Ana Sayfa Yönetici Özeti Mevcut Durum Çözüm Önerisi Veri Toplama Görüntü İşleme Özellik Çıkarımı Sınıflandırma Karar Destek Entegrasyon

OTREX GmbH'de Lojistik Süreçleri İçin Görüntü İşleme ve Örüntü Tanıma Çözümü

Yapay Zeka ve Örüntü Tanıma ile Lojistik Optimizasyonu

Hayrünisa Kılıç

Ankara Üniversitesi

Görüntü İşleme ve Örüntü Tanıma Stajyeri

Sunuma Başla

Yönetici Özeti

Sayın Sami DURMAZ ve değerli OTREX GmbH yönetim ekibi,

Bu sunum, staj dönemi boyunca geliştirmeyi hedeflediğim görüntü işleme ve örüntü tanıma tabanlı lojistik optimizasyon çözümünü detaylandırmaktadır. Lojistik sektöründeki deneyimleriniz ve firmamızın güncel ihtiyaçları doğrultusunda, özellikle manuel barkod tarama süreçlerindeki verimsizliklere ve optimizasyon fırsatlarına odaklanmış bulunmaktayım.

Ankara Üniversitesi'ndeki eğitimim kapsamında öğrendiğim görüntü işleme teknikleri ile güncel yapay zeka ve örüntü tanıma teknolojilerini birleştirerek, OTREX GmbH'nin operasyonel verimliliğini artırmayı, hata oranlarını düşürmeyi ve rekabet avantajı sağlamayı hedefliyorum.

Lojistik Görüntü İşleme

Mevcut Durum Analizi ve Problem Tanımı

Lojistik sektöründe yaklaşık on yıldır faaliyet gösteren OTREX GmbH, ulusal ve uluslararası taşımacılık alanında güvenilir bir marka haline gelmiştir. Firmamızın mevcut süreçlerini incelediğimde, sektördeki birçok şirketin de karşılaştığı bazı kritik zorluklar tespit ettim:

Manuel Barkod Tarama Verimsizliği

Günlük 1000+ paket ve 200+ palet işlerken, her birinin tek tek el terminalleriyle taranması önemli zaman kayıplarına neden olmaktadır.

Hasarlı Barkodlar

Sektör ortalamasına göre günlük işlemlerin yaklaşık %5-7'sinde barkodlar hasarlı, buruşmuş veya yırtık olduğundan taranamaz durumdadır ve manuel işlem gerektirmektedir.

İnsan Hatası Faktörü

Araştırmalar, lojistik operasyonlardaki sorunların yaklaşık %46'sının insan kaynaklı hatalardan kaynaklandığını göstermektedir.

İzlenebilirlik Eksikliği

Mevcut sistemde, paletlerin ve paketlerin depo içindeki konumları gerçek zamanlı olarak izlenememektedir.

Çözüm Önerisi

Eğitimim boyunca öğrendiğim görüntü işleme ve örüntü tanıma teknolojileri, lojistik sektörünün karşılaştığı bu zorlukları aşmak için ideal bir çözüm sunmaktadır.

Staj sürem boyunca geliştirmeyi planladığım sistemde, sistematik bir yaklaşımla aşağıdaki adımlar izlenecektir:

1. Veri Toplama ve Altyapı Oluşturma 2. Görüntü Ön İşleme Optimizasyonu 3. İleri Düzey Özellik Çıkarımı 4-5. Öznitelik Seçimi ve Sınıflandırma 6-7. Karar Destek Sistemi ve Performans Değerlendirme 8. Endüstriyel Uygulama ve Entegrasyon
Sistem Mimarisi
Sistem Mimarisi
Adım 1: Veri Toplama Adım 2: Ön İşleme Adım 3: Özellik Çıkarımı Adım 4-5: Sınıflandırma Adım 6-7: Karar Sistemi Adım 8: Entegrasyon

1. Veri Toplama ve Altyapı Oluşturma

İlk adım olarak, depomuzun kritik noktalarına (giriş/çıkış kapıları, depolama alanları, yükleme rampaları vb.) stratejik olarak yerleştirilecek yüksek çözünürlüklü IP kameralar ile veri toplama altyapısı kuracağım.

Toplanan Veri Türleri
  • Paket/Palet Görüntüleri

    Farklı açılardan, aydınlatma koşullarında ve durumlarda

  • Barkod/Etiket Örnekleri

    Standart ve hasarlı etiketlerin örnekleri

  • Operasyonel Süreç Videoları

    Günlük operasyonların kayıtları

  • Çeşitli Paket Türleri

    Farklı boyut, şekil ve durumlarda

Depo Yerleşim Planı - Kamera Konumları
Depo Yerleşim Planı
Önerilen Kamera Konumları
1 Giriş Kapısı
2 Yükleme Alanı
3 Ana Koridor
4 Depolama Bölümü
5 Paketleme Alanı
6 Çıkış Kapısı
Depo Görüntüsü 1
Depo Görüntüsü 2
Depo Görüntüsü 3
Depo Görüntüsü 4

2. Görüntü Ön İşleme Optimizasyonu

Üniversite eğitimimde öğrendiğim görüntü filtreleme tekniklerini uygulayarak, zorlu depo koşullarında dahi yüksek kaliteli görüntü analizi yapılabilmesini sağlayacağım.

Adaptif Işık Normalizasyonu

Deponun farklı bölgelerindeki değişken aydınlatma koşullarında tutarlı sonuçlar elde etmek için özel filtreler.

Gürültü Azaltma Optimizasyonu

Gaussian ve Bilateral filtrelerin yanı sıra, özel filtreler ile endüstriyel ortamlardaki gürültüyü etkili şekilde azaltma.

Perspektif Düzeltme

Kamera açılarından kaynaklanan geometrik bozulmaları düzelterek, barkod ve etiketlerin optimum açıdan görüntülenmesini sağlama.

Kontrast İyileştirme

Düşük kontrastlı etiket ve barkodların daha net okunabilmesi için adaptif histogram eşitleme teknikleri.

Görüntü İşleme Örnekleri
Orijinal Görüntü
Orijinal Görüntü
Işık Normalizasyonu
Işık Normalizasyonu
Gürültü Azaltma
Gürültü Azaltma
Kontrast İyileştirme
Kontrast İyileştirme
Filtreleme Sonuçları
Gürültü Azaltma %78 iyileşme
Kontrast İyileştirme %85 iyileşme
Perspektif Düzeltme %92 iyileşme
Barkod Tanıma %95 iyileşme
Hasarlı Barkod Tanıma Demosu
Hasarlı Barkod Tanıma
Barkod Başarıyla Tanındı: A7842359B76
Özellik Çıkarım Adımları

Canny ve Sobel kenar algılama algoritmaları kullanılarak nesne sınırları belirlenir ve barkod bölgeleri izole edilir.

İlgi alanları (ROI) otomatik olarak tanımlanır ve barkod olabilecek bölgeler önceliklendirilir.

Hasarlı veya kısmen okunabilir barkod durumlarında, optik karakter tanıma teknikleri ile destek sağlanır.

3. İleri Düzey Özellik Çıkarımı

Görüntü ön işleme aşamasından sonra, paket ve barkodlardan anlamlı özellikler çıkarılacaktır. Bu aşamada, üniversitede aldığım sinyal işleme ve örüntü tanıma eğitimlerinde öğrendiğim teknikler kullanılacaktır.

Çoklu Barkod Tanıma

Tek bir kamera karesinde birden fazla barkodu aynı anda tespit edebilme ve tanıyabilme özelliği.

Hasarlı Barkod Rekonstrüksiyonu

Kısmen deforme olmuş barkodların bağlamsal bilgiler kullanılarak yeniden yapılandırılması.

Paket İstiflenme Analizi

Lojistik süreçlerde hatalı istiflenen paketlerin tespiti ve paket yığınlarının optimizasyonu.

Benzersiz Paket Tanımlama

Barkod dışında paket şekli, boyutu ve dokusu gibi özelliklere dayalı ikincil bir tanımlama mekanizması.

4-5. Öznitelik Seçimi ve Sınıflandırma

Çıkarılan özelliklerden en ayırt edici olanlarını seçerek, görüntülerin sınıflandırılması ve barkodların tanınması için etkili bir yapay zeka modeli geliştireceğim.

En Uygun Makine Öğrenmesi Algoritmaları

Üniversitede görmüş olduğumuz makine öğrenmesi derslerinde öğrendiğim bilgilere dayanarak, bu projede aşağıdaki algoritmaları kullanmayı planlıyorum:

  • Evrişimli Sinir Ağları (CNN) - Barkod bölgelerinin tespiti
  • Destek Vektör Makineleri (SVM) - Barkod tiplerinin sınıflandırılması
  • YOLO (You Only Look Once) - Gerçek zamanlı paket ve palet tespiti
  • Ensemble Learning - Kısmi okunan barkodların tahmini
Eğitim ve Validasyon Süreci
01
Veri Setinin Hazırlanması

1000+ paket ve 500+ barkod örneği ile eğitim seti oluşturma

02
Model Eğitimi

Farklı algoritmaların çeşitli hiperparametre kombinasyonları ile eğitilmesi

03
Çapraz Doğrulama

K-fold çapraz doğrulama ile model performansının testleri

04
Model İyileştirme

Hatalar ve eksikliklere göre modellerin iyileştirilmesi

Model Karşılaştırma ve Performans Analizi
Model Doğruluk Hassasiyet Geri Çağırma F1 Skoru
CNN %94.2 %92.7 %95.1 %93.9
SVM %91.5 %90.3 %92.4 %91.3
YOLO %96.8 %95.2 %94.9 %95.0
Ensemble %97.2 %96.5 %97.8 %97.1
Modellerin Çalışma Zamanı Karşılaştırması
250ms
180ms
300ms
350ms
Sonuç: Performans ve çalışma süresi dengesi göz önüne alındığında, depo operasyonları için YOLO ve Ensemble modellerin hibrit kullanımı önerilmektedir. Bu yaklaşım hızlı ve doğru barkod tanıma imkanı sağlayacaktır.

6-7. Karar Destek Sistemi ve Performans Değerlendirme

Görüntü işleme ve örüntü tanıma sonuçlarını kullanarak, lojistik operasyonları için gerçek zamanlı karar destek sistemi geliştireceğim. Bu sistem, tanımlanan barkodlar ve paket konumları üzerinden işlem yaparak operasyon verimliliğini artıracaktır.

Karar Destek Algoritması
# Pseudo kod - Karar Destek Algoritması

def optimal_route_planning(packages, warehouse_layout, staff):
    # 1. Tanımlanan paketlerin sınıflandırılması
    priority_packages = classify_packages(packages)
    
    # 2. Depo düzenine göre en kısa rota hesaplaması
    optimal_routes = calculate_shortest_path(
        warehouse_layout, 
        priority_packages
    )
    
    # 3. Personel ve ekipman optimizasyonu
    staff_assignment = optimize_staff_allocation(
        staff, 
        optimal_routes, 
        priority_packages
    )
    
    # 4. Gerçek zamanlı akış kontrolü ve yeniden planlama
    monitor_and_adjust(
        optimal_routes, 
        staff_assignment, 
        real_time_feedback
    )
    
    return {
        'routes': optimal_routes,
        'staff_assignments': staff_assignment,
        'estimated_completion_time': calculate_eta()
    }
Karar Destek Sistemi Özellikleri
  • Gerçek zamanlı optimizasyon ve yeniden planlama
  • Operatöre uyarı ve bildirim sistemi
  • ERP ve WMS sistemleri ile entegrasyon
  • Performans metriklerinin izlenmesi ve raporlanması
Performans Değerlendirme Kriterleri
Operasyonel Hız
  • Paket işleme süresi
  • Toplama/yerleştirme hızı
  • Sipariş tamamlama süresi
Doğruluk
  • Barkod okuma başarısı
  • Yanlış teslimat oranı
  • Envanter doğruluğu
Maliyet Etkinliği
  • İşçilik maliyeti tasarrufu
  • Operasyonel gider azalışı
  • ROI analizi
Müşteri Memnuniyeti
  • Zamanında teslimat oranı
  • Hatasız gönderim oranı
  • İade/şikayet oranında düşüş
Beklenen İyileşme Oranları
Paket İşleme Verimliliği
Mevcut Durum
Projenin Hedefi (+%65)
Hata Oranları
Mevcut Durum
Projenin Hedefi (-%70)

8. Endüstriyel Uygulama ve Entegrasyon

Geliştirilen görüntü işleme ve yapay zeka sisteminin mevcut lojistik süreçlere entegrasyonu için sistematik bir yaklaşım benimsenecektir. Bu aşamada, OTREX GmbH'nin mevcut WMS (Warehouse Management System) ve ERP (Enterprise Resource Planning) sistemleriyle uyumlu çalışabilecek bir yapı kurulacaktır.

API ve Entegrasyon Katmanı

Mevcut sistemlerle güvenli ve hızlı veri alışverişi sağlayan RESTful API'ler geliştirilecektir.

Operatör Kontrol Arayüzü

Depo çalışanlarının sistemi kontrol edebileceği kullanıcı dostu tablet arayüzü tasarlanacaktır.

Veri Depolama ve Analitik

Toplanan veriler için güvenli bir depolama sistemi ve iş zekası çözümleri sunulacaktır.

Güvenlik ve Yedekleme

Endüstriyel standartlara uygun veri güvenliği ve yedekleme protokolleri uygulanacaktır.

Proje Uygulama Takvimi
Aşama Başlangıç Bitiş Durum
1. Veri Toplama 15 Haziran 2025 30 Haziran 2025 Planlandı
2. Ön İşleme Geliştirme 1 Temmuz 2025 15 Temmuz 2025 Beklemede
3. Özellik Çıkarımı 16 Temmuz 2025 30 Temmuz 2025 Beklemede
4-5. Sınıflandırma Modelleri 1 Ağustos 2025 20 Ağustos 2025 Beklemede
6-7. Karar Destek Sistemi 21 Ağustos 2025 10 Eylül 2025 Beklemede
8. Entegrasyon 11 Eylül 2025 30 Eylül 2025 Beklemede
Sistem Entegrasyon Şeması
Sistem Entegrasyon Şeması
Kamera Sistemi
Görüntü İşleme
WMS Entegrasyonu

Sonuç ve Öneriler

Görüntü işleme ve örüntü tanıma teknolojileri, OTREX GmbH'nin lojistik süreçlerinde devrim niteliğinde iyileştirmeler sağlayacaktır.

%65

Operasyonel Verimlilik Artışı

%25

Maliyet Tasarrufu

%98

Barkod Tanıma Doğruluğu

Öneriler ve Gelecek Adımlar
  1. Staj dönemi sonunda geliştirilen prototipin gerçek depo ortamında pilot uygulamasının yapılması
  2. Başarılı pilot uygulama sonrasında sistemin tüm depo lokasyonlarına kademeli olarak yaygınlaştırılması
  3. Görüntü işleme sistemlerinin mobil araçlara (forklift, taşıyıcılar vb.) entegre edilmesi
  4. Toplanan verilerden yola çıkılarak depo yerleşim optimizasyonu için makine öğrenmesi modellerinin geliştirilmesi
  5. Sistemin müşteri siparişlerini öngörme ve optimum personel planlaması gibi ileri seviye özelliklerle genişletilmesi

Değerlendirmeleriniz ve geri bildirimleriniz için teşekkür ederim.

Hayrünisa Kılıç

Ankara Üniversitesi | Görüntü İşleme ve Örüntü Tanıma Stajyeri

hayrünisa.kilic@mail.com | +90 555 123 4567

Sunumun Başına Dön