Bu araştırma, gemi yapılarında robotik kaynak yolunun nominal CAD geometrisine bağlı kalmadan gerçek iş parçasının görsel ve üç boyutlu geometrisinden otomatik olarak çıkarılmasını amaçlamaktadır. Sistem, altı eksenli KUKA KR-16-L6-2 robot, doğrusal hareket ekseni, monokrom görüş sistemi ve nokta bulutu taramasını; SURF–FLANN görüntü birleştirme, RANSAC düzlem ayrıştırma ve PCA tabanlı kontur yeniden oluşturma algoritmalarıyla birleştirmektedir. Beş farklı iş parçası türünde toplam 25 deneme sonucunda çevrimiçi görüş yönteminin kaynak dikişi konumlandırma RMSE'si 0,82 mm, maksimum mutlak hatası 1,50 mm olarak raporlanmıştır. Aynı karşılaştırmada CAD tabanlı çevrimdışı programlama 4,15 mm RMSE ve 5,89 mm maksimum mutlak hata vermiştir. Ancak çalışma düzlemsel kaynak yollarına odaklanmaktadır; kaynak banyosu kalitesi, kaynak penetrasyonu ve eğrisel üç boyutlu dikişlerin kapalı çevrim takibi bu araştırmada doğrulanmamıştır.

Çalışmanın çıkış noktası, gemi bloklarının üretiminde gerçek parçanın nominal CAD modelinden sapabilmesidir. Kesme, şekillendirme, montaj ve ön kaynak işlemleri parçaların gerçek geometrisini değiştirebildiği için yalnız CAD koordinatlarından oluşturulan robot yolu gerçek kaynak dikişinden birkaç milimetre uzaklaşabilmektedir. Araştırmacılar bu problemi robotun parçayı kaynak işleminden önce taraması ve yolu gerçek ölçülen geometri üzerinden yeniden üretmesiyle çözmeye çalışmaktadır.

Önerilen yöntemde iki boyutlu görüntü ve üç boyutlu nokta bulutu işleme birbirinin alternatifi değil, aynı algılama zincirinin farklı katmanlarıdır. Geniş iş parçalarında birden fazla görüntü SURF özellikleri ve FLANN eşleştirmesiyle birleştirilirken üç boyutlu veride taban düzlemi RANSAC ile ayrıştırılmakta, gürültü istatistiksel filtreyle temizlenmekte, yüzey normalleriyle istenmeyen yan yüzeyler elenmekte ve kalan bileşenlerin yönü ile konturu PCA üzerinden çıkarılmaktadır.

Sistem yalnız kaynak çizgisini bulmakla kalmamaktadır. Yeniden oluşturulan bileşen konturlarının çevresinde kaynak torcu için çalışma hacimleri tanımlanmakta ve başka yapısal elemanlarla çakışan yol parçaları otomatik olarak dışarıda bırakılmaktadır. Böylece çıktı, algılanan bütün geometrik kenarların kör biçimde takip edilmesi yerine kaynak torcu açısından uygulanabilir olarak değerlendirilen yol parçalarından oluşturulmaktadır.

Türkiye açısından çalışma özellikle tersane otomasyonu, büyük çelik konstrüksiyonlar ve değişken montaj toleranslarının bulunduğu robotik kaynak hücreleri için dikkate değer bir yöntem örneğidir. Bununla birlikte çalışmadaki 0,82 mm RMSE değeri farklı kamera, robot, iş parçası yüzeyi, aydınlatma, titreşim veya kaynak geometrisinde doğrudan beklenen performans olarak kullanılmamalıdır. Yeni bir üretim hattında kamera kalibrasyonu, robot koordinat dönüşümü, nokta bulutu eşiği ve geometrik filtrelerin yeniden doğrulanması gerekir.

Araştırmanın temel problemi nedir?

Gemi yapılarında robotik kaynak yolunun yalnız CAD modelinden oluşturulması, gerçek iş parçasının üretim ve montaj sırasında geometrik olarak nominal modelden sapması nedeniyle konum hatasına yol açabilmektedir. Kesme, şekillendirme ve ön montaj kaynaklı deformasyonlar robotun önceden programlanmış dikiş yolunu fiziksel birleşim çizgisinden uzaklaştırabilir.

Çalışmada geleneksel çevrimdışı programlama ile önerilen çevrimiçi görüş yaklaşımı arasındaki fark bu noktada kurulmaktadır. Çevrimdışı yöntemde robot yolu nominal tasarım geometrisinden türetilirken çevrimiçi yöntemde gerçek iş parçası taranmakta ve dikiş konumu ölçülen geometri üzerinden hesaplanmaktadır.

Çalışmanın hedeflediği araştırma boşluğu nedir?

Araştırmacılar önceki görüş tabanlı kaynak tanıma çalışmalarının önemli bir bölümünün basit kaynak birleşimlerine veya tekil parçalara odaklandığını belirtmektedir. Gemi yapılarında ise aynı çalışma alanında birden fazla plaka, takviye elemanı, eğimli veya kavisli kenar ve kaynak torcunun hareketini engelleyebilecek yapılar birlikte bulunabilir.

Bu nedenle araştırma üç problemi aynı sistem içinde ele almaktadır:

• geniş iş parçalarının çok kareli görüntülerinin birleştirilmesi,
• karmaşık 3D nokta bulutundan kaynak yapılacak bileşenlerin ayrılması ve konturlarının çıkarılması,
• tanınan kenarlar arasından çarpışma riski taşımayan kaynak yolu segmentlerinin seçilmesi.

Robotik sistem nasıl kurulmuştur?

Fiziksel sistemin merkezinde altı eksenli KUKA KR-16-L6-2 endüstriyel robot bulunmaktadır. Kaynakta robotun tekrarlanabilirliği ±0,05 mm olarak verilmiştir. Robot KR C4 kontrol kabini ve KUKA smartPAD ile yönetilmekte, kaynak güç kaynağı olarak EWM Phoenix 551 Puls kullanılmaktadır.

Gemi yapısal parçalarının büyük boyutları nedeniyle robot ayrıca hassas kılavuz ve servo tahrikli doğrusal hareket rayına bağlanmıştır. Bu harici eksen robotun normal erişim alanından daha geniş parçaları tarayabilmesini sağlamaktadır.

Sistemde Servo-Robot POWER-TRAC lazer takip modülü de bulunmaktadır. Ancak araştırmanın ana konusu bu modülün kaynak sırasında yaptığı ince gerçek zamanlı dikiş takibi değil, görüş sistemiyle gerçekleştirilen ön/üst seviye kaynak dikişi konumlandırmasıdır.

Görüş sistemi kaynak dikişini nasıl tarıyor?

İş parçası kaynak istasyonuna geldiğinde ana bilgisayar hareket ve görüş sistemleriyle TCP/IP bağlantısı kurmaktadır. Robot önceden tanımlanan tarama yolunda hareket ederken konumu ve kinematik durumu ana bilgisayara aktarılır.

Kaynakta tarama hızı:

0,35 m/s

olarak belirtilmiştir. Kararlı hız sağlandığında görüş sistemi veri toplamaya başlamakta ve çizgisel lazer profilleri robot pozlarıyla eşzamanlı biçimde kaydedilmektedir.

Veri toplama hızı:

1 kare/s

olarak seçilmiştir. Araştırmacılar bu değerin nokta bulutu yoğunluğu ile işlem kapasitesi arasında deneysel bir denge amacıyla belirlendiğini ifade etmektedir.

Sürekli lazer profilleri birleştirilerek yapının ham üç boyutlu nokta bulutu oluşturulur. Daha sonra önceden kalibre edilmiş el–göz dönüşüm matrisi kullanılarak sensör verileri robotun/global koordinat sistemine dönüştürülür.

Neden monokrom kamera seçilmiştir?

Gemi yapılarındaki parçalar çoğunlukla renk bilgisinin ayırt edici olmadığı metal yüzeylerdir. Araştırmacılar bu nedenle renkli kameranın ek tanıma bilgisi sağlamayacağını değerlendirerek monokrom endüstriyel kamera seçmiştir.

Metinde kamera modeli Medway MV-GED200M-T, lens ise MV-LD-8-3M-A olarak verilmektedir. İlgili şekil açıklamasında marka adı “Midway Vision” biçiminde geçmektedir; kaynak içindeki bu yazım farklılığı düzeltilmemiştir.

Gerçek tersane aydınlatmasında, yardımcı ışık kullanılmadan 40'tan fazla örnek görüntü toplanmıştır. Araştırmacılar örneklerde belirgin speküler yansıma, geometrik bozulma, ölü piksel veya aşırı gürültü gözlenmediğini ve görüntü kalitesinin sonraki işleme için yeterli olduğunu raporlamaktadır.

SURF ve FLANN neden birlikte kullanılmıştır?

Büyük gemi parçalarının tamamı tek görüntüye sığmadığı için çoklu görüntü birleştirme uygulanmıştır. SURF, örtüşen görüntülerde ayırt edici özellik noktalarını çıkarmak; FLANN ise farklı karelerdeki benzer özellikleri eşleştirmek için kullanılmıştır.

Çalışmada OpenCV'nin Stitcher sınıfı bu eşleşmeler üzerinden panoramik görüntü üretmek için kullanılmıştır. Ayrıca iş parçası üç örtüşen bölüme ayrılarak çok kareli birleştirme denenmiş ve yöntemin geniş iş parçalarında kullanılabilirliği görsel olarak gösterilmiştir.

Görüntü gürültüsü nasıl azaltılmıştır?

Ortalama, Gauss ve medyan filtreleri karşılaştırılmıştır. Araştırmacıların görsel değerlendirmesine göre ortalama filtre kenar ayrıntılarını daha fazla bulanıklaştırmış, Gauss filtresi saçılmış gürültüyü sınırlı ölçüde bastırmış; medyan filtre ise izole gürültüyü azaltırken kaynak yolu kenarlarını daha iyi korumuştur.

Bu nedenle sonraki eşikleme ve kenar çıkarma işlemlerinde medyan filtre tercih edilmiştir.

3D nokta bulutu nasıl temizlenmiştir?

Ham nokta bulutu yalnız kaynak yapılacak bileşenleri değil, taban plakasını, tezgâhı ve ölçüm gürültüsünü de içerir. Araştırmacılar bunu üç aşamalı filtreyle temizlemiştir.

1. RANSAC ile kaba filtreleme

Random Sample Consensus (RANSAC), en büyük yatay nokta kümesine bir düzlem uydurmak için kullanılmıştır. Bu düzlem taban plakası veya çalışma tezgâhı olarak kabul edilmekte ve Z eksenindeki geçiş filtresiyle alt bölgeler kaldırılmaktadır.

Yöntem açıklamasında RANSAC iç nokta mesafe eşiğinin deneysel olarak 1,0 mm seçildiği belirtilmektedir. Buna karşılık daha önce verilen sözde kodda `distance threshold=2.0` görülmektedir. Kaynak iki değerin neden farklı olduğunu açıklamamaktadır.

2. İstatistiksel aykırı değer temizleme

Her noktanın komşularına olan ortalama mesafesine göre gürültü noktaları elenmektedir. Kaynakta:

• komşu sayısı: \(k=50\),
• standart sapma çarpanı: 1,0

olarak verilmiştir.

3. Yüzey normali filtresi

İş parçasının ince yan yüzlerinden gelen noktaları kaldırmak için yüzey normalleri hesaplanmıştır. Z ekseniyle açı farkı 15°'den küçük olan, yani ağırlıklı olarak yukarı bakan yüzey noktaları korunmaktadır. Bu adım daha sonra yapılan XY düzlemine izdüşümün doğruluğu açısından önemlidir.

PCA kaynak yolunu nasıl oluşturuyor?

Temizlenen bileşen nokta bulutu önce region-growing yaklaşımıyla ayrı kümelere ayrılır. Her küme bağımsız bir yapısal eleman olarak değerlendirilir ve XY düzlemine dik izdüşümü alınır.

Principal Component Analysis (PCA), iki boyutlu nokta kümesinin baskın doğrultusunu belirlemek için kullanılmıştır. Ana eksen bileşenin uzunluk yönünü, buna dik doğrultu ise genişlik yönünü verir.

Noktaların bu iki doğrultudaki sınırları kullanılarak dikdörtgensel bir kontur ve dört köşe noktası oluşturulur. Kaynak yolu daha sonra bu konturun uygun kenarlarından türetilir.

Robotun çarpışabilecek yolları nasıl eleniyor?

Region-growing sırasında eksik veri veya örtülme nedeniyle aynı fiziksel eleman birden fazla kümeye ayrılabilir. Bu durumda her geometrik kenarın gerçek bir kaynak dikişi olduğu varsayılırsa robot gereksiz veya erişilemez bir yolu takip edebilir.

Araştırmacılar bu nedenle her aday kaynak segmenti çevresinde, segmentin konumu ve normal yönüne bağlı bir çalışma hacmi tanımlamaktadır. Yeniden oluşturulan diğer bileşen geometrileri bu hacimle kesişiyorsa ilgili yol segmenti dışarıda bırakılır.

Bu sonuç, sistemin kaynak torcunun gerçek üretim sırasında hiçbir koşulda çarpışmayacağını kanıtlamaz; çalışma geometrik model üzerinden bir çarpışma denetimi gerçekleştirmektedir.

Hangi iş parçalarıyla deney yapılmıştır?

Algoritma beş farklı yapısal konfigürasyonda test edilmiştir:

1. kanal tipi bölme/perde dış köşe birleşimi,
2. oluklu plaka grubu,
3. kavisli plaka alın birleşimi,
4. düz plaka alın birleşimi,
5. oluk kusuru bulunan alın birleşimi.

İlk örneklerde çalışma; orijinal görüntü, medyan filtrelenmiş görüntü, ikili görüntü ve çıkarılmış kaynak yolu aşamalarını yan yana göstermektedir. Oluk kusurlu örnekte kenar çıkarma, hafif yumuşatma ve kaynak merkezi çizgisi çıkarımı ayrıca gösterilmiştir.

Gerçek kaynak konumu neyle belirlendi?

Çevrimiçi ve çevrimdışı yöntemlerin doğruluğunu karşılaştırmak için üçüncü bir referans kullanılmıştır: kalibre edilmiş Coordinate Measuring Machine (CMM) ile ölçülen gerçek kaynak konumları.

CMM, robot ve görüş sistemi koordinatları ICP tabanlı kayıt yöntemiyle ortak global koordinat sistemine taşınmıştır. Böylece farklı sistemlerden elde edilen konumların aynı uzaysal referans içinde karşılaştırılması amaçlanmıştır.

Çevrimiçi görüş yöntemi ne kadar doğru çıktı?

Beş iş parçasında beşer tekrar olmak üzere toplam 25 deney grubunun genel sonucu şöyledir:

Bu deney setinde çevrimiçi yöntemin RMSE'si çevrimdışı CAD tabanlı yaklaşımın yaklaşık beşte biri düzeyindedir. En büyük mutlak fark da 5,89 mm'den 1,50 mm'ye gerilemiştir.

Bu karşılaştırma çalışmanın kendi parçaları, robotu, görüş sistemi ve deney düzeni için geçerlidir. Farklı tersane veya robot sistemlerinde aynı hata değerlerinin otomatik olarak elde edileceği sonucuna varılamaz.

Beş farklı iş parçasında sonuçlar tutarlı mı?

Beş konfigürasyonda RMSE 0,78–0,85 mm aralığında değişmiştir. Kaynak %95 güven aralıklarını da vermektedir; ancak güven aralıklarının hangi dağılım varsayımı veya hesaplama yöntemiyle oluşturulduğu ayrıntılı biçimde açıklanmamıştır.

Hatanın en büyük kaynağı hangisidir?

Araştırmacılar toplam konum hatasını bağımsız olduğu varsayılan yedi bileşene ayırmıştır:

\[ E_{total}= \sqrt{ E_{robot}^{2} + E_{cam}^{2} + E_{handeye}^{2} + E_{icp}^{2} + E_{edge}^{2} + E_{alg}^{2} + E_{env}^{2} } \]

Kaynak bu hata bileşenleri arasındaki Pearson korelasyon katsayısının deneysel olarak \(r<0,1\) bulunduğunu ve bağımsızlık varsayımının bu nedenle kullanıldığını belirtmektedir.

Bu tabloda en büyük tek hata katkısı 0,40 mm ile kaynak kenarı algılamasıdır; bunu 0,35 mm ICP kayıt hatası ve 0,30 mm robotun dinamik konumlandırma hatası izlemektedir.

Hata bütçesi toplam RMSE'yi açıklıyor mu?

Yedi sistematik bileşenin kareler toplamının karekökü kaynakta:

\[ E_{systematic} = \sqrt{ 0.30^2+ 0.07^2+ 0.18^2+ 0.35^2+ 0.40^2+ 0.14^2+ 0.20^2 } \approx 0.685\ \mathrm{mm} \]

olarak verilmektedir.

Kaynak ayrıca yaklaşık 0,45 mm'lik rastgele hata bileşenini sisteme ekleyerek:

\[ E_{total} = \sqrt{ 0.685^2+0.45^2 } \approx 0.819\ \mathrm{mm} \]

sonucuna ulaşmakta ve bunun ölçülen 0,82 mm RMSE ile çok yakın olduğunu belirtmektedir.

Ancak bu bölümde önemli bir kaynak içi sorun vardır. Tablo 3'ün son satırı “Total measured RMSE = 0,681 mm” yazmaktadır. Bu değer hem hemen önce hesaplanan yaklaşık 0,685 mm sistematik hata ile hem de çalışma boyunca ölçülen toplam 0,82 mm RMSE ile aynı kavram altında uyumlu değildir. Ayrıca Denklem (8)'in basılı biçiminde karekök ifadesinden sonra açıklanamayan “671” değeri bulunmaktadır. Verianla metni bu iki sayıyı sessizce düzeltmemektedir.

Hangi rastgele hata kaynakları ayrıca belirtilmiştir?

Kaynak dört ek rastgele katkı tanımlar:

• lazer çizgisi genişliği değişimi: ±0,12 mm,
• iş parçası yüzey pürüzlülüğü ve oksit tabakası: ±0,09 mm,
• kalan lens bozulması: ±0,07 mm,
• CMM ölçüm gürültüsü: ±0,05 mm.

Çalışma, çevresel ışık değişimi ve sıcaklık gradyanları gibi tam modellenmeyen etkilerin kalan farklara katkıda bulunabileceğini de sınırlılık olarak belirtmektedir.

Ablasyon çalışması ne gösterdi?

Araştırmacılar yöntemin üç ana modülünü tek tek kaldırarak 25 deneylik aynı test düzenini tekrarlamıştır. Amaç, düşük hatanın yalnız sistemin bütünüyle değil her çekirdek modülle ilişkili olup olmadığını değerlendirmektir.

En büyük bozulma SURF–FLANN görüntü birleştirme kaldırıldığında ortaya çıkmıştır: RMSE 0,82 mm'den 1,25 mm'ye yükselmiştir. Araştırmacılar bunu gemi parçalarının tipik olarak 2–5 m uzunluğunda olması ve tek bir sabit görüntünün tüm parçayı kapsayamamasıyla açıklamaktadır.

RANSAC'ın kaldırılması RMSE'yi 1,18 mm'ye çıkarmış; sabit Z eşiğinin gerçek üretimde görülebilen ±5 mm yerleştirme yüksekliği farklılıklarına uyum sağlayamadığı belirtilmiştir. PCA yerine minimum sınırlayıcı dikdörtgen kullanıldığında ise RMSE 1,03 mm olmuştur.

Diğer yöntemlerle karşılaştırma ne kadar güvenilir?

Çalışma önerilen yöntemi 2023–2025 yıllarında yayımlanan altı farklı yöntemle literatür tablosunda karşılaştırmaktadır ve kendi yöntemi için 0,82 mm 3D konum RMSE'si raporlamaktadır.

Ancak bu sonuçlar aynı deney düzeneğinde elde edilmiş doğrudan başa baş testler değildir. Araştırmacılar diğer çalışmaların sensörleri, iş parçası geometrileri, hata tanımları ve deney ortamlarının farklı olduğunu açıkça kabul etmektedir.

Ayrıca bazı karşılaştırma çalışmalarında yalnız MAE veya maksimum hata yayımlandığında, çalışma normal hata dağılımı varsayımı altında yaklaşık \(RMSE \approx 1.253 \times MAE\) dönüşümü kullanmıştır. Bu nedenle literatür tablosundaki mutlak RMSE sıralaması, tek bir ortak test setindeki algoritma sıralaması olarak yorumlanmamalıdır.

Çalışmanın desteklediği sonuçlar

• Önerilen hibrit 2D–3D görüş sistemi beş farklı gemi yapısal parçasında kaynak dikişi konumunu otomatik olarak çıkarabilmiştir.
• 25 deneyde çevrimiçi yöntemin genel RMSE'si 0,82 mm ve maksimum mutlak hatası 1,50 mm olarak ölçülmüştür.
• Aynı deneylerde CAD tabanlı çevrimdışı programlama 4,15 mm RMSE ve 5,89 mm maksimum mutlak hata vermiştir.
• SURF–FLANN, RANSAC ve PCA modüllerinin her biri ablasyon deneyinde toplam doğruluğa bağımsız katkı göstermiştir.
• En büyük ablasyon etkisi çok kareli SURF–FLANN görüntü birleştirme kaldırıldığında görülmüştür.
• Geometrik kontur üzerinden yapılan çarpışma kontrolü, engelli aday yol segmentlerinin otomatik olarak dışlanmasına olanak vermiştir.
• Hata bütçesi yaklaşımıyla hesaplanan yaklaşık 0,819 mm toplam hata, çalışmanın 0,82 mm deneysel RMSE değeriyle yakın sonuç vermiştir.

Çalışmanın desteklemediği veya test etmediği sonuçlar

• Çalışma bütün gemi kaynak geometrilerinde 0,82 mm hata garantisi vermemektedir.
• Yöntem mevcut biçiminde üç boyutlu eğrisel kaynak dikişlerini kapsamamaktadır.
• Kaynak banyosu veya kaynak penetrasyonu kapalı çevrim olarak kontrol edilmemiştir.
• Kaynak dikişinin mekanik dayanımı veya metalürjik kalitesi değerlendirilmemiştir.
• Çarpışma kontrolü bütün gerçek üretim dinamikleri altında fiziksel çarpışmasızlık garantisi anlamına gelmemektedir.
• ABB veya FANUC gibi farklı robot platformlarında aynı doğruluk henüz doğrulanmamıştır.
• Literatürdeki diğer yöntemlerle verilen RMSE karşılaştırmaları aynı donanım ve veri setinde yapılan doğrudan başa baş deney değildir.
• Çalışmanın çevrimiçi tanıma sistemi ile gerçek zamanlı kaynak banyosu kalitesi arasında doğrudan performans ilişkisi gösterilmemiştir.

Çalışmanın Yöntemi ve Bulguları

Donanım ve çalışma koşulları

Yazılım ortamı

Teşekkür bölümünde ayrıca veri analizi amacıyla “Python 6.0” kullanıldığı belirtilmektedir. Bu sürüm ifadesi kaynakta bulunduğu biçimde korunmuştur ve diğer yazılım ortamı bilgileriyle sessizce uzlaştırılmamıştır.

RANSAC ve nokta bulutu filtre parametreleri

RANSAC eşik değerindeki 1,0/2,0 farkı kaynak içi belirsizliktir; Verianla makalesi hangi değerin nihai kodda kullanıldığı konusunda kaynakta olmayan bir seçim yapmamaktadır.

Doğruluk deneyinin tasarımı

Beş iş parçası konfigürasyonunun her biri beş kez test edilmiştir. Böylece toplam örnek sayısı:

\[ n=5\times5=25 \]

olmuştur.

Gerçek konum referansı CMM ile elde edilmiş, robot–görüş–CMM koordinatları ICP üzerinden ortak global koordinat sisteminde kayıtlanmıştır.

Genel hata karşılaştırması

Çalışmanın kendi deney düzeninde çevrimiçi görüş yaklaşımı dört hata metriğinin tamamında çevrimdışı programlamadan daha düşük hata üretmiştir.

Hata bütçesinin matematiksel kontrolü

Sistematik hata bileşenleri kareler toplamıyla birleştirilmektedir:

\[ \sqrt{ 0.30^2+ 0.07^2+ 0.18^2+ 0.35^2+ 0.40^2+ 0.14^2+ 0.20^2 } \approx0.685\ \mathrm{mm} \]

Kaynak daha sonra 0,45 mm rastgele bileşen eklemektedir:

\[ \sqrt{0.685^2+0.45^2}\approx0.819\ \mathrm{mm} \]

Bu sonuç 0,82 mm deneysel toplam RMSE'ye yakındır. Buna rağmen Tablo 3'teki 0,681 mm “Total measured RMSE” değeri ve Denklem (8)'de basılı “671” ifadesi kaynakta ayrıca bulunan ve açıklanmayan sayısal/dizgisel tutarsızlıklardır.

Ablasyon deneyinin teknik sonucu

Kaynağın ham RMSE değerlerinden görüldüğü üzere üç modülün de kaldırılması hatayı artırmıştır. En büyük mutlak RMSE artışı SURF–FLANN görüntü birleştirme kaldırıldığında görülmektedir.

Çalışmanın hata bütçesi açısından güçlü yönü

Araştırma yalnız nihai 0,82 mm değerini vermekle kalmamış; robot dinamik hatası, kamera kalibrasyonu, el–göz dönüşümü, ICP kaydı, kaynak kenarı algılama, algoritmik işleme ve çevresel bozulmaların ayrı katkılarını ölçmeye çalışmıştır.

Bu yapı, hata sonucunun hangi alt sistemlerden kaynaklandığını anlamak açısından yararlıdır. Bununla birlikte hata bileşenlerinin bağımsızlığı ve güven aralıklarının hesaplama yöntemi hakkında verilen ayrıntılar, bütün istatistiksel varsayımların bağımsız olarak yeniden üretilmesine yetecek düzeyde değildir.

Gelecek çalışma hedefleri

Araştırmacılar üç temel devam yönü tanımlamaktadır:

1. algoritmanın ABB ve FANUC robot platformlarına taşınarak donanım bağımlılığının incelenmesi,
2. B-spline eğri uydurma kullanılarak üç boyutlu kavisli kaynak dikişlerinin yeniden oluşturulması ve yol planlamasının geliştirilmesi,
3. CNN tabanlı görüntü tanıma ile kaynak banyosu kalitesinin gerçek zamanlı izlenmesi ve kapalı çevrim kaynak yolu düzeltmesinin eklenmesi.

Bu üç özellik mevcut çalışmanın gerçekleştirilmiş sonuçları değil, araştırmacıların gelecek çalışma hedefleridir.

Kaynak ve Yöntem Notu

Tam özgün çalışma adı: Automatic Recognition Technology of Welding Path for Ship Structures Based on Visual Image Recognition

Yazarlar: Zixuan Chen, Qiaozhong Li.

Yazar sırası: Kaynaktaki sıra aynen korunmuştur.

Sorumlu yazar: Qiaozhong Li.

Eş katkı/eş birinci yazar: Kaynakta böyle bir beyan bulunmamaktadır.

Kurum: School of Naval Architecture and Ocean Engineering, Jiangsu University of Science and Technology, Zhenjiang 212100, China.

Dergi: Machines.

Yayınevi: MDPI.

Bibliyografik kayıt: Machines 2026, 14(6), 663.

DOI: 10.3390/machines14060663.

Resmî yayın bağlantısı:https://doi.org/10.3390/machines14060663

Yayın tarihi: 8 Haziran 2026.

Kaynak türü ve hakemlik durumu: Hakemli özgün araştırma makalesidir; fiziksel robotik/görüş sistemi üzerinde deneysel konumlandırma doğrulaması içermektedir.

Lisans: Creative Commons Attribution (CC BY).

Finansman: Yazarlar araştırmanın dış finansman almadığını bildirmiştir.

Veri erişilebilirliği: Çalışmanın özgün katkılarının makale içinde bulunduğu, ek soruların sorumlu yazara yöneltilebileceği belirtilmiştir.

Çıkar çatışması: Yazarlar çıkar çatışması olmadığını beyan etmiştir.

Yazar katkıları: Zixuan Chen kavramsallaştırma, yöntem, yazılım, doğrulama, biçimsel analiz, araştırma, veri düzenleme, ilk taslak, görselleştirme ve deneylerde; Qiaozhong Li gözetim, proje yönetimi, finansman edinimi, inceleme/düzenleme, kaynak sağlama, deney tasarımı ve veri doğrulamada görev almıştır. Kaynakta bütün yazarların çalışmanın tasarımına katkıda bulunduğu ve yayımlanan sürümü onayladığı belirtilmiştir.

Teşekkür bölümündeki yazılım notu: Kaynak, veri analizi amacıyla “Python 6.0” kullanıldığını belirtmektedir. Bu ifade çalışmanın algoritma geliştirme ortamı bölümündeki Visual Studio 2010, OpenCV 2.4.9 ve PCL 1.8.0 bilgilerinden ayrı olarak kaynakta bulunduğu biçimde aktarılmıştır ve sessizce başka bir Python sürümüyle değiştirilmemiştir.

Bu Verianla makalesindeki robot sistemi, görüntü ve nokta bulutu işleme zinciri, algoritmalar, deney koşulları, CMM referans ölçümleri, hata istatistikleri, hata bütçesi, ablasyon sonuçları ve yöntem sınırları incelenen kaynak çalışmaya dayanmaktadır. Dış kaynaklardan yeni bilimsel deney veya performans sonucu eklenmemiştir.

Temel yöntemsel sınır: Sistem beş gemi yapısal iş parçasında ve KUKA KR-16-L6-2 platformunda doğrulanmıştır. Mevcut çalışma düzlemsel kaynak dikişleriyle sınırlıdır; üç boyutlu kavisli dikiş yeniden oluşturma, farklı robot platformları ve CNN tabanlı kaynak banyosu geri beslemesi gelecek çalışma olarak bırakılmıştır. Çalışma kaynak dikişi konumlandırma doğruluğunu değerlendirmektedir; kaynak metalinin mekanik özellikleri veya bitmiş kaynak kalitesi için doğrulama sunmamaktadır.

Kaynak içi tutarsızlık notu: RANSAC eşiği yöntem metninde 1,0 mm iken Şekil 9 sözde kodunda 2,0 olarak görünmektedir. Sözde kod bir metin bölümünde yanlışlıkla Şekil 11'e atfedilmektedir. Tablo 3'te “Total measured RMSE” 0,681 mm olarak verilmesine karşın sistematik hata hesabı yaklaşık 0,685 mm, çalışmanın genel ölçülen RMSE'si ise 0,82 mm'dir. Denklem (8)'de “671 ≈ 0.819 mm” ifadesi bulunmaktadır. Kamera markası “Medway/Midway” biçiminde iki yazımla geçmektedir. Bu noktalar kaynakta açıklanmadığı için sessizce tek bir doğru değere veya yazıma dönüştürülmemiştir.

Literatür karşılaştırması sınırı: Çalışmanın SOTA tablosundaki yöntemler aynı deney sistemi veya aynı veri seti üzerinde yeniden uygulanmamıştır. Yazarlar bazı yayımlanmış hata ölçütlerini normal dağılım varsayımı altında RMSE'ye dönüştürmüştür. Bu nedenle literatür tablosu bağlamsal karşılaştırma olarak değerlendirilmelidir; kontrollü başa baş benchmark değildir.