Inventory counting by a deep learning based object detection model in stock yard of an urban furniture manufacturer = Kent mobilyaları üretim firmasına ait stok sahasında derin öğrenme tabanlı bir nesne algılama modeli ile stok sayımı

Abstract

Anahtar Kelimeler: Derin Öğrenme, Evrişimli Sinir Ağları, Nesne Algılama, YOLO, Envanter Sayımı, Envanter Sayım Araçları, Kent Mobilyaları Envanter sayımı, şirketlerin mali yıl içindeki en önemli finansal işlemlerinden biri olarak geniş bir önem taşır. Bu süreç hammaddeler bileşenler ve bitmiş ürünlerin üretim hatları ve lojistik alanları dahil olmak üzere çeşitli iş alanlarında belirli bir düzende ve doğru miktarda bulunmasını sağlamak amacıyla yürütülür. Envanter sayımının doğru bir şekilde gerçekleştirilmesi, şirketlerin mali raporlamalarında doğruluk ve güvenilirlik sağlamak için kritik bir öneme sahiptir. Sayım sonuçlarındaki uyuşmazlıklar, şirketlere önemli mali kayıplar yaşatabilir; örneğin, fazla sayımlar stok maliyetlerinin artmasına neden olabilirken, eksik sayımlar üretim sürecinde aksamalar ve tedarik zincirinde kesintilere yol açabilir. Bu durumlar hem finansal hem de operasyonel açıdan şirketlerin performansını olumsuz yönde etkileyebilir, bu nedenle envanter sayımında yüksek doğruluk sağlanması gerekmektedir. Bu bağlamda, bilgisayarlı görü teknolojilerinin envanter sayım süreçlerinde kullanılmasının önemi artmaktadır. Geleneksel manuel sayım yöntemleri, zaman alıcı ve hata yapma riski taşıyan süreçler olabilir. Bilgisayarlı görü teknolojileri, özellikle yapay zekâ ve derin öğrenme tekniklerinin entegrasyonu, envanter sayımını daha hızlı ve doğru bir şekilde gerçekleştirmek için önemli fırsatlar sunar. Bu teknolojiler, ürünlerin otomatik olarak tespit edilmesi, sayılması ve verilerin hızlı bir şekilde işlenmesini sağlayarak manuel işlemlerdeki doğruluk sorunlarını minimize eder ve işlem süresini kısaltır. Özellikle büyük ölçekli ve karmaşık stok yapılarında, bilgisayarlı görü teknolojilerinin kullanımı, iş gücü ihtiyacını azaltarak ve operasyonel maliyetleri düşürerek şirketlerin genel iş performansını iyileştirebilir ve mali riskleri azaltabilir. Bu nedenle, envanter yönetiminde bilgisayarlı görü teknolojilerinin entegrasyonu, stratejik bir avantaj sağlamakta ve envanter sayım süreçlerini daha etkin ve verimli hale getirmektedir. Manuel envanter sayım yöntemleri, küçük miktardaki ve düzenli olarak yerleştirilmiş nesnelerde genellikle yüksek doğruluk sağlayabilmektedir. Ancak, daha büyük ve karmaşık stok yapılarında bu yöntemlerin etkinliği önemli ölçüde azalabilir. Özellikle, beş yüzün üzerinde ürün ve bileşen içeren geniş ve çeşitli envanterlerde, manuel sayım işlemleri, genellikle uzun zaman alıcı ve yüksek iş gücü gerektiren süreçlerdir. Bu tür stoklarda, her bir ürünün ve bileşenin tek tek sayılması ve doğruluğunun kontrol edilmesi, çok sayıda personelin katılımını zorunlu kılar ve bu durum hem zaman hem de maliyet açısından büyük yükler oluşturur. Geleneksel teknolojiler, bu problemlere çözüm sunmak adına geliştirilmiş olsa da belirli sınırlamalara sahiptir. Örneğin, Radyo Frekansı Tanımlama (RFID) sistemleri, radyo frekansı etiketlerinin sinyallerinin çeşitli materyaller tarafından, özellikle beton gibi yapı malzemeleri tarafından engellenmesi nedeniyle performans sorunları yaşar. Bu engeller, sinyallerin okuma terminalleri tarafından yeterince etkili bir şekilde alınamamasına veya yanlış veri ile sonuçlanmasına yol açar. Aynı şekilde, barkod ve QR kod etiketleri de çevresel koşullardan olumsuz etkilenebilir; yağmurlu hava koşulları veya beton yüzeyler üzerindeki tozlar, etiketlerin okunabilirliğini zorlaştırarak bazı ürünlerde etiketlerin kaybolmasına neden olabilir. Bu teknolojilerin sınırlamaları, envanter sayımının doğruluğunu ve etkinliğini önemli ölçüde etkileyerek, hem veri doğruluğunda hem de süreç verimliliğinde ciddi sorunlara yol açabilir. Dolayısıyla, büyük ölçekli ve karmaşık envanter yönetiminde manuel ve geleneksel teknolojilerin sınırlamaları, daha etkili ve verimli alternatiflerin arayışını gerektirmektedir. Bu problemleri aşmak amacıyla bu çalışma, bilgisayarlı görü ve derin öğrenme teknolojilerinin envanter sayımında uygulanabilirliğini kapsamlı bir şekilde incelemiştir. Özellikle, Evrişimli Sinir Ağları (CNN) kullanılarak envanter sayım sürecinin doğruluğunu artırmak hedeflenmiştir. Bu bağlamda, çalışma metodolojisi, özel olarak hazırlanmış bir veri setinin oluşturulmasını ve dört farklı ürün sınıfının belirlenmesini içermektedir. Veri setinin hazırlanması sürecinde, yüzlerce ürün görüntüsü toplanmış ve bu görüntüler, LabelImg gibi etiketleme yazılımları kullanılarak etiketlenmiştir. Etiketleme süreci, her bir ürünün doğru bir şekilde tanımlanmasını ve sınıflandırılmasını sağlayarak, modelin eğitiminde kullanılacak verilerin kalitesini artırmıştır. Veri setinin doğruluğunu ve kapsamını artırmak amacıyla çeşitli görüntü çoğaltma teknikleri uygulanmıştır. Görüntü çoğaltma, veri setini genişleterek modelin daha çeşitli ve genelleştirilmiş bir eğitim almasını sağlamaktadır. Çoğaltma işlemlerinin ardından, YOLOv10 (You Only Look Once versiyon 10) modelinin eğitim sürecine geçilmiştir. YOLOv10, yüksek performanslı nesne tespiti ve sayımı sağlamak üzere tasarlanmış bir derin öğrenme modelidir ve bu çalışmada envanter sayımında etkinliğinin test edilmesi amaçlanmıştır. Eğitim sürecinde, YOLOv10 modelinin çeşitli envanter senaryolarında ürünleri doğru bir şekilde tespit etme ve sayma yeteneği kapsamlı bir şekilde değerlendirilmiştir. Modelin performansı, envanter sayım süreçlerinin doğruluğunu ve verimliliğini artırma potansiyelini ortaya koymak için çeşitli metrikler ve test senaryoları kullanılarak analiz edilmiştir. Bu süreç, bilgisayarlı görü teknolojilerinin envanter yönetimi üzerindeki etkisini ölçmek ve mevcut manuel yöntemlerin sınırlamalarına alternatifler sunmak için önemli bir adım olarak değerlendirilmiştir. Sonuçlar, YOLOv10 modelinin envanter sayımında başarılı bir şekilde ürünleri tespit edip sayabildiğini açıkça ortaya koymaktadır. Model, %50 eşik değerinde yaklaşık %86.9 başarı oranı elde etmiş olup, bu sonuç modelin yüksek doğruluk kapasitesini ve nesne tespitindeki etkinliğini göstermektedir. YOLOv10'un bu başarısı, derin öğrenme tabanlı teknolojilerin envanter yönetiminde ne derece etkili olabileceğini desteklemektedir. Modelin bu performansı, hem küçük ölçekli hem de daha büyük ve karmaşık envanterlerde doğru sayım işlemleri gerçekleştirebilme kapasitesini vurgulamaktadır. Ancak, modelin bazı sınırlamaları ve eksiklikleri de gözlemlenmiştir. Özellikle karmaşık stok yapıları ve belirli ürün türleriyle ilgili yaşanan zorluklar, modelin genel performansını etkilemiştir. Bu zorluklar, modelin bazı ürünleri doğru bir şekilde tespit etme ve sayma yeteneğinde sınırlamalara yol açmış, bu durum da modelin genel doğruluğunu etkilemiştir. Bu sınırlamalar, tezin tartışma bölümünde ayrıntılı olarak ele alınmış olup, çeşitli potansiyel iyileştirme alanları ve stratejiler önerilmiştir. Özellikle, karmaşık envanter senaryoları ve çeşitli ürün türleri için modelin doğruluğunu artırmak adına ek araştırma ve geliştirme çalışmalarının gerekli olduğu sonucuna varılmıştır. Gelecek çalışmaların, modelin doğruluğunu artırma ve çeşitli envanter koşullarında daha geniş bir uygulama yelpazesi kapsama yeteneğini geliştirme yönünde odaklanması gerektiği vurgulanmıştır. Bilgisayarlı görü ve derin öğrenme teknolojilerinin, envanter sayım sürecinde önemli iyileştirmeler sağlama potansiyeline sahip olduğu belirlenmiştir. Ancak, mevcut yöntemlerin sınırlamalarını aşmak ve daha etkili sonuçlar elde etmek için daha kapsamlı ve derinlemesine araştırmalar yapılması gerektiği ifade edilmiştir. Ayrıca, envanter sayım süreçlerinde iş güvenliği kurallarının göz önünde bulundurulması ve potansiyel risklerin minimize edilmesi gerektiği belirtilmiştir. Bu bağlamda, gelecekteki çalışmaların hem teknolojik hem de operasyonel açıdan bu faktörleri dikkate alarak daha güvenli ve verimli envanter yönetim çözümleri geliştirmesi önemlidir.

Inventory counting is a critical financial process for organizations, as it ensures accurate reporting of raw materials, components, and finished products within production and logistics operations. Precise inventory counts are essential for preventing financial losses that arise from discrepancies between recorded and actual quantities. Accurate counts help avoid issues such as overstocking, which leads to unnecessary expenses, and understocking, which can disrupt production processes. The use of computer vision in inventory counting offers a promising approach to enhancing accuracy and efficiency, addressing the limitations inherent in traditional methods. Manual inventory counting, while effective for small quantities of neatly arranged items, becomes increasingly problematic with larger and more complex stockpiles. The process is labor-intensive and time-consuming, particularly when dealing with extensive volumes of diverse products. Traditional methods such as Radio Frequency Identification (RFID) and barcode/QR code scanning face significant limitations. RFID signals can be obstructed by materials like concrete, and barcode/QR code labels are susceptible to weather conditions and adherence issues, leading to inaccuracies in counting and inefficiencies in inventory management. To address these challenges, this study explores the application of computer vision and deep learning techniques, specifically Convolutional Neural Networks (CNNs), to improve inventory counting. The methodology involved creating a unique dataset of images of selected products, categorized into four classes, and performing object labeling on hundreds of images. Data augmentation techniques were employed to enhance the robustness of the model. The YOLOv10 (You Only Look Once version 10) model was then trained using the augmented dataset to perform object detection and counting. The results of the study indicated Mean Average Precision(mAP) score of %86.9 that the YOLOv10 model successfully counted products in various scenarios, demonstrating the potential of computer vision to enhance inventory accuracy. Metrics and visualizations revealed that the model was effective in certain contexts, though limitations were observed, particularly in handling complex inventory scenes and specific product types. The study concludes that while computer vision and deep learning offer significant improvements over traditional methods, further refinements and additional research are needed to address the identified challenges and optimize inventory counting processes.