Problem
Toplam doğruluk, kalite ekibine hangi kusur sınıflarının daha sık yanlış sınıflandırıldığını veya hangi belirsiz durumların önce uzman incelemesine alınması gerektiğini tek başına söylemez.
Teknik vaka çalışması
Visual QC Project
1.800 NEU-CLS görüntüsü üzerinde çelik kusuru sınıflandırması, model kıyaslaması, hata analizi ve insan inceleme kuyruğu; ölçülmüş embedding-RAG yardımcısı ve 3B dijital ikiz ile genişletilmiştir.
Uygun rol
Uygulamalı Veri BilimciBilgisayarlı GörüYapay Zekâ MühendisiEndüstriyel Analitik
Teknik açıklamalar Türkçeye çevrilmiştir. Sonuç metriklerinin ölçüm koşulları, başarısız denemeler ve kaynak bağlantıları özgün proje kanıtlarıyla aynı kapsamda korunur.
Hızlı teknik inceleme
Teknik vaka çalışması: dört temel nokta.
Mimari
Belirlenimci 80/20 ayrılmış test kümesi, HOG, Gabor ve grid özelliklerini baz model, Logistic Regression ve Random Forest yaklaşımlarında karşılaştırır.
Sonuçlar
6 sınıfta 1,800 NEU-CLS görüntüsü
Doğrulama yolu
Uygulama ayrıntılarından önce vaka çalışmasını ve model karşılaştırma çıktılarını inceleyin.
Kaynaklarda yayımlanmış teknik kanıtlar kullanılmıştır. Ölçüm koşulları için tam vaka çalışmasını inceleyin.
Kanıta dayalı görsel inceleme
Projenin gerçek çıktılarını inceleyin.
Gerçek proje ekran görüntüleri ve kaynak figürleri, kaynaklarıyla birlikte sunulur.
Tarihli demo ekran görüntüsü
2026-10-14 tarihli herkese açık demo görüntüsüdür; demonun şu anda erişilebilir olduğunu kanıtlamaz.
Yayımlanmış kaynağı aç6 sınıfta 1,800 NEU-CLS görüntüsü
0.9389 doğruluk / 0.9392 makro F1
En üst 20% inceleme kuyruğu hataların 81.8% bölümünü yakalar
Proje kanıtları
Doğrulanabilir dış kaynaklar
Son doğrulama 2026-10-05
Kaynak kanıtı
Live HMI with 3D line twin
Kaynak kanıtı
RAG map
Kaynak kanıtı
SPC p-chart
Kaynak kanıtı
In-browser ResNet-18 demo (Hugging Face Space)
Kaynak kanıtı
Repository
Kaynak kanıtı
RAG case study
Kaynak kanıtı
Kaggle notebook: 100% accuracy and where it ends
Kaynak kanıtı
ResNet-18 model card on Hugging Face
Etkileşimli görünüm yükleniyor...
Problem ve yaklaşım
Problem
Toplam doğruluk, kalite ekibine hangi kusur sınıflarının daha sık yanlış sınıflandırıldığını veya hangi belirsiz durumların önce uzman incelemesine alınması gerektiğini tek başına söylemez.
Mimari
Belirlenimci 80/20 ayrılmış test kümesi, HOG, Gabor ve grid özelliklerini baz model, Logistic Regression ve Random Forest yaklaşımlarında karşılaştırır.
İnceleme mantığı
Tahmin entropisine göre sıralama, güvenin düşük olduğu örnekleri öne alır; sınırlı insan inceleme bütçesiyle model hatalarının orantısız biçimde büyük bölümü yakalanabilir.
Yapay zekâ mühendisliği katmanı
BGE-base embeddingleri Chroma üzerinden kullanılmış; dört yöntemli erişim kıyaslamasından sonra seçilmiştir. Yerel Qwen2.5 üretici ve istem, erişimsiz kontrolle karşılaştırılan NLI tabanlı kaynak sadakati ölçümleriyle belirlenmiştir.
Neden önemli?
Bilgisayarlı görü değerlendirmesini, sınıf düzeyinde hata analizini ve uygulanabilir insan denetimli kalite inceleme stratejisini aynı iş akışında birleştirir.
Mimari ve analiz
- Altı çelik yüzeyi kusur sınıfında dengeli 1,800 NEU-CLS görüntüsünü değerlendirir.
- Gözlenen hataların hangi sınıflarda yoğunlaştığını Pareto ve sınıf bazlı analizle gösterir.
- Tahminleri operasyonel bir yol olmaksızın göstermek yerine model belirsizliğini inceleme kuyruğuna dönüştürür.
- Gerçek erişim sonuçlarından işaretlenen pasajları 3D embedding haritasında gösterir; izdüşüm bozulması sayfada açıkça belirtilir.
- Simüle edilmiş üretim hattını tarama gantrisi, NEU kusur sınıflarına bağlı ayırma iticisi ve uygun ürün istiflemesiyle canlı 3D dijital ikiz olarak sunar.
- Operatörün reddedilen parçanın tahmin edilen kusurunu onaylamasına veya düzeltmesine imkân verir; kararlar ziyaretçi bazında saklanır ve kalite mühendisi için CSV olarak dışa aktarılır.
- Parti başına ret oranını 3-sigma kontrol sınırlarıyla gösteren SPC p-chart ve Random Forest ile aynı ayrılmış kümede karşılaştırılmak üzere oluşturulmuş CNN (ResNet18 / EfficientNet-B0) hattı ekler.
Test ve doğrulama
- Postgres (SQLite yedeği) kalıcılığı, sürümlü göçler, satır kotaları ve genel yazma uç noktalarında istemci başına hız sınırları olan operatör kuyruğu
- Sentetik veri üzerinde doğrulanmış sıcaklık ölçekleme, ECE, bootstrap aralıkları, Grad-CAM ve ONNX dışa aktarımlı CNN karşılaştırma hattı. Ayrı ince ayarlı ResNet-18 baz modeli (cnn/train_cnn.py), NEU-CLS rastgele ve bloklanmış 80/20 ayırımlarında 1.000 doğruluk elde eder; depo bunu üretime hazır oluş değil doygun kıyaslama olarak yorumlar.
- Dockerfile ve docker-compose (uygulama + Postgres); Python 3.12 üzerinde ruff, mypy, 80% kapsama alt sınırı, Postgres servisi ve Playwright uçtan uca testleri içeren CI
- HOG, Gabor filtre bankası ve grid istatistikleri özellik hattı
- Model kıyaslaması, karmaşıklık matrisi, sınıf metrikleri ve Pareto hata çıktıları
- Sürümlenmiş JSON kanıtıyla entropi sıralamalı inceleme kuyruğu analizi
- Sabitlenmiş Wikipedia derlemi, erişim kıyaslaması, Chroma indeksi, NLI kaynak sadakati ve UMAP izdüşümü içeren RAG hattı
- Simülasyon API’siyle eşzamanlı Three.js hat ikizi ve 2D alternatif
Operasyonel değer
- Seçilen Random Forest modeliyle 0.9389 doğruluk ve 0.9392 makro F1 elde eder.
- İki kusur sınıfının gözlenen hataların yaklaşık 64% bölümünü oluşturduğunu gösterir.
- Entropiye göre sıralanmış en üst 20% inceleme kuyruğu, model hatalarının 81.8% bölümünü yakalar.
- RAG erişim sistemi, 77 sorunun 94.8% bölümünde tam kaynak pasajını ilk 4 sonuç arasına koyar (TF-IDF baz çizgisi: 89.6%).
- Üretilen yanıt cümlelerinin 75.7% bölümü erişilen pasajlar tarafından desteklenir; aynı modelin erişimsiz hâlinde bu oran 20.7% düzeyindedir.
- İnce ayarlı ImageNet ResNet-18, rastgele ve bloklanmış testte 1.000 doğruluğa (360/360) ulaşır; bu nedenle NEU-CLS artık modelleri ayırmaya yetmez. Test zamanı ciddi sensör gürültüsünde doğruluk yaklaşık 0.34-0.39, güçlü bulanıklıkta 0.36-0.38 düzeyine iner.
Nasıl incelenir
- Uygulama ayrıntılarından önce vaka çalışmasını ve model karşılaştırma çıktılarını inceleyin.
- Sınıf bazlı hata biçimlerini anlamak için karmaşıklık matrisi ve Pareto analizini kontrol edin.
- Operasyonel ana karar yüzeyi olarak entropi tabanlı inceleme kuyruğu eğrisini kullanın.
- Bu sayfadaki embedding haritasını döndürüp örnek bir soru seçin: vurgulanan pasajlar ekrandaki en yakın noktalardan değil, gerçek 768-d ilk 4 erişim sonucundan gelir.