panelleri, kontrol panelleri ve dekoratif bileşenler müşteriye görünür. Çizikler, ezikler, lekeler ve kaplama hasarları, parça yapısal olarak kullanılabilir durumda olsa bile reddedilmeye neden olabilir.

Yapay zeka görsel denetimi, yüzey kusurları uzunluk, yön ve konumda değiştiği için bu parçaları daha tutarlı bir şekilde taramaya yardımcı olabilir. Ana zorluk görüntü yakalamadır. Paslanmaz çelik, kaplamalı sac ve kavisli yüzeylerdeki yansımalar kusurlara benzeyebilir, bu nedenle aydınlatma geometrisi ve kamera açısı, gerçek malzeme ve yüzey kaplaması etrafında tasarlanmalıdır.

Eksik delikler ve yanlış özellikler

Ev aletleri panelleri, bağlantı elemanları, menteşeler, kablolama, sensörler ve braketler için delikler ve kesikler içerir. Eksik veya yanlış bir özellik, başka bir bileşen yerine oturmadığında keşfedilmeyebilir.

Sabit bir konumda sunulan sabit bir parça için, geleneksel makine görüşü genellikle daha basit çözümdür. Yapay zeka, birden fazla ürün varyantının tek bir hattı paylaştığı veya normal yansıma ve konum değişikliklerinin sabit eşikleri güvenilmez hale getirdiği durumlarda faydalı olabilir.

Çatlaklar, kırışıklıklar ve şekillendirme kusurları

Derin çekme, flanşlama ve bükme, görünür çatlaklar, kırışıklıklar, bozulma veya anormal deformasyon üretebilir. Bir görüş sistemi, şekillendirmeden sonra belirgin yüzey kusurlarını tanımlayabilir ve uygun olmayan parçaların sonraki işlemlere girmesini önlemeye yardımcı olabilir.

Gizli gerilimi, iç malzeme hasarını veya aşırı incelmenin her durumunu doğrudan ölçemez. Bu özellikler ürün kalitesini etkilediğinde şekillendirme simülasyonu, işlem doğrulama ve boyutsal veya kalınlık ölçümü gerekli kalır.

Kaynak ve dikiş görünümü

Çamaşır makinesi tamburları, bulaşık makinesi küvetleri, kabinler ve diğer montajlar kaynak, perçinleme, rulo dikiş veya kilit dikiş kullanabilir. Kameralar, eklem sürekliliği, hizalama, sıçrama, boşluklar, bozulma ve yanlış eklem konumu gibi görünür özellikleri inceleyebilir.

Örneğin, Panasonic Connect'in Bead Eye çözümü, kaynak boncuklarının görsel incelemesini otomatikleştirmek ve izlenebilirlik için denetim sonuçlarını saklamak üzere ana verilerle karşılaştırmayı ve yapay zeka destekli denetimi birleştirir. Panasonic ayrıca, boncuk görünümünden belirlenemeyen iç kusurların ve yetersiz nüfuzun bu tür görsel denetimin kapsamı dışında olduğunu belirtiyor.

Aynı prensip ev aletleri üretiminde de geçerlidir: kabul edilebilir görünüm, kaynak mukavemetini, dikiş bütünlüğünü veya sızdırmazlığı otomatik olarak onaylamaz. Bileşene bağlı olarak, üreticilerin hala tahribatlı test, kuvvet testi, sızdırmazlık testi veya başka bir doğrulama yöntemi gerektirebilir.

Eksik veya yanlış monte edilmiş bileşenler

Montaj sırasında kameralar vidaların, klipslerin, contaların, konektörlerin, etiketlerin, kulpların, menteşelerin ve dekoratif kaplamaların varlığını, yönünü ve konumunu kontrol edebilir.

Bu, özellikle benzer görünümlü ev aletlerinin farklı parçalar gerektirebileceği karışık model hatlarında kullanışlıdır. Denetim tarifi, üretilen modele bağlanmalıdır. Yanlış referans seçilirse, sistem doğru bir montajı reddedebilir veya yanlış bir montajın geçmesine izin verebilir.

Etkili Bir Denetim Stratejisi Planlama

Geleneksel Makine Görüşü veya Yapay Zeka Görüşü?

Geleneksel makine görüşü, kenarlar, kontrast, renk, konum, boyut veya geometriye dayalı tanımlanmış kuralları izler. İncelenen özelliğin net bir şekli olduğunda, bileşen tutarlı bir şekilde konumlandırıldığında ve kabul edilebilir sınırlar sabit kurallar olarak ifade edilebildiğinde güvenilirdir.

Örneğin, bilinen bir konumda dairesel bir deliğin olup olmadığını kontrol etmek, bir yapay zeka modeli gerektirmeyebilir. Geleneksel bir algoritma genellikle görevi verimli bir şekilde yerine getirebilir ve doğrulaması nispeten kolaydır.

Yapay zeka destekli denetim, normal görünüm değiştiğinde veya bir kusurun sabit eşiklerle tanımlanması zor olduğunda daha kullanışlı hale gelir. Çizikler farklı şekil ve yönlere sahip olabilir. Ezikler değişen yansımalar altında farklı görünebilir. Kaynak boncukları, anormal bölgeler içermeye devam ederken kabul edilebilir doğal varyasyon gösterebilir.

Bu nedenle yapay zeka otomatik olarak daha gelişmiş veya uygun seçenek değildir. Birçok fabrikada, en etkili çözüm, daha değişken görünüm kusurları için yapay zeka modelleriyle birlikte kararlı geometrik kontroller için geleneksel makine görüşünü birleştirir.

Denetim Nerede Konumlandırılmalıdır

Denetim istasyonunun konumu yazılım kadar önemli olabilir.

Damgalama veya şekillendirmeden sonra, denetim eksik delikleri, yanlış kesikleri, ciddi kırışıklıkları, görünür çatlakları ve yüzey hasarlarını kaplama veya montaj daha fazla maliyet eklemeden önce tespit edebilir.

Kaynak veya montajdan önce, kameralar doğru parçaların mevcut olduğunu ve düzgün konumlandırıldığını doğrulayabilir. Bu, yanlış montaj riskini azaltır ve ayrıca armatürleri ve birleştirme ekipmanlarını yanlış yüklenmiş bileşenlerden koruyabilir.

Kaynak, dikiş veya perçinlemeden sonra, bir sistem eklem konumunu, görünür sürekliliği, hizalamayı, eksik birleştirme noktalarını ve aşırı bozulmayı kontrol edebilir. Kabul kriterleri, birleştirme sürecinden sorumlu mühendislerle anlaşılmalıdır.

Hat sonunda, kameralar dış hasarı, panel boşluklarını, kapı hizalamasını, etiketleri, kaplamaları ve görünür montaj hatalarını kontrol edebilir. Elleçleme ve montaj yeni hasarlar oluşturabileceğinden son denetim gereklidir, ancak her kusurun kontrol edildiği ilk nokta olmamalıdır.

Yapay Zeka Destekli Denetim Ne Değer Sağlayabilir?

Daha erken tespit, üreticilerin kusurlu bir bileşene değer eklemesini önlemeye de yardımcı olur. Daha da önemlisi, tekrarlanan denetim sonuçları üretim sürecindeki değişiklikleri ortaya çıkarabilir. Çiziklerdeki bir artış, bir transfer veya elleçleme sorununu gösterebilir. Tekrarlanan delik kusurları, kalıp aşınmasını, besleme varyasyonunu veya pres koşullarını gösterebilir. Dikiş hizasızlığı, bir armatür veya parça konumlandırma sorunuyla bağlantılı olabilir.

Denetim görüntüleri ayrıca ürün modeli, parti, tarih, hat, istasyon, vardiya ve kusur kategorisi ile ilişkilendirilebilir. Bu izlenebilirlik, üreticilerin şikayetleri araştırmasına, üretim koşullarını karşılaştırmasına ve bir sorunun izole mi yoksa tekrarlayan mı olduğunu belirlemesine yardımcı olur.

En büyük değer, denetim verileri düzeltici eylemi desteklediğinde gelir.

Neden Yapay Zeka Denetimi Hala Kararlı Takım ve Süreçlere Bağlıdır

Kötü görüntüler güvenilmez sonuçlar üretir. Pratik bir denetim istasyonu, uygun kamera çözünürlüğü, kontrollü aydınlatma, tekrarlanabilir parça konumu, titreşim ve kirlenmeden korunma ve incelenen özelliğin net bir görünümünü gerektirir. En gelişmiş model bile kameranın yakalayamadığı bilgileri analiz edemez.

Eğitim verileri de gerçek üretimi yansıtmalıdır. Görüntüler, ürün modeli, malzeme, yüzey kaplaması, yansıma ve parça konumundaki gerçekçi varyasyonları, kabul edilebilir ve kusurlu koşulların onaylanmış örnekleriyle birlikte içermelidir. Yalnızca dikkatlice seçilmiş demo örnekleri üzerinde test edilen bir sistem, üretim hattında farklı davranabilir.

Üreticiler ayrıca iki farklı hatayı göz önünde bulundurmalıdır. Yanlış reddetme, kabul edilebilir bir parçanın kusurlu olarak sınıflandırılmasıdır. Kaçırılan kusur, kusurlu bir parçanın kabul edilmesidir. Uygun denge, kusurun maliyetine ve riskine bağlıdır; küçük bir kozmetik işaret ve eksik bir güvenlik bileşeni aynı karar eşiğini kullanmamalıdır.

En önemlisi, görsel denetim üretim sürecini stabilize etmez. Bir damgalama kalıbı aşınmışsa, besleme sistemi tutarsızsa veya bir kaynak armatürü hizasızsa, başka bir kamera takmak nedeni düzeltmez.

Sac metal üretiminde, denetim güvenilirliği kalıp tasarımı, takım durumu, pres stabilitesi, malzeme tutarlılığı, yağlama, besleme doğruluğu ve parça elleçleme ile yakından bağlantılıdır.

Bu nedenle pratik kalite zinciri şöyledir:

Yapay zeka görsel denetimi bu zincir içinde yer alır. Daha önceki aşamaların yerini almaz.

Başlamak İçin Pratik Bir Yol

Üreticilerin tüm görsel kontrolleri aynı anda otomatikleştirmesi gerekmez. Odaklanmış bir pilot, doğrulaması daha kolaydır ve yatırım kararları için daha net bir temel sağlar.

Görünür, tekrarlayan ve otomatik denetimi haklı çıkaracak kadar maliyetli tek bir kusurla başlayın. Tam olarak neyin kabul edilebilir, neyin reddedilmesi gerektiğini ve neyin manuel inceleme gerektirdiğini tanımlayın. Ardından, yalnızca ideal örneklerden ziyade gerçek üretim koşullarından görüntü toplayın.

Son olarak, sistem bir sorun tespit ettiğinde ne olacağına karar verin. Yanıt, parçayı reddetmek veya işaretlemek, bir operatörü uyarmak, işlemi durdurmak, görüntüyü kaydetmek veya manuel onay istemek olabilir.

Tekrarlanan kusurlar da takım, ekipman, malzeme ve süreç verilerinin gözden geçirilmesini tetiklemelidir.

Benimsemeden önce, üreticiler aşağıdaki soruları yanıtlayabilmelidir:

• Kusur bir görüntüde net bir şekilde görünür mü?
• Kaçırılan bir kusurun ve yanlış reddetmenin maliyetleri nelerdir?
• Aydınlatma ve parça konumu kontrol edilebilir mi?
• Kaç model, malzeme ve yüzey kaplaması denetlenmelidir?
• Başarısız bir denetimden sonra hangi eylem izlenecektir?
• Sistem PLC, MES veya kalite yönetim yazılımıyla bağlantı kurmalı mı?
• Hangi özellikler hala boyutsal, güvenlik veya işlevsel test gerektiriyor?
• Kameraları, aydınlatmayı ve denetim modelini kim doğrulayacak ve bakımını yapacak?

Sonuç

Yapay zeka görsel denetimi, net bir şekilde tanımlanmış bir görsel probleme uygulandığında ve gerçek üretim koşullarında doğrulandığında ev aletleri üretiminde kalite kontrolünü iyileştirebilir. Özellikle otomatik ve karışık model üretim hatlarında daha tutarlı kararları, daha erken kusur tespitini ve daha iyi izlenebilirliği destekleyebilir.

Nihayetinde, denetim en güçlüsü, kararlı takım ve kontrollü üretim süreçleriyle birleştirildiğinde olur. Amaç sadece daha fazla kusurlu parça tespit etmek değil, daha az kusurlu parça üreten bir üretim süreci oluşturmaktır.