# Bilgisayarlı görü ile üretimde kalite kontrol nasıl yapılır?

*2026-09-29 · 16 dk*

Üretimde bilgisayarlı görü kalite kontrolünü kamera, aydınlatma, veri seti, edge AI, MES entegrasyonu, insan doğrulaması ve OEE etkisiyle ele alan uygulamalı rehber.


Üretimde kalite kontrolün maliyeti yalnız hatalı parçayı ayıklamak değildir. Kusur müşteriye ulaştığında iade, garanti, itibar ve geri çağırma riski doğar; kusur istasyonda geç fark edildiğinde ise aynı hata birçok ürüne yayılır. Klasik görsel kontrol deneyimli operatörlerin dikkatine ve vardiya standardına dayanır. Hız, yorgunluk, ürün varyasyonu ve ışık değiştiğinde aynı kusur farklı yorumlanabilir.

Bilgisayarlı görü, kameradan gelen görüntüyü üretim bağlamıyla birleştirerek bu kontrolü daha tekrarlanabilir hale getirir. Ancak başarılı proje yalnız model eğitmek değildir. Kamera, aydınlatma, ürün konumlandırma, etiket ve lot, iş emri, [MES](/sozluk/mes), insan doğrulaması, karantina ve kök neden analizi birlikte tasarlanır. [Manufacturing MES Suite Pro](/urunler/manufacturing-mes-suite-pro) proses, kalite, bakım ve izlenebilirlik omurgasını; [bilgisayarlı görü çözümleri](/hizmetler/yapay-zeka-yazilim-gelistirme/bilgisayarli-goru-cozumleri) ise görüntü ve AI katmanını destekleyebilir.

## Bilgisayarlı görü ile kalite kontrol nedir?

Bilgisayarlı görü, kamera veya sensörle alınan görüntülerden nesne, ölçü, yüzey, renk, konum veya kusur bilgisi çıkaran yapay zekâ ve görüntü işleme yöntemlerinin bütünüdür. Kalite kontrol bağlamında sistem ürünün beklenen görsel veya geometrik özelliklerini kontrol eder; sonucu kabul, ret, inceleme veya yeniden işleme gibi bir karara dönüştürür.

Kamera sonucu tek başına karar değildir. Görüntünün hangi iş emrine, ürün versiyonuna, kalıba, lota, istasyona ve zamana ait olduğu bilinmiyorsa modelin “kusur” sinyali geriye dönük anlam taşımaz. Bu nedenle görüntü sistemi üretim hattının yanına eklenen bağımsız kutu değil, kalite veri zincirinin bir parçası olarak kurulmalıdır.

## Önce kusur tanımını ve iş sonucunu yazın

“Kaliteyi AI ile kontrol edeceğiz” teknik olarak ölçülebilir bir hedef değildir. Kusurun sınırı, toleransı, kritikliği, görünürlük koşulu ve üretim kararına etkisi yazılmalıdır. Çizik hangi uzunlukta kusur, hangi bölgede kritik, renk farkı hangi referansa göre ölçülecek? Aynı görüntüde birden fazla kusur varsa sınıflandırma mı, segmentasyon mu, nesne tespiti mi gerekir?

İş hedefi de açık olmalıdır: hurdayı azaltmak, kaçışı önlemek, operatör kontrolünü hızlandırmak, ölçüm verisi toplamak veya kök neden bulmak. Hedef kaçak oranıysa recall; gereksiz ret maliyeti yüksekse precision; istasyon duruşu kritikse gecikme ve kullanılabilirlik öncelik kazanır. Model metriği üretim kararının yerine geçmez, onu destekler.

## Kamera ve lens tasarımı

Kamera seçimi çözünürlük sayısından ibaret değildir. Kusurun boyutu, görüş alanı, ürün hızı, çalışma mesafesi, lens distorsiyonu, kare hızı, renk hassasiyeti ve cihazın montaj koşulu birlikte değerlendirilir. Küçük bir çizik geniş alana yayılmış düşük çözünürlüklü görüntüde kaybolabilir; gereğinden yüksek çözünürlük ise edge cihazı ve depolamayı zorlayabilir.

Lens, odak, alan derinliği ve pozlama hatalıysa model her vardiyada farklı davranır. Hareketli hatlarda global veya kısa pozlama, titreşimli ekipmanda mekanik sabitleme, yansıtıcı yüzeylerde polarize ışık veya farklı açı gerekir. Kamera kablosu, trigger, sensör ve senkronizasyon da kalite mimarisinin parçasıdır; görüntü zaman damgası üretim olayıyla uyuşmuyorsa doğru model bile yanlış ürüne bağlanır.

## Aydınlatma ve ürün sunumu

Birçok bilgisayarlı görü projesi veri seti büyütülerek çözülemeyen aydınlatma sorunlarında takılır. Gölgeler, parlama, renk sıcaklığı, gün ışığı ve yüzey yansıması kusur sinyalini bozabilir. Sabit ışık geometrisi, difüzör, arka aydınlatma, koaksiyel ışık, dome veya karanlık alan aydınlatması kusur türüne göre seçilir.

Ürün kameraya her seferinde aynı konum ve yönle gelmiyorsa modelden gereğinden fazla değişkeni öğrenmesi beklenir. Mekanik fikstür, kılavuz, sensör ve tetikleme tasarımı görüntü kalitesini yükseltir. Ürünü konumlandırmak maliyetli görünse de model, veri depolama, yeniden etiketleme ve yanlış ret maliyetinden daha düşük olabilir. En iyi AI projesi çoğu zaman en iyi fiziksel sunumla başlar.

## Veri seti: normal ve kusurlu üretimin gerçek çeşitliliği

Eğitim verisi yalnız kusurlu örneklerden değil, normal üretimin vardiya, makine, hammadde, operatör, hız ve çevre varyasyonundan oluşmalıdır. Kusur sınıfları nadirse tarihsel kayıtlar yetersiz kalabilir; sentetik veri veya kontrollü kusur üretimi yardımcı olabilir fakat gerçek yüzey ve proses koşulunu temsil ettiği doğrulanmalıdır.

Etiketleme kuralı ekipçe yazılır. Aynı çizgi bir uzmana kusur, diğerine kabul edilebilir görünebilir. Sınır kutusu, maske, sınıf, derece ve belirsizlik alanı ayrı tanımlanır. Etiketçi üretim standardını bilmiyorsa veri seti “uzman görüşü” değil tutarsız çizim koleksiyonu olur. İnsan kararı ve model önerisi karşılaştırılır; güven düşük olduğunda örnek veri setine kontrollü geri beslenir.

## Görüntü ön işleme ve model seçenekleri

Basit eşikleme, kenar ve geometrik ölçüm kusurun iyi ayrıştığı sabit koşullarda güçlü olabilir. Nesne tespiti birden fazla parçayı bulur, sınıflandırma görüntüyü veya parçayı etikete ayırır, segmentasyon kusurun piksel alanını belirler. Model seçimi kusur tipine, veri miktarına, gecikme gereksinimine ve açıklanabilirlik ihtiyacına göre yapılmalıdır.

Ön işleme; kırpma, normalize etme, renk alanı dönüşümü, perspektif düzeltme veya gürültü azaltma içerebilir. Ancak üretimde olmayan yapay iyileştirmeler modelin gerçek kusuru görmesini zorlaştırabilir. Modelin kamera ve aydınlatma değişiminde nasıl davranacağı stres testleriyle ölçülür. Büyük model her zaman iyi model değildir; edge cihazda güvenilir ve izlenebilir çalışan daha küçük bir model daha uygun olabilir.

## Edge AI ve merkezi mimari

Kalite kararının milisaniyeler içinde verilmesi, görüntünün fabrikadan dışarı çıkamaması veya ağ kesintisinde hattın çalışması gerekiyorsa edge inference tercih edilir. Model ve politika sürümü cihazda imzalı biçimde tutulur; görüntü veya özet olay merkezi platforma gönderilir. Merkezi eğitim, model kayıt ve raporlama ile edge karar birbirinden ayrılır.

Edge cihaz arızasında güvenli davranış önceden belirlenmelidir: hat duracak mı, operatör kontrolüne mi dönecek, son güvenilir modelle mi çalışacak? Güncelleme geri alınabilir olmalı, cihaz sağlık durumu ve model sürümü izlenmelidir. [alfi Platform](/urunler/aile/platform) ops ve pipeline yetenekleri, [alfi Engines](/urunler/aile/engines) vision ile birlikte bu dağıtım yaşam döngüsünün omurgasını sağlar.

## MES, kalite ve izlenebilirlik entegrasyonu

Görüntü sonucu MES'e yalnız “OK/NG” olarak gönderilirse analiz potansiyeli kaybolur. Olay; ürün, seri, lot, iş emri, operasyon, istasyon, kamera, model sürümü, güven skoru, kusur sınıfı, görüntü bağlantısı ve insan kararıyla birlikte kaydedilir. Böylece bir kusur görüldüğünde aynı lotun, vardiyanın veya makinenin diğer ürünleri incelenebilir.

 [Genealogy](/sozluk/genealogy) bağlantısı hammadde, alt montaj, operatör ve proses koşulunu kusurla ilişkilendirir. [Manufacturing MES Suite Pro](/urunler/manufacturing-mes-suite-pro) kalite kaydını bakım, iş emri ve üretim planıyla birleştirebilir. Uygunsuz parça için [NCR-CAPA](/sozluk/ncr-capa) aksiyonu, yeniden işleme veya karantina süreci otomatik tetiklenebilir.

## SPC ve proses kök nedeni

Bilgisayarlı görü yalnız son ürün denetimi olarak kurulursa aynı kusurun nedenini kaçırabilir. Ölçüm değerleri, kusur konumu, zaman ve proses parametreleri [SPC](/sozluk/spc) grafikleriyle izlenir. Ortalama kayması, varyans artışı, makine veya kalıp etkisi erken sinyal olabilir. Görüntüden çıkan sayısal ölçüm ile PLC, sıcaklık, basınç ve hız verisi aynı zaman penceresinde eşleştirilmelidir.

Kök neden analizi modelin görevi değildir; model doğru kanıtı sağlar. “Bu vardiyada çizik arttı” gözlemi, takım aşınması veya malzeme lotu hipotezini destekler. İnsan ve proses mühendisi hipotezi doğrular, düzeltme aksiyonu açar ve sonucu ölçer. [alfi Insight](/urunler/aile/insight) quality ve pulse yetenekleri bu ilişkiyi istasyon ve ürün ailesi bazında görünür kılar.

## İnsan doğrulaması ve belirsiz sınıf

Model her görüntüyü zorla kabul veya ret yapmamalıdır. Güven aralığında kalan, yeni kusur içeren, kritik parça veya eğitim dışı ürün “inceleme” sınıfına gidebilir. Operatör ekranı görüntüyü yakınlaştırma, kusur bölgesi, model gerekçesi, önceki örnekler ve standart toleransla birlikte göstermelidir.

İnsan kararı üretim kaydına işlenir. Operatörün her ret kararını model hatası saymak da yanlış olur; fiziksel standart güncellenmiş veya ürün varyasyonu değişmiş olabilir. Düzeltmeler önce değerlendirme kuyruğuna, sonra onaylı model sürümüne girer. [Dört göz ilkesi](/sozluk/dort-goz-ilkesi) kritik güvenlik parçalarında ikinci uzman kontrolüyle uygulanabilir.

## Kritik kusur ve maliyet modeli

Tüm kusurlar aynı maliyete sahip değildir. Güvenlik parçasının kaçması, kozmetik yüzeyde küçük bir çizginin gereksiz reddinden daha ağır olabilir. Maliyet matrisi kusur şiddeti, kaçış, yanlış ret, yeniden işleme, hurda, duruş ve müşteri etkisini birlikte hesaplar. Eşikler bu maliyete göre ayarlanır; yalnız doğruluk yüzdesiyle seçilmez.

Modelin kararını üretim planına bağlamadan önce simülasyon yapılır. Son vardiyada olsaydı kaç ürün karantinaya alınacak, kaç kusur kaçacaktı, operatör kaç dakikada inceleyecekti? Bu senaryolar [OEE](/sozluk/oee), ilk seferde doğru üretim ve toplam kalite maliyetiyle birlikte değerlendirilir. Finansal kanıt olmadan AI yatırımı “görsel demo” seviyesinde kalır.

## Model drift ve değişiklik yönetimi

Hammadde, renk, paket, kamera, ışık, hız veya ürün tasarımı değiştiğinde veri dağılımı değişir. Drift; güven skorunun düşmesi, inceleme oranının artması, sınıf dağılımının kayması veya insan düzeltmelerinin çoğalmasıyla görülebilir. Her model sürümü eğitim verisi, test sonucu, kapsam, bilinen sınır ve geri dönüş planıyla kaydedilmelidir.

Yeni ürün modeli önce gözetimli çalışır. Gölge modunda öneri üretir, insan kararıyla karşılaştırılır ve yeterli kanıt oluşmadan hattın kararını değiştirmez. Kamera veya ışık değişikliğinde de yeniden kalibrasyon, veri örnekleme ve kabul testi yapılır. [Kalibrasyon](/sozluk/kalibrasyon) yalnız cihazın teknik ayarı değil, model kararının gerçek toleransla ilişkisidir.

## Makine ve otomasyon güvenliği

Kalite sistemi PLC veya robotu durdurabiliyorsa güvenlik devresi ile AI karar yolu ayrılmalıdır. Model kararı bir öneri veya operasyon sinyali olabilir; acil durdurma ve fiziksel güvenlik standardını tek başına belirlememelidir. Ağ, cihaz, kamera veya model arızasında güvenli durum; üretim, bakım ve iş güvenliği ekipleriyle kararlaştırılır.

OT/IT sınırında [OPC-UA](/sozluk/opc-ua) ve [PLC/SCADA](/sozluk/plc-scada) veri akışları kimlik, segmentasyon ve kayıt politikasıyla korunur. Harici model servisine ham üretim görüntüsü gönderilecekse fikri mülkiyet, müşteri ürünü ve sözleşme kısıtları değerlendirilir. On-premise veya edge kurulum, veri çıkışı riskini azaltabilir ama yama, cihaz ömrü ve merkezi izleme sorumluluğunu artırır.

## Pilot yol haritası

İlk pilot için kusurun görsel olarak net, iş akışının dar ve ölçüm değerinin yüksek olduğu bir istasyon seçilir. İlk hafta görüntü ve ışık keşfi, ikinci hafta etiketleme ve baseline ölçümü, üçüncü hafta gölge mod, dördüncü hafta insan doğrulamalı canlı kullanım planlanır. Pilot hedefi “model yüzde kaç doğru?” yanında kaçan kritik kusur, yanlış ret ve operatör süresidir.

Canlıya geçişte model önce uyarı üretir; sistem kararı bir süre insanla kıyaslanır. Hattı durdurma veya otomatik karantina ancak güven eşiği, cihaz kullanılabilirliği ve geri dönüş planı kanıtlandıktan sonra açılır. Eğitim, vardiya teslimi, arıza prosedürü, görüntü saklama ve model değişikliği tek bir operasyon SOP'sinde toplanır.

## KPI ve yönetim görünümü

Görüntü modeli için precision, recall, kritik kusuru kaçırma ve gecikme; üretim için hurda, yeniden işleme, first-pass yield, müşteri kaçışı ve OEE; operasyon için inceleme süresi, cihaz kullanılabilirliği ve model drift'i raporlanır. Aynı dashboard'da birbirine karıştırılmamalı, ancak ilişkilendirilmelidir.

Yönetim “AI kaç karar verdi?” yerine “kalite maliyeti ve kaçış riski nasıl değişti?” sorusunu görmelidir. [Manufacturing MES Suite Pro](/urunler/manufacturing-mes-suite-pro) kalite ve üretim bağlamını, [alfi Boardroom](/urunler/aile/boardroom) senaryo ve karar görünümünü taşıyabilir. Böylece model yatırımı laboratuvar başarısı olmaktan çıkıp ölçülebilir üretim sonucuna bağlanır.

## Satın alma kontrol listesi

Bir bilgisayarlı görü çözümünü seçmeden önce şu demoları isteyin:

- Farklı ışık, hız, vardiya ve ürün varyasyonunda görüntü kalitesi nasıl korunuyor?
- Kusur sınıfları, tolerans ve kritik parça kuralı kim tarafından değiştiriliyor?
- Görüntü sonucu iş emri, seri, lot, istasyon ve model sürümüyle bağlanıyor mu?
- Edge cihaz çevrimdışıyken sistem nasıl davranıyor?
- Düşük güvenli sonuç insan ekranına kanıt ve standartla gidiyor mu?
- MES, PLC/SCADA, OPC-UA ve kalite akışları nasıl entegre ediliyor?
- Model drift'i, yeni ürün ve kamera değişimi için kabul testi var mı?
- Görüntü saklama, fikri mülkiyet, erişim ve silme politikası nedir?
- Model güncellemesi imzalı, geri alınabilir ve sürümlü mü?
- KPI'lar kalite maliyeti, OEE ve müşteri kaçışıyla ilişkilendirilebiliyor mu?

Bilgisayarlı görü üretimde insanı devreden çıkaran sihirli bir kamera değildir. Doğru kurulduğunda insanın yorulduğu tekrarlı kontrolü standartlaştırır, kritik kararı kanıtla destekler ve kusurun proses içinde daha erken görünmesini sağlar. Kamera, model, MES ve kalite kültürü aynı tasarımın parçalarıdır; biri eksik kaldığında diğerlerinin değeri de sınırlanır.

## Ölçüm mü sınıflandırma mı?

Kusurun görünüşünü etiketlemek ile gerçek ölçüyü belirlemek farklı problemlerdir. Çizik var/yok sınıflandırması, yüzeydeki çizginin uzunluğu veya derinliği için yeterli olmayabilir. Ölçüm gereken senaryoda kamera kalibrasyonu, perspektif düzeltme, referans ölçek ve tolerans hesabı tasarlanır. AI ölçümü önerse bile kritik boyutlarda metrolojik doğrulama gerekir.

Proje başlangıcında kabul kriteri bu ayrımı açıklar. Görsel kusur sınıfları modelle, geometrik toleranslar kural ve ölçüm sistemiyle, proses eğilimi SPC ile yönetilebilir. Hepsini tek sınıflandırma modeline yüklemek açıklanabilirliği düşürür. Kalite ekibi için “model yüzde 96 doğru” yerine hangi ölçüm ve toleransın güvenilir olduğu daha anlamlıdır.

## Kamera istasyonu ergonomisi

Operatörün ürünü fikstüre yerleştirmesi, tetikleme düğmesi, ışık yansıması ve bakım erişimi kaliteyi etkiler. Kamera istasyonu ergonomik değilse çalışan ürünü farklı açıyla sunar veya sensörü devre dışı bırakır. Tasarım vardiya çalışanlarıyla gözlemlenmeli, eldiven, temizlik, titreşim ve hızlı model değişimi hesaba katılmalıdır.

İstasyon üzerinde model sonucu, güven, kusur bölgesi ve sonraki işlem açıkça gösterilir. Operatör ret kararını düzeltirken ürünün hangi standarda göre reddedildiğini görür. Fiziksel ergonomi ile dijital geri bildirim birlikte yapılmadığında AI sistemi üretim hattının değil, laboratuvarın davranışını öğrenir.

## Sentetik veri ve aktif öğrenme

Nadir kusurlar için kontrollü sentetik veri, kusurun farklı konum ve boyutlarını üretmeye yardımcı olabilir. Ancak ışık, doku ve fiziksel iz gerçek üretimdekiyle uyuşmuyorsa model sentetik örneği öğrenir. Sentetik ve gerçek verinin oranı, ayrı bir gerçek test kümesinde doğrulanır; sentetik başarı üretim başarısı sayılmaz.

Aktif öğrenme modelin emin olmadığı görüntüleri insan etiketine seçerek veri toplama maliyetini azaltır. Seçim yalnız en düşük güvene göre değil, yeni ürün, yeni vardiya ve farklı istasyon dağılımına göre yapılmalıdır. Kalite uzmanının her seçtiği örnek eğitim verisine otomatik girmez; etiket kuralı ve sürüm kontrolü korunur.

## Yanlış ret ve operatör güveni

Kusursuz parçayı sürekli reddeden sistem operatörün AI kararına güvenini kaybettirir. Yanlış ret maliyeti yalnız hurda değildir; üretim yavaşlar, manuel bypass artar ve gerçek kusur kaçabilir. Eşik ayarı, ürün aileleri ve kusur şiddeti bazında yapılmalıdır. Operatör bypass ederse neden ve sonraki insan kararı kayıt altına alınır.

Bypass fonksiyonu güvenlik açığı olmamalıdır. Yetkili rol, gerekçe, süre ve örneklem kontrolü gerektirebilir. Kritik parçada bypass ikinci uzman onayına gidebilir. Modelin kararını zorla kabul ettirmek yerine insanın fiziksel ve üretim bilgisini sistemin kalite döngüsüne almak uzun vadede daha güvenlidir.

## Bakım, kalibrasyon ve cihaz sağlığı

Lens kirlenmesi, ışık şiddeti, titreşim, kamera kayması ve sensör arızası model performansını düşürür. Cihaz sağlık sinyali; kare hızı, sıcaklık, disk, bağlantı, ışık referansı ve son başarılı kalibrasyonu izler. Görüntü dağılımı değişince model drift'i sanmadan önce fiziksel istasyon kontrol edilir.

Bakım prosedürü [MTBF/MTTR](/sozluk/mtbf-mttr) metrikleriyle üretim planına bağlanır. Lens temizliği, referans parça ile günlük kontrol ve ışık ölçümü SOP'ye girer. [Kalibrasyon](/sozluk/kalibrasyon) tarihinin geçmesi otomatik kalite kararını durdurabilir veya insan moduna alabilir. Edge cihazı güncellemesi model ve donanım uyumluluğuyla test edilir.

## Kalite olayından geri izleme

Müşteride bulunan kusurlu bir ürünün hangi kamera, model, vardiya, hammadde ve operatör koşulunda geçtiği saniyeler içinde bulunabilmelidir. [Genealogy](/sozluk/genealogy) bağlantısı seri/lot ve alt montajı, MES iş emri ve kamera olayıyla birleştirir. Görüntü saklanmıyorsa en azından model kararının kanıt özeti ve görüntü hash'i korunabilir.

Geri çağırma analizi için geçmiş model sürümü, tolerans, istasyon ve insan düzeltmeleri değişmez şekilde tutulur. Bir model güncellendiğinde geçmiş ürünlerin kararı yeni modelle sessizce yeniden yazılmaz. Kök neden ve CAPA sürecinde görüntü, ölçüm ve proses verisi aynı olay zaman çizelgesinde incelenir.

## Proses parametreleriyle korelasyon

Kusur oranını kamera sonucu olarak raporlamak yeterli değildir. PLC, sıcaklık, basınç, hız, takım ömrü, malzeme lotu ve duruş olayları aynı zaman penceresinde eşleştirilir. [OPC-UA](/sozluk/opc-ua) veya [PLC/SCADA](/sozluk/plc-scada) verisi ile görüntü olayının saat senkronu test edilir; birkaç saniyelik kayma yanlış kök neden üretebilir.

İstatistiksel korelasyon nedensellik değildir. Model, belirli vardiyada kusur arttığını gösterebilir; proses mühendisi bunu takım aşınması, malzeme veya operatör etkisiyle doğrular. [SPC](/sozluk/spc) ve deney tasarımı kontrollü aksiyonun gerçekten iyileşme sağladığını ölçer. AI, kök nedeni tek başına ilan etmek yerine kanıtları daraltmalıdır.

## Ürün portföyü ve model yönetişimi

Her ürün ailesi farklı yüzey, renk, boyut ve tolerans taşır. Tek model tüm ürünleri görmeye zorlanırsa genel performans yüksek görünürken kritik bir ailede kaçış artabilir. Ürün, kamera, model ve kalite standardı matrisi tutulur. Yeni SKU önce gölge modda çalışır; model seçimi ve veri kapsamı onaylanmadan otomatik karar açılmaz.

Model kartında amaç, veri kaynağı, kusur sınıfları, sınırlamalar, performans, üretim kapsamı, insan devri ve güvenlik koşulları yazılır. [Manufacturing MES Suite Pro](/urunler/manufacturing-mes-suite-pro) iş emri ve ürün versiyonunu model kartıyla bağlayabilir. Böylece kalite mühendisi hangi modelin hangi üründe karar verdiğini açıkça görür.

## Enerji ve sürdürülebilirlik etkisi

Görsel kontrol otomasyonunun sürdürülebilirlik katkısı yalnız daha az hurda değildir. Gereksiz yeniden işleme, tekrar taşıma, enerji tüketimi ve malzeme kaybı azalabilir. Ancak edge cihaz, kamera, aydınlatma ve veri saklama da enerji kullanır. Model boyutu, kare örnekleme ve saklama süresi iş değerine göre optimize edilir.

Hurda ve yeniden işleme azalması [OEE](/sozluk/oee), first-pass yield ve kaynak tüketimiyle birlikte raporlanır. Bir modelin çok sık görüntü alması kaliteyi az artırıp enerji ve depolama maliyetini büyütüyorsa örnekleme frekansı yeniden değerlendirilir. Teknoloji kararı çevresel ve finansal etkiyi aynı tabloda göstermelidir.

## Vardiya geçişi ve operasyon standardı

Bilgisayarlı görü istasyonu vardiya tesliminde kontrol listesiyle devredilir: kamera görüntüsü, ışık referansı, fikstür, model sürümü, son kalibrasyon, cihaz sağlığı ve bekleyen inceleme. Operatör değiştiğinde karar standardı değişmemeli; eğitimli kişi sistemin önerisini nasıl kontrol edeceğini ve bypassın ne zaman kullanılacağını bilmelidir.

Vardiya lideri yalnız kaç ürünün geçtiğini değil, inceleme kuyruğu, tekrar eden kusur ve görüntü kalitesi sinyalini de görür. Bir istasyon sık sık manuel moda geçiyorsa sorun modelden önce ergonomi, bakım veya kapasite olabilir. Standart iş talimatı (SOP) üretim, kalite ve IT sorumluluğunu aynı sayfada buluşturur.

## Yeni ürün devreye alma

Yeni SKU veya kalıp için geçmiş modelin otomatik kabulü risklidir. Ürün geometrisi, renk, etiket ve kusur dağılımı değişebilir. Devreye alma paketi referans parçalar, kabul edilebilir varyasyon, kritik kusurlar, kamera pozisyonu, ışık ayarı, model veya kural sürümü ve insan onay imzasını içerir. Gölge modda model önerileri gerçek kalite kararıyla karşılaştırılır.

Kapsam dışı ürün tespit edilirse istasyon inceleme moduna geçebilir. Üretim planı model hazır değilken bilinçli olarak manuel denetimle devam eder; sistem bunu kalite kaybı değil kontrollü geçiş olarak raporlar. Böylece yeni ürün baskısı altında modelin eğitim dışı görüntülerde zorla karar vermesi engellenir.

## Kalite kültürü ve veri sorumluluğu

Modelin başarı veya hatası yalnız veri bilimcisinin sorumluluğu değildir. Operatör doğru sunum, kalite uzmanı kusur standardı, proses mühendisi kök neden, IT edge sağlığı ve üretim yöneticisi risk eşiği konusunda rol taşır. Her ekip kendi verisini korumazsa modelin öğrenmesi için kullanılan görüntüler de güvenilmez olur.

Operatörün düzeltmesini cezalandırmak yerine veri kalite döngüsüne katkı saymak gerekir. Kritik kararlar bağımsız örneklemle doğrulanır, model kartı güncellenir ve değişiklik yönetimi yapılır. [Manufacturing MES Suite Pro](/urunler/manufacturing-mes-suite-pro) üretim ve kalite kaydını ortak bağlamda tutarak kalite kültürünü yalnız kamera ekranından çıkarır.

## Son kabul ve sürdürülebilirlik

Canlı kabul testi farklı vardiya, ürün, ışık, hız, cihaz arızası ve ağ kesintisini kapsar. Başarı eşiği kritik kusur kaçışı, yanlış ret, karar gecikmesi, cihaz kullanılabilirliği ve insan inceleme süresini içerir. Birkaç ideal görüntüde çalışan sistem kabul edilmez. Kabul sonrası aylık drift ve bakım incelemesi takvimlenir.

Bilgisayarlı görü yatırımının sürdürülebilir olması için veri saklama, model sürümü, cihaz yedekleri, kalibrasyon ve geri dönüş prosedürü bütçelenir. Modeli kuran ekip ayrıldığında kalite ekibi işletmeye devam edebilmelidir. Kamerayı hatta yerleştirmek başlangıçtır; ölçülebilir, izlenebilir ve insanla birlikte çalışan kalite sistemi asıl üründür.

## Yönetim için son kabul

Yönetim sunumunda yalnız model doğruluğu değil kritik kusur kaçışı, yanlış ret, hurda, yeniden işleme, OEE, cihaz kullanılabilirliği ve insan inceleme maliyeti gösterilmelidir. Bir vardiyada iyi çalışan sistemin farklı ürün ve ışıkta nasıl davrandığı da kanıtlanır. Bu sonuçlar olumluysa model kapsamı kontrollü genişletilir; değilse veri, fiziksel istasyon veya kalite standardı düzeltilir.

## Model değişimi, izlenebilirlik ve saha devri

Üretim hattında model değişikliği yazılım güncellemesi kadar kontrollü yapılmalıdır. Yeni modelin hangi veri kümesiyle eğitildiği, hangi kusur sınıflarında değişiklik yaptığı, hangi eşik değerlerini kullandığı ve önceki sürüme göre ne kadar farklı karar ürettiği kaydedilir. Paralel çalıştırma sırasında eski model karar verirken yeni model yalnız gözlemci olabilir; farklar kalite mühendisi tarafından incelenir. Kritik kusurlarda eşik düşürme veya otomatik ret açma, üretim sorumlusu ve kalite sorumlusunun birlikte onayına bağlanır.

İzlenebilirlik yalnız görüntü dosyasını saklamak değildir. Parça kimliği, lot, makine, kalıp, operatör, kamera, ışık reçetesi, model sürümü ve karar zamanı aynı kalite kaydında bulunmalıdır. Bir müşteri itirazında kurum “hangi parça, hangi görüntü, hangi model ve hangi kalite standardıyla kabul edildi?” sorusunu yanıtlayabilmelidir. [Genealogy](/sozluk/genealogy) ve [NCR/CAPA](/sozluk/ncr-capa) kayıtları bu zinciri üretim olayından düzeltici faaliyete kadar taşır.

Saha devri için kalite ekibine kod değil, işletilebilir bir kontrol paneli verilir. Panelde canlı kamera sağlığı, son kalibrasyon, model gecikmesi, bilinmeyen örnek oranı, insan inceleme kuyruğu ve hat bazında kusur trendi görünür. Ağ kesildiğinde sistemin hangi kararı verdiği, tamponda kaç görüntü tuttuğu ve yeniden bağlandığında hangi kayıtları eşleştirdiği önceden belirlenir. [Manufacturing MES Suite Pro](/urunler/manufacturing-mes-suite-pro) bu sonucu üretim emri ve duruş bağlamıyla ilişkilendirebilir.

Modelin beklenmedik davranışında güvenli duruş prosedürü bulunur. Operatör sistemi geçici olarak manuel moda alabilir, olay kaydı oluşturabilir ve üretim akışını kaybetmeden kalite kontrolü sürdürebilir. Duruş sonrası yalnız teknik ekip değil, kalite ve üretim de yeniden başlatma kriterini onaylar. Bu disiplin sayesinde bilgisayarlı görü “kamerayı hatta bağlayan” bir deneme olmaktan çıkar; üretim standardının denetlenebilir, geri alınabilir ve sürekli geliştirilebilir bir parçası olur.