Yapay zekâ ile otomatik tespit ve nesne tanıma

Röntgen görüntüsü bir nesnenin içini gösterir; onu yorumlamak ise ayrı bir uzmanlıktır. RöntgenTek, dual energy görüntü işleme hattının üzerine bir otomatik tespit ve nesne tanıma katmanı ekler: klasik görüntü işleme ile makine öğrenmesi / derin öğrenme bir arada. Operatöre karar desteğinden tam otomatik karara kadar — güvenlik denetiminden gıda güvenliğine ve tahribatsız muayeneye (NDT) kadar.

Uygulama alanları

Tek bir tanıma çekirdeği, üç alan

Aynı temel — röntgen görüntüsünde nesne ve malzeme tanıma — üç farklı sektörde uygulanır. Her alan kendi verisi ve kuralları ile özelleştirilir.

🛡️

Güvenlik denetimi — tehdit ve yasak madde tespiti

Konveyör tipi introskoplarda operatöre karar desteği: silah, bıçak, tehlikeli ve yasak maddelerin otomatik olarak işaretlenmesi. Dual energy ile elde edilen malzeme bilgisini (organik / inorganik / metal) kullanarak şüpheli bölgeleri öne çıkarır, operatörün dikkatini doğru yere yönlendirir ve insan hatasını azaltırız.

🥫

Gıda denetimi — yabancı cisim ve kalite

Gıda güvenliği için röntgenle hat içi denetim: metal, cam, taş, kemik ve yoğun plastik gibi yabancı cisimlerin tespiti; dolum / eksik parça ve paketleme bütünlüğü kontrolü. Optik sistemlerin aksine röntgen, ambalajın ve ürünün içini görür.

🔬

NDT — tahribatsız muayene

Endüstriyel parçalarda kusur, boşluk, çatlak ve montaj hatalarının otomatik tespiti ve sınıflandırılması. Seri üretimde tutarlı ve tekrarlanabilir karar; manuel kontrole göre daha hızlı ve objektif.

Yaklaşımımız: görüntü işleme + makine öğrenmesi

Yapay zekâyı mevcut görüntü işleme uzmanlığımızın üzerine inşa ederiz. Klasik bilgisayarlı görü (segmentasyon, öznitelik çıkarımı) güvenilir, açıklanabilir bir temel sağlar; derin öğrenme ise klasik yöntemlerin zorlandığı karmaşık örüntüleri yakalar. İkisini görevin gerektirdiği oranda birleştiririz.

  • Klasik görüntü işleme + derin öğrenme — segmentasyon ve öznitelik analizi ile CNN tabanlı tespit / sınıflandırma bir arada.
  • Alanına özgü veri — örneklerin toplanması, etiketlenmesi, model eğitimi ve bağımsız doğrulama.
  • Gerçek zamanlı çıkarım (inference) — üretim hattı veya konveyör hızında, gecikmesiz.
  • Yerinde dağıtım (on-prem / edge) — veriler tesiste kalır, buluta bağımlılık yoktur.
  • Mevcut hatta entegrasyon — dual energy görüntü işleme hattına ve operatör arayüzüne doğal entegrasyon.
  • Karar desteği veya tam otomatik mod — yanlış alarm ile kaçırma dengesi göreve göre ayarlanır.
  • Sürekli iyileştirme — yeni örneklerle modelin yeniden eğitilmesi ve performansın izlenmesi.
Dürüst yaklaşım. Yapay zekâ sihirli bir kutu değildir. Uygulanabilirliği pilot ve gerçek test örnekleriyle doğrularız; sonucu belirleyen, verinin kalitesi ve malzemeler arasındaki röntgen kontrastıdır. Beklentileri en baştan gerçekçi biçimde belirleriz.

Bir sisteme nasıl oturur

Tanıma katmanı tek başına çalışmaz; bizim diğer kompetanslarımızla birleşerek uçtan uca bir çözüm oluşturur:

  • Dual energy görüntü işleme — görüntüyü üretir ve malzeme bilgisini (Zeff, yoğunluk) sağlar.
  • Dedektör entegrasyonu — kararlı, senkronize veri akışını sağlar.
  • Kontrolör — tespit sonucuna göre alarm, ışık/ses uyarısı veya pnömatik eleme gibi mekanizmaları tetikler (gıda ve NDT hatlarında).

Birlikte çalışma formatları

  • Fizibilite ve pilot — test örnekleriyle röntgen kontrastının ve tespit edilebilirliğin değerlendirilmesi.
  • Model geliştirme — veri toplama / etiketleme, eğitim ve doğrulama, hedef metriklerin belirlenmesi.
  • Hatta entegrasyon — modelin gerçek zamanlı çıkarım ile mevcut sisteme yerleştirilmesi.
  • Destek ve iyileştirme — sahadan gelen örneklerle sürekli yeniden eğitim ve bakım.
İletişim

Tanıma görevinizi birlikte değerlendirelim

Hangi nesneleri veya kusurları tespit etmeniz gerektiğini ve hangi ekipmanla çalıştığınızı anlatın — uygulanabilirliği değerlendirip bir pilot ve yol haritası önerelim. Mümkünse test örnekleri hazırlayın.