Gage’i, bir parça görüntüsüne verilen anomali kararının nedenini inceleyebilmek için geliştirdim. Skorun yanında normal referansı ve fark haritasını gösterdim; inceleyen kişinin yanlış kararı kaydedebilmesini sağladım.
Normal referanslarla yerel görsel anomali incelemesi
Katkım
Referans karşılaştırmalarını, deney düzenini ve yerel inceleme arayüzünü geliştirdim.
Yıl
2026
İçindekiler
Parça incelemesinde kararı takip edebilmek
Gage’i, hatalı işaretlenen bir parçanın kararını inceleyebilmek için geliştirdim. Sistemin verdiği sayı, alarmın hangi tarafta kaldığını gösteriyor. Parçadaki bir izi ya da kenarı kontrol ederken ise görüntüyü ve normal bir örneği de görmek gerekiyor. Kararın dayanağını aynı ekranda tutmak istedim.
İlk deneyi ortasında dairesel açıklık bulunan, üretilmiş dikdörtgen plakalarla sınırladım. Python ve CPU üzerinde çalışan yerel bir uygulama kurdum. Bu kapsam sayesinde normal örnekleri hazırlamaktan sonucu incelemeye kadar bütün akışı çalıştırabildim. Bir tahminin hangi referanstan geldiğini bulabiliyor, hataları ölçebiliyor ve inceleme sırasında yapılan düzeltmeyi ayrı kaydedebiliyordum. Deneydeki parçanın, normal bankasının ve sonradan eklenen insan kararının birbirine karışmaması başlangıçtan itibaren tasarımın bir parçasıydı.
İlk örnek olarak yanlış alarmı açmak
Varsayılan tekrar ekranına p20-v0 adlı normal görüntüyü koydum. Yama yöntemi bu görüntüye yaklaşık 0,004646 skor veriyor; kaydedilmiş eşik ise 0,003627. Sonuç bu yüzden anomali oluyor ve karşılaştırma için p00-v0 normal referansı dönüyor. Ekranı açan kişinin hemen inceleyebileceği somut bir hata vardı.
Parçayı, ısı haritasını ve referansı yan yana gösterdim. Haritada öne çıkan bölgelere bakıp kararı normal olarak düzeltebiliyor, inceleme notu ekleyebiliyorum. Kaydettiğim düzeltme ilk tahminin üzerine yazılmıyor. Böylece aynı örneğe döndüğümde hem sistemin alarmını hem de inceleme kararını görebiliyorum. Bu örnek üzerinden, farkın gerçekten bir kusurdan mı yoksa normal bankasının yeterince temsil etmediği bir görünümden mi kaynaklandığını araştırabiliyorum. İlgili görüntü kimliği de kayıt boyunca korunuyor.
Referansla karşılaştırma fikrini, bir parçayı şablonuna hizalayan bu karakterle anlattım.
İncelemeyi tek ekranda tamamlamak
Streamlit arayüzünde iki giriş yolu oluşturdum: mevcut deney görüntülerinden birini yeniden açmak veya üretilmiş bir PNG yüklemek. Aktif yöntem, kayıtlı bankanın kimliği ve doğrulamada seçilmiş eşik, inceleme başlamadan görünüyor. İncele düğmesi yeni işlemi başlatırken önce eski sonucu temizliyor. Hatalı bir isteğin altında önceki başarılı sonucun kalmasını böyle engelledim.
Sonuçta skor ve karar üstte, incelenen görüntü ile ısı haritası ve referans altta yer alıyor. Haritanın renklerini ekranda okunması için ölçekledim; hesaplamada özgün değerleri korudum. Düzeltme alanını bu görüntülerin hemen altına koydum. Boş yükleme açık bir hata veriyor. Referans önizlemesi doğrulanamıyorsa geçerli skoru koruyup uyarı gösteriyorum. Kaydedilmiş deney sonuçları da aynı sayfada ayrı bir bölümde okunabiliyor.
Uygulama ekranları
1 / 2
Normal bir görüntüye verilen alarmı, fark haritasını ve referansı birlikte inceleyip düzeltme kaydını sakladım.
42 rastgelelik tohumu ile 30 parça grubunda toplam 90 RGB görüntü ve kusur maskeleri ürettim. On iki grup, eğitim için 36 normal görünüm sağladı. Sekiz grubu 24 doğrulama görüntüsüne, on grubu 30 test görüntüsüne ayırdım. Bir parçanın görünümlerini aynı kümede tutarak eğitim ve ölçüm arasında ayrım kurdum.
Dosyaların çözülmüş görüntü içeriklerini karşılaştırınca bu ayrımın sınırı ortaya çıktı. Doksan dosyada yalnız 83 farklı görüntü vardı. Testteki on normal görüntünün üçü eğitimdeki içerikle birebir aynıydı. Sonuçları gördükten sonra bu dosyaları çıkarıp aynı deneyi temizlenmiş gibi sunmadım. Çakışmaları kaydettim ve ölçümü özgün veriyle korudum. İçeriği tekilleştirilmiş bir karşılaştırmayı, yeni kimliği ve yeni ayrımı olan ayrı bir deney olarak ele almak gerekiyor.
Görüntüyü ölçüm etiketlerinden ayırmak
Veri yükleme, skor hesaplama, değerlendirme ve inceleme kayıtlarını ayrı modüllere böldüm. Komut satırı ile arayüz aynı çekirdeği çağırıyor. Bankanın kurulmasına yalnız normal eğitim pikselleri giriyor. Tahmin adımı ise bir RGB görüntü ile kaydedilmiş bankayı alıp skor, ısı haritası ve referans kimliği döndürüyor. Etiket ve kusur maskelerini değerlendirme tarafında tutuyorum.
Sayısal banka dosyalarında eğitim kimlikleri ve yapılandırma bilgileri bulunuyor. Yüklerken boyutları, sonlu sayıları ve içerik özetlerini kontrol ediyor, pickle kullanımını kapalı tutuyorum. Tekrar listesinde önce kimlikleri okuyup inceleme sırasında seçilen görüntüyü çözüyorum. Böylece tekrar verisinin bilgileri eksik olsa bile yüklenen bir görüntü kayıtlı bankayla skorlanabiliyor. Arayüzün görevi, aynı tahminin çevresine okunabilir kanıt ve inceleme kontrolleri yerleştirmek oldu.
Açıklayabildiğim bir piksel karşılaştırması kurmak
Başlangıç yöntemi için görüntüyü gri seviyeye dönüştürdüm. Her normal eğitim görüntüsüyle mutlak piksel farkını hesaplayıp ortalama farkı en düşük referansı seçiyorum. O referansla oluşan farklar ısı haritasını oluşturuyor. Görüntü skorunu da en yüksek yüzde birlik dilimin ortalamasından üretiyorum. Böylece küçük bir değişiklik, bütün parçanın ortalamasında fazla seyrelmeden kararı etkileyebiliyor.
Bu yöntemde yeniden boyutlandırma veya geometrik hizalama uygulamadım. Ekranda görünen kaymış bir kenarın ya da parlaklık farkının nereden geldiğini takip etmek kolaylaştı. Aynı seçim, yöntemin hangi koşullara dayandığını da açık hale getirdi: geometrinin karşılaştırılabilir, ışığın yeterince tutarlı olması gerekiyor. Nominal akış çalıştıktan sonra ışık ve konum deneylerini bu varsayımlar üzerinden planlayabildim. İlk karşılaştırmanın basitliği, sonraki yöntemin katkısını okumama da yardımcı oldu.
Tam konum eşleşmesinden yamalara geçmek
İkinci yöntemde 96×96 görüntüyü 8×8 yamalara böldüm. Her yama için sekiz özellik kullandım: RGB ortalamaları ve standart sapmaları ile yatay ve dikey gri seviye gradyan büyüklükleri. Bu değerler bir ağ eğitmeden yerel rengin ve değişimin kısa bir temsilini veriyor.
Sorgu yaması, normal bankanın herhangi bir konumundaki yamayla eşleşebiliyor. En yakın mesafeyi haritadaki ilgili hücreye yayıyorum. Ekrana dönen tek referansı ise görüntü genelindeki toplu karşılaştırma seçiyor. Dolayısıyla haritadaki her hücrenin en yakın karşılığı aynı normal görüntüden gelmeyebilir. İnceleme ekranını okurken bu ayrımı korudum. Referans genel bir karşılaştırma sunuyor; harita bütün bankadan yararlanıyor. Sekiz piksellik hücreler de ince bir kusur sınırını gösterirken doğal olarak ayrıntı kaybediyor.
Testten önce alarm eşiklerini seçmek
Sürekli bir skoru alarma dönüştürmek için eşik gerekiyor. Eşiği doğrulama görüntülerinde seçtim: gözlenen yanlış alarm oranı yüzde onu aşmadan mümkün olduğunca fazla anomalinin yakalanmasını istedim. Ancak doğrulamada yalnız sekiz normal vardı. Tek bir yanlış alarm bile yüzde 12,5 anlamına geldiğinden kural, gözlenen sıfır yanlış alarma izin veriyordu.
Her iki yöntemin eşiklerini test görüntülerini skorlamadan kaydettim. Bölge haritasının eşiğini ayrıca, kusur maskesiyle örtüşmesine göre seçtim. Bu ayrımla iki soruyu birbirinden bağımsız sorabiliyorum: görüntü alarm verdi mi ve harita kusurun yerini gösterdi mi? Işık ve kaydırma tarifini de aynı kayıtla korudum. Sonuçlara dönerken hangi bankanın, hangi doğrulama seçiminin ve hangi dönüşümlerin kullanıldığı böylece izlenebilir kaldı.
Sıralamayı, alarmı ve bölgeyi ayrı okumak
Nominal testte on normal görüntü ve yirmi anomali vardı. Yama yönteminin AUROC değeri 1 çıktı. Bu ölçü, bu kümede anomalilerin normal görüntülerden daha yüksek sıralandığını anlatıyor. Sabit alarm eşiğinde ise yirmi anomalinin tamamını yakalarken on normalin üçünü yanlış işaretledi. İyi sıralama ile kullanılan karar sınırı farklı sonuçlar verdi.
Piksel farkı yönteminde AUROC 0,9075 olmasına rağmen sabit eşikte yirmi anomalinin hiçbiri alarm vermedi. Bölge örtüşmesi bunun tersine daha yüksekti: anomalilerde makro piksel IoU yaklaşık 0,893, yama yönteminde 0,266 oldu. IoU, tahmin edilen bölge ile beklenen bölgenin kesişimini birleşimine bölüyor. Bu değeri görüntü başına ortalamak, kusurun yerini bulma başarısını görüntüye alarm verme kararından ayrı değerlendirmemi sağladı.
Işığı ve konumu değiştirerek sınamak
Test görüntülerinin parlaklığını 0,7 ve 1,3 ile çarptım; ayrıca görüntüleri iki yatay yönde dörder piksel kaydırdım. Bütün varyantlar aynı otuz test görüntüsünden geliyor. Ana görüntü kimliğini koruyarak bunların bağımsız yeni örnekler yerine eşlenmiş dönüşümler olarak okunmasını sağladım. Eşikleri bu görüntülere bakarak değiştirmedim.
Yama yöntemi hem ışık hem öteleme grubundaki bütün normal görüntülere yanlış alarm verdi. Işık değişiminde iki yöntemin makro piksel IoU değeri yaklaşık 0,0069'a düştü. Geniş alana yayılan farklar kusur bölgesini bastırıyordu. Piksel farkı yöntemi nominal p20-v1 anomalisini de kaçırdı; haritası faydalı olsa da görüntü skoru eşik altında kalıyordu. Bu örnekleri korumak, aydınlatma, hizalama ve karar eşiği üzerinde yapılacak işleri ayrı ayrı görebilmemi sağladı.
İnceleme kaydının dayanağını korumak
Referansın dosya adı aynı kaldığında içeriği değişmiş olabilir. Önizlemeyi göstermeden önce eğitim görüntülerinin boyutlarını ve sıralı RGB içerik özetini doğruluyorum. Kontrol başarısız olursa görüntüyü göstermeyip sebebini yazıyorum. Kayıtlı tahmin dosyaları geçerliyse skor ve düzeltme akışı çalışmayı sürdürüyor. Bu kontrolün fazladan dosya okumasını skor hesaplama süresinden ayrı tutuyorum.
Düzeltmeleri görüntü ve banka kimlikleriyle ayrı bir yerel JSONL dosyasına yazdım. Aynı karar ve not yeniden kaydedildiğinde aynı düzeltme kimliği dönüyor; içerik değişirse yeni kayıt ekleniyor. Eklemeden önce eski satırları da doğruluyorum. Böylece tek kullanıcılı incelemede bir geçmiş oluşuyor. İnsan kararının eklenmesi, deney etiketlerini veya önceden kaydedilmiş ölçümü sessizce değiştirmiyor. Bozulmuş kayıt da başarı gibi gösterilmek yerine açık hata üretiyor.
Sonraki deneyi nasıl kurardım
Bu karşılaştırmadan sonra işe daha fazla yöntem ekleyerek başlamazdım. Önce içeriği tekilleştirilmiş yeni veri hazırlamak, parça gruplarını görünümlerden önce tanımlamak ve normal doğrulama örneği sayısını artırmak istiyorum. Işık ve konum değişimini ayrıca kontrol ederek kusurla görüntünün çekilme koşulları arasındaki farkı eşik seçiminde daha iyi ayırabilirim.
Ardından hizalama veya yoğunluk normalizasyonunu doğrulama kümesinde karşılaştırabilirim. Daha küçük ya da örtüşen yamalar bölge sınırlarını sınamak için uygun bir adım. Öğrenilmiş sabit özellikler ise ayrıca çalıştırılıp ölçülmeli. Hesaplama maliyetini de görünür tutacağım: kaydedilmiş Windows CPU deneyindeki yirmişer sıcak, tek görüntülük işlemin medyanı piksel farkında 2,569 ms, yamalarda 19,107 ms idi. Arayüzün referans doğrulama okumaları bu sürenin dışında kalıyor.