<?xml version="1.0" encoding="UTF-8"?>
<rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom" xmlns:content="http://purl.org/rss/1.0/modules/content/">
  <channel>
    <title>CX Teknoloji Blog</title>
    <link>https://cxteknoloji.com/blog/</link>
    <atom:link href="https://cxteknoloji.com/feed.xml" rel="self" type="application/rss+xml"/>
    <description>Yapay zekâ destekli görüntü analitiği: iş güvenliği, alan güvenliği, üretim verimliliği (OEE), perakende ve endüstriyel görüntü işleme üzerine yazılar.</description>
    <language>tr</language>
    <lastBuildDate>Fri, 24 Jul 2026 06:00:00 GMT</lastBuildDate>
    <image><url>https://cxteknoloji.com/media/logo.svg</url><title>CX Teknoloji Blog</title><link>https://cxteknoloji.com/blog/</link></image>
    <item>
      <title>Görsel-Dil Modelleri (VLM): Kameraya Soru Sorabildiğiniz Çağ</title>
      <link>https://cxteknoloji.com/blog/vision-language-model/</link>
      <guid isPermaLink="true">https://cxteknoloji.com/blog/vision-language-model/</guid>
      <pubDate>Fri, 24 Jul 2026 06:00:00 GMT</pubDate>
      <category>TEKNOLOJİ</category>
      <description>Vision-language modeller sahada ne değiştiriyor? Doğal dille sorgulanan kamera arşivi, sıfır-örnekle yeni ihlal tanımı ve olay özetleme.</description>
      <content:encoded><![CDATA[<p>Klasik görüntü analitiğinde her yeni ihlal tipi yeni bir model demekti: veri topla, etiketle, eğit, doğrula. Görsel-dil modelleri (VLM) bu denklemi değiştiriyor. Metin ve görüntüyü ortak bir anlam uzayında temsil eden bu modeller, daha önce hiç örneği görülmemiş bir durumu doğal dille tanımlayarak tespit edebiliyor.</p><h2>Sıfır-örnek tespit</h2><p>&quot;Merdivende korkuluk tutmadan çıkan kişi&quot; cümlesi, VLM için çalışan bir kural tanımıdır. Model, cümledeki kavramları görüntüdeki bölgelerle eşleştirir. Doğruluk, özel eğitilmiş bir modelin altında kalır — ama günler yerine dakikalar içinde çalışan bir prototip üretir. Pratikte biz bunu keşif aşamasında kullanıyoruz: hangi kuralın değerli olduğu VLM ile hızla test ediliyor, değerli olan kural için özel model eğitiliyor.</p><h2>Arşivi konuşturmak</h2><p>İkinci ve belki daha büyük etki arama tarafında. &quot;Geçen ay 3. depoda gece vardiyasında palet devrilmesi oldu mu?&quot; sorusu, saatlerce kayıt taramak yerine saniyeler içinde cevaplanıyor. Olay klipleri otomatik metin özetiyle indeksleniyor; İSG raporu hazırlamak dakikalık bir işe dönüşüyor.</p><h2>Sınırlar ve gerçekçilik</h2><p>VLM'ler hâlâ ağır modellerdir; her kareyi 25 fps ile işlemek edge donanımda ekonomik değildir. Doğru mimari kademelidir: hafif tespit modeli sürekli çalışır, ilginç bir olay yakalandığında VLM devreye girip bağlamı yorumlar. Maliyet ve doğruluk dengesi böyle kurulur.</p>]]></content:encoded>
    </item>
    <item>
      <title>Yeni Nesil Edge AI Donanımı: Bir Kutuda 64 Kamera</title>
      <link>https://cxteknoloji.com/blog/edge-ai-yeni-nesil-donanim/</link>
      <guid isPermaLink="true">https://cxteknoloji.com/blog/edge-ai-yeni-nesil-donanim/</guid>
      <pubDate>Wed, 22 Jul 2026 06:00:00 GMT</pubDate>
      <category>TEKNOLOJİ</category>
      <description>Edge AI donanımında son durum: NPU hızlandırıcılar, INT8 nicemleme ve kamera başına düşen watt maliyeti nasıl değişiyor?</description>
      <content:encoded><![CDATA[<p>Beş yıl önce 16 kamerayı gerçek zamanlı analiz etmek için sunucu odası ve ciddi bir soğutma bütçesi gerekiyordu. Bugün aynı iş, avuç içi büyüklüğünde bir NPU modülüyle yapılabiliyor. Bu dönüşüm, görüntü analitiğinin küçük tesislere yayılmasının asıl nedeni.</p><h2>Nicemleme: aynı model, dörtte bir maliyet</h2><p>Modeller varsayılan olarak 32 bit kayan noktalı sayılarla çalışır. INT8 nicemleme, ağırlıkları 8 bit tam sayıya indirger; doğruluk kaybı doğru kalibrasyonla %1'in altında kalırken çıkarım hızı iki-dört katına çıkar ve bellek ihtiyacı dörtte bire iner. Sahada bu, aynı kutuda dört kat kamera demektir.</p><h2>Watt başına kamera</h2><p>Doğru karşılaştırma metriği ne TOPS ne fiyat — watt başına gerçek zamanlı kamera sayısı. Modern NPU'larda bu oran, birkaç yıl önceki masaüstü GPU'lara kıyasla belirgin biçimde iyi. Enerji maliyeti düşünce, kamera başına aylık işletme gideri de düşüyor; ROI hesabı buradan kazanıyor.</p><h2>Ne zaman GPU, ne zaman NPU?</h2><p>Standart tespit ve takip iş yükleri NPU'da ekonomik çalışır. Segmentasyon, poz tahmini ve VLM gibi ağır modeller hâlâ GPU ister. Kurulumlarımızda hibrit yaklaşım standarttır: rutin akışlar NPU'da, derin analiz gereken kameralar GPU havuzunda.</p>]]></content:encoded>
    </item>
    <item>
      <title>KKD Takip Sistemi: Yapay Zekâ ile Baret ve Yelek Tespiti Nasıl Çalışır?</title>
      <link>https://cxteknoloji.com/blog/kkd-takip-sistemi/</link>
      <guid isPermaLink="true">https://cxteknoloji.com/blog/kkd-takip-sistemi/</guid>
      <pubDate>Mon, 20 Jul 2026 06:00:00 GMT</pubDate>
      <category>İSG</category>
      <description>KKD takip sistemi, mevcut kameralarla baret, yelek ve gözlük kullanımını 7/24 denetler. Yapay zekâ ile KKD tespitinin teknik altyapısı ve %97 doğruluğun nasıl elde edildiği.</description>
      <content:encoded><![CDATA[<p>İş kazalarının önemli bir bölümü, kişisel koruyucu donanımın (KKD) kullanılmadığı anlarda yaşanır. Geleneksel denetim, saha turlarına ve göz kontrolüne dayanır; vardiya başına birkaç dakikalık örneklem, günün geri kalanını karanlıkta bırakır. KKD takip sistemi bu boşluğu kapatır: mevcut IP kameralarınızın görüntüsünü saniyede 25 kare analiz eder ve baret, reflektif yelek, koruyucu gözlük gibi ekipmanların kullanımını kişi bazında doğrular.</p><h2>Model sahada neye bakar?</h2><p>Derin öğrenme modeli önce kişiyi tespit eder, ardından baş ve gövde bölgelerinde KKD sınıflandırması yapar. Tek kareye asla güvenilmez: kişi kareler arasında takip edilir ve ihlal ancak ardışık karelerde tutarlı biçimde doğrulanırsa olaya dönüşür. Bu zamansal doğrulama, sahada %97 doğruluk ve düşük yanlış alarm oranının anahtarıdır.</p><h2>Kurulumdan sonuca</h2><p>Sistem ek donanım gerektirmez; RTSP akışı veren her kamera ile çalışır. İhlal anında vardiya amirine görüntülü bildirim gider, olay klibi arşivlenir ve vardiya bazlı KKD uyum skoru raporlanır. İSG ekipleri böylece tekil uyarıların ötesinde, bölge ve vardiya bazında davranış eğilimini görür ve eğitim planını veriyle kurar.</p>]]></content:encoded>
    </item>
    <item>
      <title>Federated Learning: Veriyi Paylaşmadan Ortak Model Eğitmek</title>
      <link>https://cxteknoloji.com/blog/federated-learning-uretim/</link>
      <guid isPermaLink="true">https://cxteknoloji.com/blog/federated-learning-uretim/</guid>
      <pubDate>Sun, 19 Jul 2026 06:00:00 GMT</pubDate>
      <category>TEKNOLOJİ</category>
      <description>Federated learning ile çok tesisli model eğitimi: görüntü tesisten çıkmadan modelin ortak öğrenmesi ve KVKK avantajı.</description>
      <content:encoded><![CDATA[<p>Çok tesisli bir grupta her fabrikanın kamerası farklı ışığı, farklı düzeni ve farklı ihlal desenlerini görür. En iyi model, hepsinden öğrenen modeldir — ama görüntüleri tek merkezde toplamak hem hukuki hem pratik olarak zordur. Federated learning tam bu düğümü çözer.</p><h2>Nasıl çalışır?</h2><p>Model her tesiste yerel veriyle eğitilir; merkeze giden şey görüntü değil, ağırlık güncellemeleridir. Merkez bu güncellemeleri birleştirip yeni ortak modeli tesislere geri dağıtır. Ham veri hiçbir zaman tesisi terk etmez — KVKK açısından en temiz mimari budur.</p><h2>Pratik kazanç</h2><p>Nadir olaylarda etki çarpıcıdır: tek tesiste yılda üç kez görülen bir ihlal tipi, on tesisin ortak öğrenmesiyle otuz örneğe ulaşır. Model, hiç görmediği bir sahada bile ilk günden makul doğrulukla çalışmaya başlar.</p><h2>Dikkat edilecekler</h2><p>Tesisler arası veri dağılımı çok farklıysa birleştirme modeli bozabilir; bu yüzden ağırlıklandırma ve doğrulama kümesi tasarımı kritiktir. Kurulumlarımızda her federasyon turu, tesis bazlı doğruluk raporuyla onaylanmadan yayına alınmaz.</p>]]></content:encoded>
    </item>
    <item>
      <title>Derinlik Kameraları ve 3B Analitik: Mesafeyi Tahmin Etmek Yerine Ölçmek</title>
      <link>https://cxteknoloji.com/blog/3d-derinlik-kamera/</link>
      <guid isPermaLink="true">https://cxteknoloji.com/blog/3d-derinlik-kamera/</guid>
      <pubDate>Thu, 16 Jul 2026 06:00:00 GMT</pubDate>
      <category>TEKNOLOJİ</category>
      <description>Stereo ve ToF derinlik kameralarıyla 3B görüntü analitiği: gerçek mesafe ölçümü, hacim hesabı ve daha güvenilir çarpışma uyarısı.</description>
      <content:encoded><![CDATA[<p>2B kamerada mesafe her zaman bir tahmindir: perspektif, kalibrasyon ve zemin düzlemi varsayımlarıyla hesaplanır. Derinlik kameraları bu tahmini ölçüme çevirir — her piksel için gerçek uzaklık verisi üretirler.</p><h2>İki teknoloji</h2><p>Stereo kameralar, iki lens arasındaki paralaksı kullanır; aydınlık ortamda ve orta mesafede güçlüdür. ToF (Time-of-Flight) kameralar ışığın gidiş-dönüş süresini ölçer; karanlıkta ve düşük dokulu yüzeylerde üstündür. Seçim, sahanın ışık ve mesafe profiline göre yapılır.</p><h2>Nerede fark yaratır?</h2><p>Forklift-yaya güvenliğinde gerçek mesafe, yanlış alarmı ciddi biçimde düşürür — perspektifte yan yana görünen ama aslında 8 metre uzaktaki iki nesne artık karışmaz. Lojistikte palet ve koli hacmi otomatik hesaplanır; depoda istif yüksekliği santimetre hassasiyetinde denetlenir.</p><h2>Maliyet dengesi</h2><p>Derinlik kamerası, standart IP kameradan pahalıdır ve mevcut altyapıya eklenmesi gerekir. Bu yüzden onu her yere değil, ölçümün kritik olduğu birkaç noktaya koyarız: yükleme rampası, robot hücresi girişi, dar koridor kesişimi.</p>]]></content:encoded>
    </item>
    <item>
      <title>Kamera ile Yangın Tespiti: Dedektörden Önce Gören Yapay Zekâ</title>
      <link>https://cxteknoloji.com/blog/yangin-tespiti-kamera/</link>
      <guid isPermaLink="true">https://cxteknoloji.com/blog/yangin-tespiti-kamera/</guid>
      <pubDate>Tue, 14 Jul 2026 06:00:00 GMT</pubDate>
      <category>GÜVENLİK</category>
      <description>Kamera tabanlı yangın tespiti, alev ve dumanı duman dedektöründen dakikalar önce görür. Görüntü işleme ile erken yangın algılamanın çalışma prensibi.</description>
      <content:encoded><![CDATA[<p>Duman dedektörü, dumanın tavana ulaşmasını bekler; açık ve yüksek tavanlı sahalarda bu dakikalar sürebilir. Kamera tabanlı yangın tespiti ise alevin ve dumanın görsel imzasını doğrudan görüntüde arar: renk dağılımı, titreşim frekansı ve büyüme deseni birlikte değerlendirilir. Sonuç, çoğu senaryoda dedektörden dakikalar önce gelen uyarıdır.</p><h2>Yanlış alarmla mücadele</h2><p>Kaynak ışığı, yansıma ve egzoz buharı gibi görüntüler alevle karışabilir. Model bu nedenle tek kareye değil zaman içindeki davranışa bakar: gerçek alev düzensiz titreşir ve büyür, yansıma sabittir. Kural motoru ayrıca bölge tanımına izin verir — kaynak istasyonu gibi bilinen sıcak noktalar ayrı eşiklerle izlenir.</p><h2>Sahada değer</h2><p>Uyarı üç saniye içinde ilgili kişiye görüntüyle birlikte ulaşır; müdahale ekibi neyin nerede yandığını görerek harekete geçer. Depo, üretim sahası ve enerji tesislerinde sistem 7/24 çalışır, sigorta denetimlerinde belgelenebilir bir erken uyarı katmanı sağlar.</p>]]></content:encoded>
    </item>
    <item>
      <title>Dijital İkiz ve Sentetik Veri: Kaza Olmadan Kaza Tanımak</title>
      <link>https://cxteknoloji.com/blog/sentetik-veri-dijital-ikiz/</link>
      <guid isPermaLink="true">https://cxteknoloji.com/blog/sentetik-veri-dijital-ikiz/</guid>
      <pubDate>Sun, 12 Jul 2026 06:00:00 GMT</pubDate>
      <category>TEKNOLOJİ</category>
      <description>3B simülasyon ve dijital ikizle sentetik eğitim verisi üretimi: nadir olayları model henüz sahada görmeden öğretmek.</description>
      <content:encoded><![CDATA[<p>Bir düşme algılama modelini eğitmek için düşme görüntüsü gerekir — ve umarız sahanızda hiç yoktur. Nadir ama kritik olaylar, yapay zekânın en zor problemidir. Çözüm, olayı gerçek dünyada beklemek yerine sanal dünyada üretmek.</p><h2>Dijital ikiz kurmak</h2><p>Tesisin 3B modeli, gerçek kamera konumları ve lens parametreleriyle birlikte kurulur. Sanal ortamda insan modelleri, forkliftler ve malzeme akışı hareket ettirilir; ışık koşulu, gölge ve kamera gürültüsü gerçeğe yakın simüle edilir. Her karenin etiketi zaten bilinir — etiketleme maliyeti sıfırdır.</p><h2>Karışım oranı</h2><p>Yalnızca sentetik veriyle eğitilen model, gerçek sahada &quot;domain gap&quot; nedeniyle zorlanır. Deneyimimizde en iyi sonuç, ağırlıklı sentetik + azınlık gerçek veri karışımından çıkıyor; ince ayar mutlaka gerçek saha örnekleriyle yapılıyor.</p><h2>Nereye gidiyor?</h2><p>Üretken görüntü modelleri, dijital ikiz kurma maliyetini de düşürüyor: birkaç gerçek kareden yüzlerce varyasyon üretilebiliyor. Önümüzdeki dönemde &quot;yeni ihlal tipi tanımla, sistem kendi eğitim verisini üretsin&quot; akışının standartlaşmasını bekliyoruz.</p>]]></content:encoded>
    </item>
    <item>
      <title>Denetimsiz Anomali Tespiti: Tanımlamadığınız Sorunu Yakalamak</title>
      <link>https://cxteknoloji.com/blog/anomali-tespiti-denetimsiz/</link>
      <guid isPermaLink="true">https://cxteknoloji.com/blog/anomali-tespiti-denetimsiz/</guid>
      <pubDate>Thu, 09 Jul 2026 06:00:00 GMT</pubDate>
      <category>TEKNOLOJİ</category>
      <description>Denetimsiz öğrenme ile anomali tespiti: normalin modelini kurup sapmayı yakalamak — etiketsiz kalite kontrol ve davranış analizi.</description>
      <content:encoded><![CDATA[<p>Kural tabanlı sistem yalnızca tanımladığınız sorunu görür. Oysa sahada asıl tehlikeli olan, kimsenin öngörmediği durumdur. Denetimsiz anomali tespiti bu boşluğu doldurur: model, &quot;normal&quot;in istatistiksel resmini öğrenir ve buna uymayan her şeyi işaretler.</p><h2>Kalite kontrolde uygulama</h2><p>Yüzey muayenesinde her kusur tipini etiketlemek imkânsızdır — yeni bir kalıp hatası her zaman mümkündür. Otokodlayıcı tabanlı modeller yalnızca hatasız parçalarla eğitilir; hatalı parça geldiğinde yeniden oluşturma hatası yükselir ve kusur, tipi bilinmeden yakalanır.</p><h2>Davranış tarafında</h2><p>Aynı yaklaşım hareket desenlerinde çalışır: bir bölgede normalde saatte 40 geçiş varken 3 geçişe düşmesi ya da hiç kullanılmayan bir kapının gece açılması, hiçbir kural yazılmadan anomali olarak raporlanır.</p><h2>Yanlış alarm dengesi</h2><p>Anomali tespitinin bedeli gürültüdür: her olağandışılık tehlikeli değildir. Bu yüzden onu alarm kanalı olarak değil, keşif aracı olarak kullanırız — haftalık anomali raporu, sahada yeni kural tanımlamanın en verimli girdisidir.</p>]]></content:encoded>
    </item>
    <item>
      <title>Forklift–Yaya Güvenliği: Çarpışma Önlemede Görüntü Analitiği</title>
      <link>https://cxteknoloji.com/blog/forklift-yaya-guvenligi/</link>
      <guid isPermaLink="true">https://cxteknoloji.com/blog/forklift-yaya-guvenligi/</guid>
      <pubDate>Wed, 08 Jul 2026 06:00:00 GMT</pubDate>
      <category>İSG</category>
      <description>Forklift yaya güvenliği için kamera tabanlı mesafe izleme: sanal güvenlik bölgeleri, hız analizi ve %96 doğrulukla çarpışma riski uyarısı.</description>
      <content:encoded><![CDATA[<p>Depo ve üretim sahalarındaki en ağır kazaların başında forklift–yaya temasları gelir. UWB etiket veya sensör tabanlı çözümler ekipman ve bakım maliyeti getirir; görüntü analitiği ise mevcut kameralarla forklifti ve yayayı ayrı ayrı tespit eder, aralarındaki mesafeyi gerçek zamanlı ölçer.</p><h2>Sanal güvenlik bölgesi</h2><p>Her forkliftin çevresinde hıza göre genişleyen sanal bir güvenlik bölgesi tanımlanır. Yaya bu bölgeye girdiğinde sistem önce sahadaki sesli-ışıklı uyarıcıyı tetikler, ihlal sürerse vardiya amirine görüntülü bildirim gönderir. Kör nokta kalmaz çünkü analiz sürücünün görüşüne değil, tavan kamerasının kuşbakışı görüşüne dayanır.</p><h2>Veriyle iyileştirme</h2><p>Sistem yalnızca anlık uyarı üretmez; yaya-araç kesişiminin yoğunlaştığı koridorları ısı haritasıyla raporlar. Birçok müşterimiz bu veriyle yaya yollarını yeniden çizdi ve ihlal sayısını ilk üç ayda yarıdan fazla azalttı. City Lojistik sahasında araç güvenliği doğruluğu %96 seviyesindedir.</p>]]></content:encoded>
    </item>
    <item>
      <title>Özel 5G Ağlar ve Mobil Kameralar: Kablosuz Sahanın Analitiği</title>
      <link>https://cxteknoloji.com/blog/5g-ozel-ag-fabrika/</link>
      <guid isPermaLink="true">https://cxteknoloji.com/blog/5g-ozel-ag-fabrika/</guid>
      <pubDate>Mon, 06 Jul 2026 06:00:00 GMT</pubDate>
      <category>TEKNOLOJİ</category>
      <description>Fabrikada özel 5G ağı ile mobil kamera analitiği: forklift üstü kamera, geçici saha kurulumu ve düşük gecikmeli video aktarımı.</description>
      <content:encoded><![CDATA[<p>Kablolu kamera, sabit noktalar için idealdir. Ama forkliftin üstündeki kamera, vinç kabinindeki kamera ya da bakım sırasında geçici kurulan kamera kablo istemez. Özel 5G ağları, endüstriyel sahada bu esnekliği güvenilir gecikme değerleriyle sağlıyor.</p><h2>Neden Wi-Fi değil?</h2><p>Geniş metal sahada Wi-Fi kapsama ve hücreler arası geçiş sorunludur; hareket eden bir araçta bağlantı kopmaları kaçınılmazdır. Özel 5G, tesis içinde tahsisli spektrumla çalışır: kapsama öngörülebilir, gecikme düşük ve hücre geçişi kesintisizdir.</p><h2>Mimari etkisi</h2><p>Mobil kameralarda tercihimiz, hafif modelin kamera üzerinde çalışması ve yalnızca olayın ağa gönderilmesidir. Böylece bant genişliği tasarrufu sağlanır, bağlantı kısa süre koparsa bile tespit sürer ve olay bağlantı geri geldiğinde iletilir.</p><h2>Uygulama örnekleri</h2><p>Forklift kamerası ile sürücü görüş açısından yaya tespiti, vinç altında personel kontrolü ve şantiyede haftalık ilerleme takibi en yaygın senaryolar. Kurulum, kablo çekmeden bir günde tamamlanıyor.</p>]]></content:encoded>
    </item>
    <item>
      <title>MLOps: Sahaya Çıkan Modelin Yaşam Döngüsü</title>
      <link>https://cxteknoloji.com/blog/mlops-model-yasam-dongusu/</link>
      <guid isPermaLink="true">https://cxteknoloji.com/blog/mlops-model-yasam-dongusu/</guid>
      <pubDate>Fri, 03 Jul 2026 06:00:00 GMT</pubDate>
      <category>TEKNOLOJİ</category>
      <description>Endüstriyel yapay zekâda MLOps: model versiyonlama, veri kayması izleme, gölge dağıtım ve geri alma stratejileri.</description>
      <content:encoded><![CDATA[<p>Bir modelin sahada iyi çalışması, bir kez doğru eğitilmiş olmasıyla değil, sürekli izlenmesiyle mümkündür. Mevsim değişir, aydınlatma yenilenir, hat düzeni değişir — model aynı kalırsa doğruluk sessizce düşer. Buna veri kayması (data drift) denir ve MLOps disiplini bu sorunu yönetir.</p><h2>İzleme neyi ölçer?</h2><p>Yalnızca doğruluk değil: tespit güven skorlarının dağılımı, kare başına tespit sayısı, kamera bazlı olay oranı. Bu göstergelerde ani kayma, çoğu zaman modelden önce kamerada bir sorun olduğunu haber verir — lens kirlenmesi, açı kayması, gece modunun takılması.</p><h2>Güvenli dağıtım</h2><p>Yeni model doğrudan yayına alınmaz. Gölge dağıtımda yeni ve eski model aynı akışı paralel işler; sonuçlar karşılaştırılır ve yeni model ölçülebilir biçimde iyiyse devralır. Her modelin versiyonu, eğitim verisi ve doğrulama raporu kayıt altındadır — sorun çıkarsa geri alma tek komutluk iştir.</p><h2>Neden önemli?</h2><p>Sahada gördüğümüz en sık başarısızlık nedeni kötü model değil, bakımsız modeldir. Kurulum sözleşmelerimizde model izleme ve periyodik yeniden eğitim standart kalemdir; doğruluk raporu müşteriye aylık iletilir.</p>]]></content:encoded>
    </item>
    <item>
      <title>Alan İhlali Tespiti: Kısıtlı Bölgeleri 7/24 İzleyen Sanal Çit</title>
      <link>https://cxteknoloji.com/blog/alan-ihlali-tespiti/</link>
      <guid isPermaLink="true">https://cxteknoloji.com/blog/alan-ihlali-tespiti/</guid>
      <pubDate>Wed, 01 Jul 2026 06:00:00 GMT</pubDate>
      <category>GÜVENLİK</category>
      <description>Alan ihlali tespiti ile pres, robot hücresi ve tehlikeli bölgelere yetkisiz girişler anında algılanır. Sanal çit teknolojisinin çalışma prensibi.</description>
      <content:encoded><![CDATA[<p>Pres hattı, robot hücresi, trafo odası: her sahada girilmemesi gereken bölgeler vardır. Fiziksel bariyer her yere kurulamaz, kurulan da atlanabilir. Alan ihlali tespiti, kamera görüntüsü üzerinde piksel hassasiyetinde sanal çitler tanımlar; bölgeye giren kişi ya da araç saniyeler içinde tespit edilir.</p><h2>Kural motoru ne değerlendirir?</h2><p>İhlal kararı üç koşulun birleşimidir: kişinin tespiti, tanımlı bölgeyle mekânsal kesişim ve minimum kalış süresi. Bölgeden hızla geçen gölge ya da yansıma alarm üretmez. Bölgeler vardiyaya göre programlanabilir — bakım penceresinde yetkili ekip için kural askıya alınır.</p><h2>Uygulama örnekleri</h2><p>F11 pres sahasında operatörün kısıtlı alana girişi %93 doğrulukla tespit edilip hat amirine bildiriliyor. Aynı altyapı perimetre güvenliğinde, mesai dışı saha girişlerinde ve tehlikeli madde depolarında kullanılıyor. Kurulum, kamera başına bir saatten kısa sürer.</p>]]></content:encoded>
    </item>
    <item>
      <title>Güven Skoru Nasıl Okunur? Doğruluk, Kesinlik ve Duyarlılık</title>
      <link>https://cxteknoloji.com/blog/olay-guven-skoru/</link>
      <guid isPermaLink="true">https://cxteknoloji.com/blog/olay-guven-skoru/</guid>
      <pubDate>Tue, 30 Jun 2026 06:00:00 GMT</pubDate>
      <category>TEKNOLOJİ</category>
      <description>Video analitikte doğruluk metrikleri: precision, recall, F1 ve mAP kavramları — satın alma kararında hangi sayı ne anlatır?</description>
      <content:encoded><![CDATA[<p>&quot;%96 doğruluk&quot; cümlesi tek başına neredeyse hiçbir şey ifade etmez. Hangi metrik, hangi veri kümesinde, hangi eşikte? Satın alma kararında bu soruları sormayan kurum, sahada hayal kırıklığı yaşar. Metrikleri sadeleştirelim.</p><h2>Kesinlik ve duyarlılık</h2><p>Kesinlik (precision): ürettiğin alarmların kaçı gerçek? Düşükse ekip sistemden bıkar. Duyarlılık (recall): gerçekte olan olayların kaçını yakaladın? Düşükse sistem güven vermez. İkisi birbirinin aleyhinedir; eşiği yükseltirsen kesinlik artar, duyarlılık düşer. F1 skoru bu dengenin özetidir.</p><h2>Hangi metriği önceliklendirmeli?</h2><p>Yangın ve düşme gibi kritik olaylarda duyarlılık önceliklidir — bir olayı kaçırmaktansa birkaç fazla alarm kabul edilir. KKD uyum takibinde ise kesinlik öne çıkar; yanlış ihlal kaydı ekip motivasyonunu bozar. Doğru sistem, kural bazında farklı eşik tanımlamanıza izin verir.</p><h2>Sahanın kendi rakamı</h2><p>Laboratuvar metriği sahayı bağlamaz. Kurulumlarımızda ilk iki hafta boyunca gerçek sahada doğrulama yapılır: her alarm operatörce işaretlenir, gerçek kesinlik ve duyarlılık ölçülür ve eşikler buna göre ayarlanır. Sözleşmedeki doğruluk taahhüdü bu ölçüme dayanır.</p>]]></content:encoded>
    </item>
    <item>
      <title>Kamera Yerleşimi: Analitiğin Başarısını Belirleyen İlk Karar</title>
      <link>https://cxteknoloji.com/blog/kamera-yerlesim-rehberi/</link>
      <guid isPermaLink="true">https://cxteknoloji.com/blog/kamera-yerlesim-rehberi/</guid>
      <pubDate>Sat, 27 Jun 2026 06:00:00 GMT</pubDate>
      <category>TEKNOLOJİ</category>
      <description>Görüntü analitiği için kamera yerleşim rehberi: açı, yükseklik, çözünürlük ve piksel yoğunluğu — kurulumdan önce bilinmesi gerekenler.</description>
      <content:encoded><![CDATA[<p>Analitik projelerinin başarısızlık nedenlerini sıralarsak, model kalitesi ilk üçe bile giremez. Birinci sırada kamera yerleşimi vardır. Yanlış açıdan bakan bir kamera, dünyanın en iyi modeline de yardım etmez.</p><h2>Piksel yoğunluğu</h2><p>Kritik ölçüt, hedef üzerine düşen piksel sayısıdır. Kişi tespiti için gövde yüksekliğinin en az 60-80 piksel olması gerekir; KKD gibi ince ayrıntılarda bu sayı iki katına çıkar. Kamera-hedef mesafesi, lens odak uzaklığı ve sensör çözünürlüğü birlikte hesaplanır — &quot;4K kamera koyduk, yeter&quot; yaklaşımı yanıltıcıdır.</p><h2>Açı ve tıkanma</h2><p>İdeal açı senaryoya göre değişir: kişi sayımda kuşbakışı, KKD tespitinde 20-30 derecelik eğik açı, plaka okumada yola paralel. En sık hata, birbirini gizleyen kalabalıkta yatay açıdır — arka sıradaki kişi hiç görünmez.</p><h2>Işık ve arka plan</h2><p>Pencereye karşı bakan kamera gün boyu arka aydınlatmayla savaşır; WDR ayarı yardımcı olur ama mucize yaratmaz. Kurulum keşfinde her noktanın gün içi ışık davranışını değerlendirir, gerekiyorsa açı değişikliği veya IR aydınlatma öneririz. Bir saatlik doğru keşif, aylarca süren doğruluk tartışmasını önler.</p>]]></content:encoded>
    </item>
    <item>
      <title>Düşme Algılama Sistemi: Yalnız Çalışan Personel İçin Hayati Saniyeler</title>
      <link>https://cxteknoloji.com/blog/dusme-algilama/</link>
      <guid isPermaLink="true">https://cxteknoloji.com/blog/dusme-algilama/</guid>
      <pubDate>Wed, 24 Jun 2026 06:00:00 GMT</pubDate>
      <category>İSG</category>
      <description>Kamera tabanlı düşme algılama, yalnız çalışan personelin düşmesini saniyeler içinde tespit eder ve müdahale ekibini görüntüyle uyarır.</description>
      <content:encoded><![CDATA[<p>Yalnız çalışan bir operatörün düşmesi, fark edilene kadar dakikalar hatta saatler kaybettirebilir. Giyilebilir panik butonları bilinç kaybında işe yaramaz. Kamera tabanlı düşme algılama, insan vücudunun duruş analizini sürekli yapar: ayakta, eğilmiş ve yerde duruşları ayırt eder.</p><h2>Duruş analizi nasıl çalışır?</h2><p>Model her karede kişinin iskelet noktalarını çıkarır ve gövde ekseninin zeminle ilişkisini izler. Ani duruş değişimi + yerde kalma süresi birlikte değerlendirilir; yere eğilip malzeme alan biri alarm üretmez, düşüp kalkamayan kişi saniyeler içinde olaya dönüşür.</p><h2>Müdahale zinciri</h2><p>Uyarı, konum ve canlı görüntüyle birlikte müdahale ekibine gider. Gece vardiyası, tank sahası ve bakım tünelleri gibi yalnız çalışmanın yoğun olduğu bölgelerde sistem 7/24 nöbet tutar. İSG mevzuatındaki yalnız çalışan koruması gereksinimlerini veriyle belgeler.</p>]]></content:encoded>
    </item>
    <item>
      <title>Ajan Tabanlı Yapay Zekâ: Uyarı Vermekten Karar Almaya</title>
      <link>https://cxteknoloji.com/blog/agentic-ai-fabrika/</link>
      <guid isPermaLink="true">https://cxteknoloji.com/blog/agentic-ai-fabrika/</guid>
      <pubDate>Wed, 24 Jun 2026 06:00:00 GMT</pubDate>
      <category>TEKNOLOJİ</category>
      <description>Agentic AI fabrikada ne yapar? Uyarı üreten sistemden, kural zinciri kurup aksiyon tetikleyen otonom ajanlara geçiş.</description>
      <content:encoded><![CDATA[<p>Bugünün analitik sistemleri uyarı üretir; kararı insan verir. Ajan tabanlı yapay zekâ bu sınırı kaldırıyor: sistem yalnızca &quot;baretsiz kişi var&quot; demiyor, kimin bilgilendirileceğini, ihlalin tekrar edip etmediğini ve hangi eskalasyon adımının gerektiğini kendisi belirliyor.</p><h2>Ajan mimarisi</h2><p>Bir ajan üç yetenekle tanımlanır: durumu algılama, hafıza ve araç kullanımı. Sahada bu; kamera akışını okumak, önceki olayları hatırlamak ve MES/bildirim/erişim sistemlerine komut göndermek anlamına gelir. &quot;Aynı operatör bu vardiyada üçüncü kez uyarı aldı, eğitim kaydı aç&quot; cümlesi tek bir ajan kuralıdır.</p><h2>Nerede değerli?</h2><p>Tekrarlayan ve kural zinciri uzun süreçlerde: ihlal eskalasyonu, bakım talebi açma, kalite sapmasında hat parametresi önerme. Ajan, insanın atlamaya meyilli olduğu takip adımlarını asla atlamaz.</p><h2>Sınır çizmek</h2><p>Otonomiye izin verilen alan sözleşmeyle tanımlanmalıdır: bildirim ve kayıt otomatik, fiziksel müdahale ve hat durdurma insan onaylı. Kurulumlarımızda ajan yetkisi kademeli açılır; her otomatik aksiyon loglanır ve geri alınabilir.</p>]]></content:encoded>
    </item>
    <item>
      <title>Sensör Füzyonu: Kamera, Ses ve Titreşimi Birlikte Okumak</title>
      <link>https://cxteknoloji.com/blog/multimodal-sensor-fuzyon/</link>
      <guid isPermaLink="true">https://cxteknoloji.com/blog/multimodal-sensor-fuzyon/</guid>
      <pubDate>Sun, 21 Jun 2026 06:00:00 GMT</pubDate>
      <category>TEKNOLOJİ</category>
      <description>Çok modlu sensör füzyonu ile arıza ve olay tespiti: görüntü, akustik ve titreşim verisinin birleşik analizi.</description>
      <content:encoded><![CDATA[<p>Kamera çok şey görür ama her şeyi görmez. Rulman arızası önce sesle, kalıp aşınması önce titreşimle, gaz kaçağı önce sensörle belli olur. Çok modlu füzyon, bu kanalları tek modelde birleştirerek tekil sensörlerin kaçırdığı olayları yakalar.</p><h2>Akustik analitik</h2><p>Endüstriyel mikrofonlar, makine sesinin frekans imzasını sürekli izler. Normalden sapan bir tıkırtı, görüntüde hiçbir iz bırakmadan arızayı haber verir. Kamera ile eşleştiğinde ise bağlam kazanır: &quot;3. istasyonda anormal ses + operatör müdahalesi&quot; tek olay olarak raporlanır.</p><h2>Füzyonun avantajı</h2><p>Yanlış alarm, iki bağımsız kanalın aynı anda sapmasını gerektirdiğinde radikal biçimde düşer. Yangın erken uyarısında görüntü + termal + akustik birleşimi, tek kanallı sistemlerin çok üstünde güvenilirlik verir.</p><h2>Uygulama sırası</h2><p>Öneri: kamera ile başlayın, veriyi görün, sonra kritik makinelere akustik ve titreşim ekleyin. Füzyon, altyapı olgunlaştıkça değer katan bir ikinci aşamadır — ilk gün yapılacak yatırım değil.</p>]]></content:encoded>
    </item>
    <item>
      <title>Poz Tahmini ve Ergonomi: Meslek Hastalığını Kaza Olmadan Görmek</title>
      <link>https://cxteknoloji.com/blog/poz-tahmini-ergonomi/</link>
      <guid isPermaLink="true">https://cxteknoloji.com/blog/poz-tahmini-ergonomi/</guid>
      <pubDate>Thu, 18 Jun 2026 06:00:00 GMT</pubDate>
      <category>İSG</category>
      <description>İskelet tabanlı poz tahmini ile ergonomi analizi: riskli eğilme, tekrarlı hareket ve RULA/REBA skorlarının otomatik hesabı.</description>
      <content:encoded><![CDATA[<p>İş kazası anlıktır, meslek hastalığı yıllar sürer. Bel ve omuz rahatsızlıklarının kaynağı, günde yüzlerce kez tekrarlanan yanlış duruştur — ve hiçbir denetim turu bunu ölçemez. Poz tahmini modelleri ölçer.</p><h2>İskeletten skora</h2><p>Model her karede vücudun eklem noktalarını çıkarır; gövde eğilme açısı, kol yükseklik açısı ve boyun pozisyonu hesaplanır. Bu açılar RULA ve REBA gibi standart ergonomi skorlarına dönüştürülür — istasyon bazlı risk puanı otomatik oluşur.</p><h2>Ne raporlanır?</h2><p>Vardiya boyunca riskli poz süresi, tekrar sayısı ve istasyon karşılaştırması. Anonim ve toplu raporlanır; amaç kişiyi değil istasyonu düzeltmektir. Tezgâh yüksekliği, malzeme konumu ve kaldırma yardımcısı kararları bu veriyle alınır.</p><h2>Ölçülen etki</h2><p>Kurulumlarımızda yüksek riskli poz süresinin, istasyon düzenlemesi sonrası belirgin düştüğünü ölçüyoruz. İSG kurulu için bu, ramak kala kaydından daha güçlü bir önleyici faaliyet kanıtıdır.</p>]]></content:encoded>
    </item>
    <item>
      <title>Kamera ile OEE Ölçümü: Sensörsüz Üretim Takibi</title>
      <link>https://cxteknoloji.com/blog/oee-olcumu-kamera/</link>
      <guid isPermaLink="true">https://cxteknoloji.com/blog/oee-olcumu-kamera/</guid>
      <pubDate>Wed, 17 Jun 2026 06:00:00 GMT</pubDate>
      <category>ÜRETİM</category>
      <description>OEE ölçümü için PLC ve sensör yerine kamera: makine duruşu, çevrim süresi ve adet sayımı görüntüden çıkarılır. Sensörsüz OEE takibinin avantajları.</description>
      <content:encoded><![CDATA[<p>OEE ölçümü klasik yaklaşımda PLC sinyali, sensör ve manuel veri girişi ister. Eski makinelerde PLC verisi yoktur; operatör kayıtları ise eksik ve geç kalır. Kamera tabanlı OEE, üretimin görüntüsünden üç bileşeni de çıkarır: kullanılabilirlik için makine duruşu, performans için çevrim süresi, kalite için ayrılan hatalı parça.</p><h2>Görüntüden metriğe</h2><p>Model, makinenin hareketli bölgelerini ve operatör etkileşimini izler. Duruş başladığında sayaç otomatik açılır; operatörün duruş nedeni girişi tek dokunuşla eklenir. Çıkan veri dakika hassasiyetindedir ve manuel kayda kıyasla tipik olarak %15-20 daha fazla duruş süresi ortaya çıkarır — kayıp görünür olur.</p><h2>MES ile bütünleşme</h2><p>Üretilen OEE verisi mevcut MES ya da ERP sisteminize standart API ile beslenir; ayrı bir yazılım adası oluşmaz. Tek hatlık pilot kurulum bir günde tamamlanır ve ilk hafta sonunda gerçek kullanılabilirlik rakamınızı görürsünüz.</p>]]></content:encoded>
    </item>
    <item>
      <title>Üretim Hattının Dijital İkizi: Simülasyondan Gerçek Zamana</title>
      <link>https://cxteknoloji.com/blog/dijital-ikiz-uretim-hatti/</link>
      <guid isPermaLink="true">https://cxteknoloji.com/blog/dijital-ikiz-uretim-hatti/</guid>
      <pubDate>Sun, 14 Jun 2026 06:00:00 GMT</pubDate>
      <category>ÜRETİM</category>
      <description>Dijital ikiz ile üretim hattı optimizasyonu: kamera verisiyle beslenen canlı model, darboğaz simülasyonu ve senaryo testi.</description>
      <content:encoded><![CDATA[<p>Dijital ikiz, hattın sanal kopyasıdır — ama değeri görselliğinde değil, gerçek veriyle beslenmesinde. Kameradan gelen çevrim süresi, duruş ve stok verisi ikizi canlı tutar; ikiz üzerinde denenen değişiklik gerçek hatta risk almadan test edilir.</p><h2>Ne simüle edilir?</h2><p>İstasyon sırası değişikliği, tampon stok miktarı, operatör sayısı ve vardiya planı. &quot;Üçüncü istasyona bir operatör daha koysak toplam çıktı ne olur?&quot; sorusunun cevabı, üç haftalık deneme yerine üç dakikalık simülasyonla gelir.</p><h2>Kamera neden gerekli?</h2><p>Simülasyonun kalitesi girdi verisinin kalitesidir. Manuel etüt verisi eski ve örneklemdir; kamera verisi süreklidir ve gerçek dağılımı içerir. Duruş sürelerinin dağılımı, ortalamadan çok daha bilgilendiricidir — ikiz bu dağılımla çalışır.</p><h2>Nereye evriliyor?</h2><p>Sonraki adım kapalı döngü: ikizde bulunan en iyi parametrenin doğrudan hat kontrolüne yazılması. Bugün öneri üretiyoruz; yakın dönemde denetimli otomatik ayarlamanın standartlaşmasını bekliyoruz.</p>]]></content:encoded>
    </item>
    <item>
      <title>Işıksız Fabrika Mümkün mü? Otonom Üretimde Görüntünün Rolü</title>
      <link>https://cxteknoloji.com/blog/karanlik-fabrika-otomasyon/</link>
      <guid isPermaLink="true">https://cxteknoloji.com/blog/karanlik-fabrika-otomasyon/</guid>
      <pubDate>Thu, 11 Jun 2026 06:00:00 GMT</pubDate>
      <category>ÜRETİM</category>
      <description>Karanlık fabrika (lights-out manufacturing) konsepti: insansız üretimde kalite kontrol, arıza tespiti ve görüntü analitiğinin yeri.</description>
      <content:encoded><![CDATA[<p>Işıksız fabrika, insan müdahalesi olmadan çalışan üretim demektir. Tamamen otonom tesis çoğu sektörde hâlâ uzak; ama vardiyanın bir bölümünü insansız çalıştırmak bugün mümkün — ve görüntü analitiği bunun gözü.</p><h2>İnsansızlığın koşulu: güven</h2><p>Kimsenin olmadığı bir hatta en büyük risk, sessiz hatadır: makine çalışmaya devam ederken hatalı parça üretmesi. Görüntü tabanlı %100 muayene bu riski yönetir; kusur tespit edildiğinde hat otomatik durur ve vardiya raporuna kayıt düşer.</p><h2>Arıza öncesi sinyaller</h2><p>Kamera + akustik + titreşim üçlüsü, insan kulağının yerini alır. Anormal hareket, kayış gevşemesi ve talaş birikmesi görüntüden tespit edilir; bakım ekibi sabah geldiğinde ne yapacağını bilir.</p><h2>Gerçekçi yol haritası</h2><p>Önce gündüz vardiyasında tam görünürlük kurulur, sonra gece vardiyası kademeli olarak insansızlaştırılır. Bizim gördüğümüz en sağlıklı ilerleme bu: otomasyon önce ölçmeyi, sonra karar vermeyi öğrenir.</p>]]></content:encoded>
    </item>
    <item>
      <title>MES Entegrasyonu: Görüntü Verisini Üretim Sistemine Bağlamak</title>
      <link>https://cxteknoloji.com/blog/mes-entegrasyonu/</link>
      <guid isPermaLink="true">https://cxteknoloji.com/blog/mes-entegrasyonu/</guid>
      <pubDate>Wed, 10 Jun 2026 06:00:00 GMT</pubDate>
      <category>ÜRETİM</category>
      <description>Görüntü analitiği çıktılarının MES ve ERP sistemlerine entegrasyonu: API mimarisi, veri modeli ve gerçek zamanlı üretim verisi akışı.</description>
      <content:encoded><![CDATA[<p>Görüntü analitiğinin ürettiği veri, tek başına bir panoda kaldığında değerinin çoğunu yitirir. Gerçek kazanç, duruş, sayım ve kalite olaylarının MES/ERP sistemine gerçek zamanlı akmasıyla başlar: planlama gerçek kapasiteyi görür, bakım gerçek duruş nedenini bilir, kalite izlenebilirlik zincirini kurar.</p><h2>Entegrasyon mimarisi</h2><p>Sistem, olayları REST API ve MQTT üzerinden yayınlar; SAP, Oracle ve yerli MES çözümleriyle hazır bağdaştırıcılar mevcuttur. Her olay; zaman damgası, hat/istasyon kimliği, olay tipi ve görüntü referansı taşır. Veri şeması OPC UA companion modellerine eşlenebilir.</p><h2>Pratikte akış</h2><p>Makine durduğunda MES iş emri otomatik askıya alınır; hatalı parça ayrıldığında kalite modülüne kayıt düşer ve olay klibi bağlanır. Böylece &quot;neden duruş yazılmamış&quot; tartışması biter — kayıt, görüntü kanıtıyla birlikte sistemdedir.</p>]]></content:encoded>
    </item>
    <item>
      <title>Tedarik Zincirinde Görüntü: Mal Kabulden Sevkiyata İzlenebilirlik</title>
      <link>https://cxteknoloji.com/blog/ai-tedarik-zinciri-goruntu/</link>
      <guid isPermaLink="true">https://cxteknoloji.com/blog/ai-tedarik-zinciri-goruntu/</guid>
      <pubDate>Mon, 08 Jun 2026 06:00:00 GMT</pubDate>
      <category>ENDÜSTRİYEL</category>
      <description>Tedarik zinciri görüntü analitiği: mal kabul kontrolü, palet doğrulama, yükleme kanıtı ve hasar tespiti otomasyonu.</description>
      <content:encoded><![CDATA[<p>Tedarik zincirindeki anlaşmazlıkların çoğu kanıt eksikliğinden doğar: hasar nerede oluştu, koli eksik miydi, yükleme doğru mu yapıldı? Görüntü analitiği bu soruların hepsini kayıt altına alır.</p><h2>Mal kabul</h2><p>Gelen araçta plaka okunur, palet sayılır, etiket OCR ile doğrulanır ve ambalaj hasarı otomatik tespit edilir. Uyuşmazlık varsa mal kabul o anda uyarı verir — sorun depoya girdikten sonra değil, kapıda çözülür.</p><h2>Yükleme kanıtı</h2><p>Her sevkiyat için yükleme videosu ve koli sayım kaydı arşivlenir. Müşteri itirazında saniyeler içinde erişilir. Bu tek başına, birçok müşterimizde iade ve tazmin maliyetini ölçülebilir biçimde düşürdü.</p><h2>Hasar analitiği</h2><p>Zaman içinde hasar verisi desen gösterir: belirli bir rampa, belirli bir forklift operatörü ya da belirli bir ambalaj tipi öne çıkar. Kök nedeni bulmak, tekil olayları tartışmaktan daha değerlidir.</p>]]></content:encoded>
    </item>
    <item>
      <title>Akıllı Şehir Analitiği: Trafikten Kalabalık Yönetimine</title>
      <link>https://cxteknoloji.com/blog/akilli-sehir-goruntu-analitigi/</link>
      <guid isPermaLink="true">https://cxteknoloji.com/blog/akilli-sehir-goruntu-analitigi/</guid>
      <pubDate>Fri, 05 Jun 2026 06:00:00 GMT</pubDate>
      <category>GÜVENLİK</category>
      <description>Akıllı şehir görüntü analitiği: trafik akış ölçümü, kalabalık yoğunluğu, park doluluğu ve kamu güvenliği uygulamaları.</description>
      <content:encoded><![CDATA[<p>Şehirlerde zaten on binlerce kamera var; çoğu yalnızca kayıt yapıyor. Aynı altyapıya analitik eklendiğinde şehir yönetimi ölçüm gücü kazanıyor: kavşak doygunluğu, yaya yoğunluğu, park doluluğu ve toplu taşıma yükü gerçek zamanlı veriye dönüşüyor.</p><h2>Trafik akışı</h2><p>Araç sınıfı, sayı, hız ve yön bilgisi kavşak bazında üretilir. Sinyal süreleri sabit tablodan gerçek talebe göre yönetildiğinde bekleme sürelerinde belirgin iyileşme sağlanır. Yoğunluk verisi ayrıca altyapı planlamasının en güvenilir girdisidir.</p><h2>Kalabalık güvenliği</h2><p>Etkinlik ve istasyon alanlarında metrekare başına kişi yoğunluğu izlenir; kritik eşiğe yaklaşıldığında yönlendirme ekibi uyarılır. İzdiham riski, oluşmadan yönetilebilir hâle gelir.</p><h2>Mahremiyet dengesi</h2><p>Kamu alanında analitik, mahremiyet açısından en hassas uygulamadır. İlkemiz net: yüz tanıma yok, kimlik eşleştirme yok, yalnızca anonim sayım ve yoğunluk. Görüntü yerinde işlenir, meta veri saklanır.</p>]]></content:encoded>
    </item>
    <item>
      <title>RTSP'den Edge GPU'ya: Görüntü Analitiği Sistem Mimarisi</title>
      <link>https://cxteknoloji.com/blog/rtsp-edge-gpu/</link>
      <guid isPermaLink="true">https://cxteknoloji.com/blog/rtsp-edge-gpu/</guid>
      <pubDate>Wed, 03 Jun 2026 06:00:00 GMT</pubDate>
      <category>TEKNOLOJİ</category>
      <description>Görüntü analitiği mimarisi: RTSP akışı, donanım hızlandırmalı çözümleme, edge GPU üzerinde çıkarım ve olay yönetimi katmanları.</description>
      <content:encoded><![CDATA[<p>Sağlam bir görüntü analitiği sistemi dört katmandan oluşur: kamera akışı, çözümleme, çıkarım ve olay yönetimi. İlk katman mevcut IP kameranızdır — H.264/H.265 kodlanmış RTSP akışı, sistemin tek girdisidir. Kamera değişimi gerekmez; ONVIF uyumlu her cihaz desteklenir.</p><h2>Çözümleme ve çıkarım</h2><p>Akış, edge sunucudaki GPU üzerinde donanım hızlandırmalı olarak çözülür; tek bir GPU tipik olarak 16-32 kamerayı gerçek zamanlı işler. Çözülen kareler CNN tabanlı tespit ve takip modellerinden geçer — kare başına çıkarım süresi 40 milisaniyenin altındadır, uçtan uca uyarı gecikmesi 3 saniyeyi geçmez.</p><h2>Neden edge?</h2><p>Görüntünün tesiste işlenmesi üç sorunu birden çözer: bant genişliği (buluta ham video gitmez), gecikme (karar yerinde verilir) ve KVKK (görüntü sahayı terk etmez). Buluta yalnızca olay meta verisi ve isteğe bağlı kısa klipler gider. Sistem internet kesintisinde de çalışmaya devam eder.</p>]]></content:encoded>
    </item>
    <item>
      <title>Enerji Verimliliği: Boşa Çalışan Makineyi Görüntüden Yakalamak</title>
      <link>https://cxteknoloji.com/blog/enerji-verimliligi-analitik/</link>
      <guid isPermaLink="true">https://cxteknoloji.com/blog/enerji-verimliligi-analitik/</guid>
      <pubDate>Mon, 01 Jun 2026 06:00:00 GMT</pubDate>
      <category>ÜRETİM</category>
      <description>Enerji verimliliği analitiği: boş çalışan ekipman, gereksiz aydınlatma ve basınçlı hava kaçağının görüntüyle tespiti.</description>
      <content:encoded><![CDATA[<p>Enerji faturasının görünmeyen kalemi, iş yapmadan çalışan ekipmandır: boşta dönen konveyör, kimsenin olmadığı bölgede yanan aydınlatma, vardiya sonunda kapatılmayan pres. Sayaç toplamı gösterir, nedeni göstermez — kamera gösterir.</p><h2>Boş çalışma tespiti</h2><p>Model, makinenin çalıştığını ama üzerinde ürün olmadığını ayırt eder. Boşta çalışma süresi makine bazında raporlanır; çoğu tesiste bu sürenin beklenenden yüksek olduğu ilk haftada ortaya çıkar.</p><h2>Aydınlatma ve iklimlendirme</h2><p>Doluluk verisi, aydınlatma ve iklimlendirme kontrolüne bağlanır. Kimsenin olmadığı bölge kısılır, hareket algılandığında geri açılır. Depo sahalarında bu tek başına ciddi tasarruf kalemidir.</p><h2>Raporlanabilir tasarruf</h2><p>Enerji analitiği, ISO 50001 gibi standartlarda kanıt üretir: hangi önlem, hangi tarihte, ne kadar tasarruf sağladı. Yatırım geri dönüşü genellikle diğer tüm modüllerden hızlıdır.</p>]]></content:encoded>
    </item>
    <item>
      <title>Tahmine Dayalı Bakım: Arızayı Duruş Olmadan Görmek</title>
      <link>https://cxteknoloji.com/blog/tahmine-dayali-bakim-goruntu/</link>
      <guid isPermaLink="true">https://cxteknoloji.com/blog/tahmine-dayali-bakim-goruntu/</guid>
      <pubDate>Fri, 29 May 2026 06:00:00 GMT</pubDate>
      <category>ÜRETİM</category>
      <description>Görüntü tabanlı tahmine dayalı bakım: kayış aşınması, sızıntı, titreşim ve termal eğilimlerin arıza öncesi tespiti.</description>
      <content:encoded><![CDATA[<p>Bakım stratejileri üç kademede gelişir: arızalanınca onar, takvime göre değiştir, arıza sinyalini görünce müdahale et. Üçüncüsü en ekonomiktir ve sinyalin çoğu görüntüde vardır — yeter ki bakan olsun.</p><h2>Görüntüden okunan sinyaller</h2><p>Kayış titreşimi ve kaçıklığı, hidrolik sızıntı lekesinin büyümesi, zincir gevşemesi, talaş ve toz birikmesi, termal kamerada rulman ısınma eğilimi. Bunların hiçbiri anlık alarm değil; değeri trendde.</p><h2>Trend eşiği</h2><p>Sistem tekil ölçüm yerine eğim izler: sıcaklık haftalar içinde yükselmeye başladıysa, eşiği aşmadan bakım talebi açılır. İş planlı duruşta yapılır; hurda ve plansız duruş maliyeti hiç doğmaz.</p><h2>MES ile bütünleşme</h2><p>Bakım talebi otomatik oluşur, ilgili görüntü ve trend grafiği talebe eklenir. Bakım ekibi sahaya &quot;bir şeye bak&quot; diye değil, &quot;şu rulmanı değiştir&quot; bilgisiyle gider.</p>]]></content:encoded>
    </item>
    <item>
      <title>Gerçek Zamanlı Nesne Tespiti: CNN Modelleri Sahada Nasıl Çalışır?</title>
      <link>https://cxteknoloji.com/blog/yolo-nesne-tespiti/</link>
      <guid isPermaLink="true">https://cxteknoloji.com/blog/yolo-nesne-tespiti/</guid>
      <pubDate>Wed, 27 May 2026 06:00:00 GMT</pubDate>
      <category>TEKNOLOJİ</category>
      <description>Gerçek zamanlı nesne tespiti için CNN mimarileri: tek geçişli tespit, çoklu nesne takibi ve endüstriyel sahada model optimizasyonu.</description>
      <content:encoded><![CDATA[<p>Endüstriyel görüntü analitiğinin kalbinde tek geçişli (single-shot) evrişimli sinir ağları yatar. Bu mimariler bir kareyi tek ileri geçişte işleyip tüm nesneleri sınıf ve konum bilgisiyle döndürür — gerçek zamanlı çalışmanın önkoşulu budur. Sahada kişi, araç, KKD ve ürün gibi onlarca sınıf aynı modelde tespit edilir.</p><h2>Tespitten takibe</h2><p>Tespit tek karelik bir fotoğraftır; sahada anlam, nesnenin zaman içindeki izinden çıkar. Çoklu nesne takibi (MOT), kareler arasında kimlik eşleştirmesi yaparak her kişiye ve araca kalıcı bir iz numarası verir. Hız, yön, kalış süresi ve bölge geçişleri bu izden hesaplanır.</p><h2>Saha optimizasyonu</h2><p>Genel veri kümeleriyle eğitilmiş model, sahanızın ışığına ve kamera açısına uyarlanmadan tam performans veremez. Kurulum sonrası ilk haftalarda toplanan örneklerle ince ayar yapılır; TensorRT ile nicemlenen model, edge GPU üzerinde iki katına kadar hızlanır. %96+ saha doğruluğu bu döngünün ürünüdür.</p>]]></content:encoded>
    </item>
    <item>
      <title>Kalite 4.0: İstatistiksel Kontrolden Sürekli Muayeneye</title>
      <link>https://cxteknoloji.com/blog/kalite-4-0/</link>
      <guid isPermaLink="true">https://cxteknoloji.com/blog/kalite-4-0/</guid>
      <pubDate>Mon, 25 May 2026 06:00:00 GMT</pubDate>
      <category>ENDÜSTRİYEL</category>
      <description>Kalite 4.0 yaklaşımı: örneklemli SPC yerine %100 görüntü muayenesi, kök neden analizi ve kapalı döngü süreç kontrolü.</description>
      <content:encoded><![CDATA[<p>İstatistiksel süreç kontrolü (SPC), örneklemin temsil ettiği varsayımına dayanır. Bu varsayım, hat hızlandığında ve varyasyon arttığında zayıflar. Kalite 4.0, örneklemi tamamen ortadan kaldırmayı hedefler: her parça ölçülür, her ölçüm kayıt altındadır.</p><h2>Veri hacmi bir sorun değil, avantaj</h2><p>%100 muayene, parça başına birkaç metrik üretir; günlük yüz binlerce kayıt oluşur. Bu hacim, kusur ile süreç parametresi arasındaki ilişkiyi istatistiksel olarak anlamlı biçimde kurmayı sağlar — örneklemle bulunamayacak korelasyonlar ortaya çıkar.</p><h2>Kapalı döngü</h2><p>Ölçüm sonucu süreç kontrolüne geri beslendiğinde döngü kapanır: ölçü kaymaya başladığında makine parametresi düzeltilir, kusur hiç doğmaz. Bugün öneri seviyesindeyiz; kapalı döngü otomatik ayar, kalite mühendisliğinin bir sonraki eşiği.</p><h2>İzlenebilirlik</h2><p>Her parçanın ölçüm kaydı ve görüntüsü, seri numarasıyla eşleşir. Müşteri şikâyetinde ilgili parti saniyeler içinde bulunur; geri çağırma kapsamı tüm üretim değil, gerçek etkilenen parti olur.</p>]]></content:encoded>
    </item>
    <item>
      <title>Şantiye Güvenliği Analitiği: Değişen Sahada Sabit Denetim</title>
      <link>https://cxteknoloji.com/blog/insaat-santiye-guvenligi/</link>
      <guid isPermaLink="true">https://cxteknoloji.com/blog/insaat-santiye-guvenligi/</guid>
      <pubDate>Fri, 22 May 2026 06:00:00 GMT</pubDate>
      <category>İSG</category>
      <description>İnşaat şantiyesinde görüntü analitiği: baret ve emniyet kemeri kontrolü, yüksekte çalışma, vinç altı bölge ve ilerleme takibi.</description>
      <content:encoded><![CDATA[<p>Şantiye, analitik açısından en zor sahadır: düzen her hafta değişir, kamera açıları eskir, hava koşulu görüntüyü bozar. Yine de en çok ihtiyaç duyan saha da burasıdır — ölümlü iş kazalarının önemli bölümü inşaatta yaşanır.</p><h2>Öncelikli kurallar</h2><p>Baret ve emniyet kemeri kontrolü, yüksekte çalışmada korkuluk denetimi, vinç yükü altında personel tespiti, iskele erişim kontrolü. Bu dört kural, ağır kaza senaryolarının büyük kısmını kapsar.</p><h2>Değişen sahaya uyum</h2><p>Sabit kamera yerine hareketli direk ve 5G bağlantılı geçici kurulum tercih edilir; bölge tanımları haftalık olarak güncellenir. Model, açı değişimlerine dayanıklı olacak şekilde çok açılı veriyle eğitilir.</p><h2>İlerleme takibi bonusu</h2><p>Aynı kameralar, hakediş ve ilerleme takibinde kullanılır: kat betonu, duvar örgüsü ve montaj ilerlemesi haftalık görüntü karşılaştırmasıyla belgelenir. Güvenlik yatırımı, proje yönetimine de veri üretir.</p>]]></content:encoded>
    </item>
    <item>
      <title>Yanlış Alarmı Azaltmanın Yolu: Zamansal Doğrulama ve Kural Motoru</title>
      <link>https://cxteknoloji.com/blog/yanlis-alarm-azaltma/</link>
      <guid isPermaLink="true">https://cxteknoloji.com/blog/yanlis-alarm-azaltma/</guid>
      <pubDate>Wed, 20 May 2026 06:00:00 GMT</pubDate>
      <category>TEKNOLOJİ</category>
      <description>Video analitikte yanlış alarm oranını düşüren teknikler: zamansal doğrulama, mekânsal kurallar ve güven eşiği yönetimi.</description>
      <content:encoded><![CDATA[<p>Bir güvenlik sistemi ne kadar hassassa o kadar çok uyarı üretir; uyarıların çoğu yanlışsa ekip sistemi kapatır. Görüntü analitiğinde asıl mühendislik, tespitte değil yanlış alarmın bastırılmasındadır. Bunun üç aracı vardır: güven eşiği, mekânsal kural ve zamansal doğrulama.</p><h2>Üç katmanlı süzgeç</h2><p>Güven eşiği, modelin kararsız tespitlerini eler. Mekânsal kural, tespitin tanımlı bölgeyle kesişimini arar — koridordan geçen kişi, pres alanı kuralını tetiklemez. Zamansal doğrulama ise olayın ardışık karelerde tutarlı sürmesini bekler: tek karelik bir gölge asla alarma dönüşmez.</p><h2>Sürekli iyileştirme</h2><p>Sahaya özgü yanlış alarm kaynakları (yansıma, buhar, vardiya değişimi kalabalığı) ilk haftalarda etiketlenir ve model bu örneklerle yeniden eğitilir. Hedefimiz net: operatörün her uyarıyı ciddiye aldığı bir sistem. Kurulumlarımızda vardiya başına yanlış alarm sayısı tek haneye iner.</p>]]></content:encoded>
    </item>
    <item>
      <title>Gıda Üretiminde Hijyen ve Kalite Analitiği</title>
      <link>https://cxteknoloji.com/blog/gida-uretimi-hijyen/</link>
      <guid isPermaLink="true">https://cxteknoloji.com/blog/gida-uretimi-hijyen/</guid>
      <pubDate>Mon, 18 May 2026 06:00:00 GMT</pubDate>
      <category>ENDÜSTRİYEL</category>
      <description>Gıda sektöründe görüntü analitiği: bone ve maske kontrolü, yabancı madde tespiti, dolum seviyesi ve etiket doğrulama.</description>
      <content:encoded><![CDATA[<p>Gıda üretiminde denetim, hem yasal zorunluluk hem marka riskidir. Tek bir yabancı madde vakası, yıllarca kurulan güveni bitirebilir. Görüntü analitiği, hijyen kurallarını ve ürün kalitesini aynı altyapıyla denetler.</p><h2>Personel hijyeni</h2><p>Bone, maske, eldiven ve önlük kullanımı üretim alanı girişinde otomatik kontrol edilir; eksik ekipmanla giriş turnikede engellenir. El yıkama istasyonu kullanımı süre bazlı denetlenir.</p><h2>Ürün tarafı</h2><p>Dolum seviyesi, kapak oturması, etiket hizası ve son kullanma tarihi okunması hat hızında doğrulanır. Yabancı madde tespiti, renk ve doku anomalisi üzerinden çalışır; şüpheli ürün otomatik ayrılır.</p><h2>Denetime hazır kayıt</h2><p>HACCP ve müşteri denetimlerinde en zor kısım kanıttır. Sistem, kural bazlı uyum oranını ve olay kayıtlarını tarih aralığıyla raporlar — denetim dosyası tek tıkla hazırlanır.</p>]]></content:encoded>
    </item>
    <item>
      <title>Akaryakıt İstasyonlarında Güvenlik Analitiği</title>
      <link>https://cxteknoloji.com/blog/akaryakit-istasyon-guvenligi/</link>
      <guid isPermaLink="true">https://cxteknoloji.com/blog/akaryakit-istasyon-guvenligi/</guid>
      <pubDate>Fri, 15 May 2026 06:00:00 GMT</pubDate>
      <category>GÜVENLİK</category>
      <description>Akaryakıt istasyonu görüntü analitiği: sigara ve ateş tespiti, cep telefonu kullanımı, kaçak yakıt alımı ve plaka takibi.</description>
      <content:encoded><![CDATA[<p>Akaryakıt sahası, küçük bir ihmalin büyük sonuç doğurduğu ender ortamlardan biri. Pompa alanında sigara, açık alev ya da kıvılcım riski taşıyan davranışlar saniyeler içinde tespit edilmeli.</p><h2>Denetlenen davranışlar</h2><p>Sigara ve açık alev tespiti, pompa başında motor kapatılmaması, izinsiz bidon dolumu ve araç içinde kalarak yakıt alımı. Uyarı, sahadaki anons sistemine ve istasyon yöneticisine anında gider.</p><h2>Ticari koruma</h2><p>Aynı sistem plaka takibi ile ödeme yapmadan ayrılan araçları kaydeder; pompa-plaka eşleştirmesi sayesinde her satış görüntülü kanıtla ilişkilendirilir. Kaçak yakıt alımı ve personel kaynaklı kayıplar ölçülebilir hâle gelir.</p><h2>Kurulum notu</h2><p>Pompa adası kameraları genellikle mevcut; ihtiyaç duyulan tek şey doğru açı ve analitik katmanı. Ex-proof bölge sınırları dışına konumlandırma, kurulum keşfinde planlanır.</p>]]></content:encoded>
    </item>
    <item>
      <title>KVKK ve Görüntü İşleme: Uyumlu Video Analitiği Nasıl Kurulur?</title>
      <link>https://cxteknoloji.com/blog/kvkk-goruntu-isleme/</link>
      <guid isPermaLink="true">https://cxteknoloji.com/blog/kvkk-goruntu-isleme/</guid>
      <pubDate>Wed, 13 May 2026 06:00:00 GMT</pubDate>
      <category>TEKNOLOJİ</category>
      <description>KVKK uyumlu görüntü analitiği: verinin sahada işlenmesi, anonimleştirme, saklama süreleri ve aydınlatma yükümlülüğü rehberi.</description>
      <content:encoded><![CDATA[<p>Görüntü işleme projelerinde en sık sorulan soru tekniğe değil hukuka dairdir: KVKK'ya uygun mu? Doğru mimariyle cevap net bir evettir. Temel ilke veri minimizasyonudur — sistemin amacı kişiyi tanımak değil, olayı tespit etmektir.</p><h2>Uyumun teknik karşılığı</h2><p>Görüntü edge sunucuda, yani tesis içinde işlenir; buluta ham video gitmez. Analitik çıktılar anonimdir: &quot;saat 14:02'de 3 numaralı bölgede baretsiz kişi&quot; kaydı kimlik içermez. Yüz tanıma kullanılmaz; istenirse kliplerdeki yüzler otomatik bulanıklaştırılır. Olay klipleri tanımlı saklama süresi sonunda otomatik silinir.</p><h2>İdari yükümlülükler</h2><p>Aydınlatma metinlerinin kamera analitiğini kapsayacak biçimde güncellenmesi, VERBİS kaydının gözden geçirilmesi ve erişim yetki matrisinin tanımlanması kurulum sürecinin parçasıdır. Denetimde sistemin veri akış şeması ve saklama politikası tek dokümanla sunulur.</p>]]></content:encoded>
    </item>
    <item>
      <title>Depo Otomasyonu: Görüntüyle Stok, Alan ve Akış Yönetimi</title>
      <link>https://cxteknoloji.com/blog/lojistik-depo-otomasyonu/</link>
      <guid isPermaLink="true">https://cxteknoloji.com/blog/lojistik-depo-otomasyonu/</guid>
      <pubDate>Mon, 11 May 2026 06:00:00 GMT</pubDate>
      <category>ENDÜSTRİYEL</category>
      <description>Depo görüntü analitiği: raf doluluk oranı, palet konum doğrulama, koridor yoğunluğu ve sipariş toplama süresi ölçümü.</description>
      <content:encoded><![CDATA[<p>Depo verimliliğinin üç düşmanı vardır: yanlış yerleşim, boş alan ve gereksiz yürüme. Üçü de görüntüden ölçülebilir — barkod okumanın göremediği şeyleri kamera görür.</p><h2>Alan ve doluluk</h2><p>Raf ve blok alanlarının doluluk oranı sürekli izlenir; boş göz haritası anlık olarak bilinir. Yerleştirme kararı &quot;en yakın boş göz&quot; mantığıyla verilebilir, forklift boş yol katetmez.</p><h2>Konum doğrulama</h2><p>Paletin doğru gözde olup olmadığı görsel olarak doğrulanır; yanlış yerleşim aynı vardiyada düzeltilir. Sayım farklarının en yaygın nedeni budur ve kaynağında çözülür.</p><h2>Akış ve süre</h2><p>Koridor yoğunluğu ve sipariş toplama süreleri ölçülür; yavaşlayan bölge ve sıkışan kesişim tespit edilir. Yerleşim planı, ürün hareket hızına göre veriyle yeniden düzenlenir.</p>]]></content:encoded>
    </item>
    <item>
      <title>Perakendede Kayıp Önleme: Davranış Analitiğiyle Erken Uyarı</title>
      <link>https://cxteknoloji.com/blog/perakende-kayip-onleme/</link>
      <guid isPermaLink="true">https://cxteknoloji.com/blog/perakende-kayip-onleme/</guid>
      <pubDate>Fri, 08 May 2026 06:00:00 GMT</pubDate>
      <category>PERAKENDE</category>
      <description>Kayıp önleme analitiği: şüpheli davranış tespiti, kasa işlem doğrulama ve stok kaybının kaynağını bulma.</description>
      <content:encoded><![CDATA[<p>Perakendede stok kaybının kaynağı üç yerden gelir: müşteri, personel ve süreç hatası. Envanter farkı yalnızca toplamı gösterir; hangisinin ne kadar payı olduğunu göstermez. Davranış analitiği bu ayrıştırmayı yapar.</p><h2>Davranış sinyalleri</h2><p>Raf önünde olağandışı uzun duraklama, ürünü gizleyecek hareket desenleri, deneme kabini giriş-çıkış ürün sayısı farkı. Sistem suçlamaz; risk skoru üretir ve görevliyi nazik bir müdahale için yönlendirir.</p><h2>Kasa doğrulama</h2><p>POS işlem verisi kamera görüntüsüyle eşleştirilir: iptal, iade ve indirim işlemleri sırasında gerçekten ürün hareketi var mı? Süreç kaynaklı ve personel kaynaklı kayıp bu eşleştirmeyle ayrışır.</p><h2>Mahremiyet ve ölçü</h2><p>Yüz tanıma kullanılmaz, kişisel profil oluşturulmaz. Analitik anonimdir ve amaç caydırıcılıktır. Pilot mağazalarda görünür uyarı levhası ile birlikte kaybın belirgin düştüğünü ölçtük.</p>]]></content:encoded>
    </item>
    <item>
      <title>Edge mi Bulut mu? Görüntü Analitiğinde Doğru Mimari Seçimi</title>
      <link>https://cxteknoloji.com/blog/edge-vs-cloud/</link>
      <guid isPermaLink="true">https://cxteknoloji.com/blog/edge-vs-cloud/</guid>
      <pubDate>Wed, 06 May 2026 06:00:00 GMT</pubDate>
      <category>TEKNOLOJİ</category>
      <description>Edge computing ve bulut karşılaştırması: görüntü analitiğinde gecikme, bant genişliği, KVKK ve maliyet açısından mimari seçim rehberi.</description>
      <content:encoded><![CDATA[<p>Görüntü analitiği projelerinde ilk mimari karar işlemenin nerede yapılacağıdır. Bulut esneklik vaat eder; ancak 30 kameralık bir sahanın ham videosunu buluta taşımak hem bant genişliği hem maliyet açısından savunulamaz. Pratik cevap hibrittir: çıkarım kenarda, yönetim bulutta.</p><h2>Karşılaştırma kriterleri</h2><p>Gecikme: sahadaki uyarının 3 saniyede ulaşması gerekiyorsa karar yerinde verilmelidir. Bant genişliği: 30 kamera ham akışta ~150 Mbps ister, olay meta verisi kilobaytlarla ölçülür. KVKK: görüntünün tesisi terk etmemesi uyumu radikal biçimde basitleştirir. Süreklilik: internet kesintisi edge sistemi durdurmaz.</p><h2>Hibrit model</h2><p>Kurulumlarımızda tespit ve kural motoru edge GPU üzerinde koşar; bulut katmanı panoları, çoklu tesis karşılaştırmasını ve model güncellemelerini yönetir. Müşteri isterse tamamen kapalı devre (on-premise) çalışma da mümkündür — mimari, kurumun BT politikasına uyar, tersi değil.</p>]]></content:encoded>
    </item>
    <item>
      <title>Hastane ve Sağlık Tesislerinde Görüntü Analitiği</title>
      <link>https://cxteknoloji.com/blog/saglik-tesisi-analitik/</link>
      <guid isPermaLink="true">https://cxteknoloji.com/blog/saglik-tesisi-analitik/</guid>
      <pubDate>Mon, 04 May 2026 06:00:00 GMT</pubDate>
      <category>GÜVENLİK</category>
      <description>Sağlık tesisi analitiği: hasta düşme tespiti, bekleme süresi yönetimi, kısıtlı alan kontrolü ve hijyen uyumu.</description>
      <content:encoded><![CDATA[<p>Sağlık tesisi, güvenlik ve hasta deneyiminin aynı anda kritik olduğu ortamdır. Kamera altyapısı zaten yaygın; analitik katmanı hem klinik güvenliğe hem operasyona değer üretir.</p><h2>Hasta güvenliği</h2><p>Servis koridorlarında ve tek kişilik odalarda düşme tespiti, hemşire çağrısı gelmeden müdahaleyi başlatır. Yatak yanı hareketsizlik süresi izlenebilir; mahremiyet için siluet tabanlı işleme tercih edilir.</p><h2>Operasyon tarafı</h2><p>Poliklinik bekleme alanı yoğunluğu ve ortalama bekleme süresi ölçülür; randevu planlaması gerçek veriyle düzenlenir. Acil bölümünde kalabalık artışı erken uyarı üretir.</p><h2>Hijyen ve erişim</h2><p>El dezenfektanı kullanımı, önlük ve maske uyumu ile ameliyathane ve eczane gibi kısıtlı alan girişleri denetlenir. Enfeksiyon kontrol komitesi için ölçülebilir uyum verisi oluşur.</p>]]></content:encoded>
    </item>
    <item>
      <title>Enerji Tesislerinde Perimetre Güvenliği</title>
      <link>https://cxteknoloji.com/blog/enerji-tesisi-perimetre/</link>
      <guid isPermaLink="true">https://cxteknoloji.com/blog/enerji-tesisi-perimetre/</guid>
      <pubDate>Fri, 01 May 2026 06:00:00 GMT</pubDate>
      <category>GÜVENLİK</category>
      <description>Enerji tesisi perimetre analitiği: çit ihlali, termal tespit, kritik altyapı koruması ve yanlış alarmın azaltılması.</description>
      <content:encoded><![CDATA[<p>Trafo merkezi, güneş santrali ve boru hattı gibi kritik altyapıda perimetre uzun, personel azdır. Klasik çit sensörleri rüzgâr ve hayvan hareketiyle sürekli yanlış alarm üretir; ekip bir süre sonra alarmı ciddiye almaz.</p><h2>Görüntüyle doğrulama</h2><p>Analitik katmanı, sensör alarmını görüntüyle çapraz doğrular: gerçekten insan mı, hayvan mı, dal mı? Yanlış alarm oranı ciddi biçimde düşer ve gerçek olaylar görünür kalır.</p><h2>Termal ve gece</h2><p>Aydınlatmasız uzun perimetrede termal kamera esastır; insan ve araç, tam karanlıkta yüzlerce metre mesafeden tespit edilir. Optik kamera eşleşmesi kanıt klibini üretir.</p><h2>Güneş santrali özel durumu</h2><p>Panel hırsızlığı ve kablo kesme olayları dışında, aynı kameralar panel kirliliği ve gölgelenme analizinde de kullanılabilir — güvenlik yatırımı üretim verimliliğine de hizmet eder.</p>]]></content:encoded>
    </item>
    <item>
      <title>ONVIF ve VMS Entegrasyonu: Mevcut Kamera Altyapısını Akıllandırmak</title>
      <link>https://cxteknoloji.com/blog/onvif-vms-entegrasyon/</link>
      <guid isPermaLink="true">https://cxteknoloji.com/blog/onvif-vms-entegrasyon/</guid>
      <pubDate>Wed, 29 Apr 2026 06:00:00 GMT</pubDate>
      <category>TEKNOLOJİ</category>
      <description>ONVIF uyumlu kameralar ve VMS entegrasyonu ile mevcut CCTV altyapısına yapay zekâ eklemek: kamera değişimi gerektirmeyen kurulum.</description>
      <content:encoded><![CDATA[<p>&quot;Kameralarımızı değiştirmemiz gerekir mi?&quot; — hayır. Görüntü analitiği katmanı, ONVIF standardını destekleyen ya da RTSP akışı veren her kamerayla çalışır. 10 yıllık analog dönüşüm projelerinden kalan IP kameralar dahil, sahadaki mevcut altyapı olduğu gibi kullanılır.</p><h2>VMS ile birlikte yaşama</h2><p>Milestone, Genetec, Hikvision ve Dahua VMS kurulumlarıyla yan yana çalışırız: analitik sunucu akışı VMS'ten ya da doğrudan kameradan alır, ürettiği olayları VMS'in alarm kanalına geri besler. Güvenlik operatörü alıştığı ekranda, ama artık yapay zekâ süzgecinden geçmiş olaylar görür.</p><h2>Kurulum adımları</h2><p>Keşifte kamera envanteri ve açılar değerlendirilir; analitik değeri yüksek 8-16 kamerayla başlanır. Edge sunucu tesise kurulur, akışlar tanımlanır, kurallar sahayla birlikte çizilir. Tipik devreye alma süresi bir haftadan kısadır ve hiçbir kablonun yeri değişmez.</p>]]></content:encoded>
    </item>
    <item>
      <title>Doğru Pilot Nasıl Tasarlanır? 30 Günde Karar Verilebilir Sonuç</title>
      <link>https://cxteknoloji.com/blog/roi-pilot-tasarimi/</link>
      <guid isPermaLink="true">https://cxteknoloji.com/blog/roi-pilot-tasarimi/</guid>
      <pubDate>Mon, 27 Apr 2026 06:00:00 GMT</pubDate>
      <category>ÜRETİM</category>
      <description>Görüntü analitiği pilot projesi tasarımı: kapsam seçimi, başarı kriteri, ölçüm yöntemi ve yaygınlaştırma kararı.</description>
      <content:encoded><![CDATA[<p>Başarısız pilotların çoğu teknoloji yüzünden değil, tasarım yüzünden başarısız olur: kapsam çok geniş, başarı kriteri belirsiz, ölçüm yöntemi tartışmalı. İyi bir pilot 30 günde net karar üretir.</p><h2>Kapsamı daralt</h2><p>Tek bir problem, tek bir bölge, en fazla 8 kamera. &quot;Tüm fabrikada tüm kurallar&quot; pilotu, hiçbir sonucu net göstermez. En acı veren tek problemi seçmek, kararı hızlandırır.</p><h2>Başarı kriterini önce yaz</h2><p>Pilottan önce iki sayı tanımlanır: kabul edilebilir minimum doğruluk ve vardiya başına kabul edilebilir maksimum yanlış alarm. Sonuç bu iki sayıya göre değerlendirilir — his değil ölçüm konuşur.</p><h2>Ölçüm yöntemi</h2><p>İlk hafta kalibrasyon, sonraki üç hafta ölçüm. Her alarm operatörce doğru/yanlış olarak işaretlenir; ayrıca haftada bir rastgele saat dilimi manuel izlenerek kaçırılan olaylar bulunur. Böylece hem kesinlik hem duyarlılık gerçek rakamla raporlanır.</p><h2>Karar</h2><p>30. günde üç seçenek olur: yaygınlaştır, kuralı revize edip bir tur daha dene, ya da bu problemin analitikle çözülmediğini kabul et. Üçüncüsü de değerli bir sonuçtur — ve dürüst bir tedarikçi bunu söyleyebilmelidir.</p>]]></content:encoded>
    </item>
    <item>
      <title>Yapay Zekâ Mevzuatı: Risk Sınıflandırması ve Uyum Yükümlülükleri</title>
      <link>https://cxteknoloji.com/blog/yapay-zeka-mevzuat-ai-act/</link>
      <guid isPermaLink="true">https://cxteknoloji.com/blog/yapay-zeka-mevzuat-ai-act/</guid>
      <pubDate>Fri, 24 Apr 2026 06:00:00 GMT</pubDate>
      <category>TEKNOLOJİ</category>
      <description>AB Yapay Zekâ Yasası ve Türkiye'deki gelişmeler: yüksek riskli sistemler, şeffaflık yükümlülüğü ve iş yerinde AI kullanımı.</description>
      <content:encoded><![CDATA[<p>Yapay zekâ artık yalnızca teknik değil hukuki bir alan. AB Yapay Zekâ Yasası risk bazlı bir çerçeve kuruyor: yasak uygulamalar, yüksek riskli sistemler ve şeffaflık yükümlülüğü olan sistemler. İş yerinde kullanılan analitik, bu sınıflandırmadan bağımsız değil.</p><h2>Hangi kullanım hangi sınıfta?</h2><p>İş yerinde çalışan davranışını değerlendiren sistemler yüksek risk kategorisine yaklaşır; anonim sayım ve güvenlik ihlali tespiti ise daha hafif yükümlülüklerle çalışır. Duygu tanıma gibi uygulamalar iş yerinde yasaklı kategoriye girmektedir.</p><h2>Uyumun pratik karşılığı</h2><p>Risk değerlendirme dokümanı, veri yönetişimi kaydı, insan gözetimi tanımı, doğruluk ve sağlamlık raporu, kullanıcı bilgilendirmesi. Bunların hepsi zaten iyi mühendislik pratiğidir; mevzuat bunları belgelemeyi zorunlu kılıyor.</p><h2>Bizim yaklaşımımız</h2><p>Sistemlerimizi tasarım aşamasında bu çerçeveye göre kuruyoruz: kişi puanlama yok, anonim raporlama esas, her otomatik karar için insan gözetimi tanımlı ve her modelin doğruluk raporu belgeli. Uyum sonradan eklenen bir katman değil, mimarinin parçası.</p>]]></content:encoded>
    </item>
    <item>
      <title>Mağaza Kişi Sayma Sistemi: %96 Doğrulukla Ziyaretçi Analitiği</title>
      <link>https://cxteknoloji.com/blog/kisi-sayma-sistemi/</link>
      <guid isPermaLink="true">https://cxteknoloji.com/blog/kisi-sayma-sistemi/</guid>
      <pubDate>Wed, 22 Apr 2026 06:00:00 GMT</pubDate>
      <category>PERAKENDE</category>
      <description>Kişi sayma sistemi ile mağaza trafiği, dönüşüm oranı ve personel planlaması: kamera tabanlı ziyaretçi saymanın doğruluk faktörleri.</description>
      <content:encoded><![CDATA[<p>Perakendede en temel metrik hâlâ en yanlış ölçülendir: mağazaya kaç kişi girdi? Kızılötesi sayaçlar çift geçişte şaşırır, yan yana giren grubu tek sayar. Kamera tabanlı kişi sayma, tavan kamerasının görüntüsünde her ziyaretçiyi ayrı ayrı tespit edip takip eder; personel, kurye ve tekrar girişler ayrıştırılır.</p><h2>Sayımdan dönüşüme</h2><p>Doğru sayım, dönüşüm oranını anlamlı kılar: ziyaretçi / fiş sayısı. Saatlik trafik eğrisi personel vardiyasıyla üst üste konduğunda, kasada yığılmanın ve satış kaçağının hangi saatte doğduğu görülür. Suwen mağazalarında sayım doğruluğu %96,2 olarak doğrulanmıştır.</p><h2>Çok mağazalı yönetim</h2><p>Zincir yapılarda tüm mağazaların trafiği tek panoda toplanır; mağazalar ziyaretçi başına ciroyla karşılaştırılır. Kampanya dönemlerinde vitrin değişiminin trafiğe etkisi gün bazında ölçülür — pazarlama kararı sezgiden veriye taşınır.</p>]]></content:encoded>
    </item>
    <item>
      <title>Video Sistemlerinde Siber Güvenlik: Kamera Bir Uç Nokta mıdır?</title>
      <link>https://cxteknoloji.com/blog/sifir-guven-video-guvenlik/</link>
      <guid isPermaLink="true">https://cxteknoloji.com/blog/sifir-guven-video-guvenlik/</guid>
      <pubDate>Mon, 20 Apr 2026 06:00:00 GMT</pubDate>
      <category>TEKNOLOJİ</category>
      <description>Kamera ve video analitiği altyapısında siber güvenlik: varsayılan şifreler, ağ segmentasyonu, firmware yönetimi ve sıfır güven yaklaşımı.</description>
      <content:encoded><![CDATA[<p>Kameralar çoğu kurumda envanterin en ihmal edilmiş uç noktalarıdır: varsayılan şifreyle çalışan, yıllardır firmware güncellemesi almamış, üretim ağıyla aynı segmentte duran cihazlar. Saldırganlar için ideal giriş kapısı.</p><h2>Temel önlemler</h2><p>Varsayılan kimlik bilgilerinin değiştirilmesi, kullanılmayan servislerin (UPnP, telnet) kapatılması, firmware güncelleme takvimi ve kamera ağının üretim ağından VLAN ile ayrılması. Bu dört adım riskin büyük kısmını kapatır.</p><h2>Sıfır güven mimarisi</h2><p>Analitik sunucu ile kamera arasındaki trafik kimlik doğrulamalı olmalı; sunucudan dışarıya çıkan bağlantılar beyaz listeyle sınırlanmalı. İlke basittir: hiçbir cihaz, ağ içinde olduğu için güvenilir sayılmaz.</p><h2>Analitik katmanının sorumluluğu</h2><p>Kurulumlarımızda analitik sunucu kapalı ağda çalışır, dışa açık tek kanal şifreli olay bildirimidir. Erişim rol bazlıdır, her izleme loglanır ve sistem güncellemeleri imzalı paketlerle dağıtılır. Güvenlik sistemi, güvenlik açığı olmamalıdır.</p>]]></content:encoded>
    </item>
    <item>
      <title>Görüntü Transformerları: Evrişimden Dikkat Mekanizmasına</title>
      <link>https://cxteknoloji.com/blog/transformer-goruntu-modelleri/</link>
      <guid isPermaLink="true">https://cxteknoloji.com/blog/transformer-goruntu-modelleri/</guid>
      <pubDate>Fri, 17 Apr 2026 06:00:00 GMT</pubDate>
      <category>TEKNOLOJİ</category>
      <description>Vision Transformer (ViT) mimarileri endüstriyel görüntü analitiğinde ne değiştirdi? CNN ile karşılaştırma ve edge üzerinde uygulanabilirlik.</description>
      <content:encoded><![CDATA[<p>Yıllarca evrişimli ağlar (CNN) görüntü işlemenin tek gerçeğiydi. Transformer mimarileri, dil modellerinden görüntüye taşındığında denklem değişti: model artık yerel filtreler yerine görüntünün tamamı arasında ilişki kuruyor.</p><h2>Neden fark yaratıyor?</h2><p>CNN yerel desenlerde güçlüdür ama uzak bağlamı zayıf kurar. Transformer'ın dikkat mekanizması, karenin bir köşesindeki forkliftle diğer köşesindeki yayayı doğrudan ilişkilendirebilir. Karmaşık sahne yorumlamada bu belirgin bir üstünlük.</p><h2>Maliyet gerçeği</h2><p>Bedeli hesaplama maliyetidir; saf transformer modelleri edge donanımda pahalıdır. Pratik çözüm hibrit mimarilerdir: evrişimli omurga + dikkat katmanları. Kurulumlarımızda rutin tespit hafif CNN ile, karmaşık sahne yorumlaması hibrit modelle yapılır.</p><h2>Nereye gidiyor?</h2><p>Damıtma (distillation) teknikleri büyük transformer modellerinin bilgisini küçük modellere aktarıyor. Önümüzdeki dönemde edge cihazda transformer kalitesinde çıkarımın standart hâle gelmesini bekliyoruz.</p>]]></content:encoded>
    </item>
    <item>
      <title>Isı Haritası Analizi: Mağaza İçi Davranışı Görünür Kılmak</title>
      <link>https://cxteknoloji.com/blog/isi-haritasi-analizi/</link>
      <guid isPermaLink="true">https://cxteknoloji.com/blog/isi-haritasi-analizi/</guid>
      <pubDate>Wed, 15 Apr 2026 06:00:00 GMT</pubDate>
      <category>PERAKENDE</category>
      <description>Mağaza ısı haritası analizi: müşterilerin durduğu, yavaşladığı ve hiç uğramadığı bölgeler kamera analitiğiyle nasıl ölçülür?</description>
      <content:encoded><![CDATA[<p>Hangi reyonun önünde duruluyor, hangi koridordan hızla geçiliyor, mağazanın hangi köşesi hiç görülmüyor? Isı haritası analizi, ziyaretçi takip verisini mağaza planı üzerine yoğunluk katmanı olarak işler: kırmızı bölgeler uzun kalış, mavi bölgeler ölü alan demektir.</p><h2>Veri nasıl üretilir?</h2><p>Her ziyaretçinin anonim izi — konum ve kalış süresi — mağaza planına eşlenir. Gün, saat ve kampanya dönemine göre katmanlar karşılaştırılır. Vitrin değişikliğinin ya da reyon taşımanın etkisi, önce/sonra ısı haritalarıyla sayısal olarak görülür.</p><h2>Karar örnekleri</h2><p>Yüksek trafikli ama düşük satışlı bölge, yanlış ürün yerleşimine işaret eder; ölü koridor, yönlendirme ve aydınlatma sorununa. Emilio mağazalarında ısı haritası verisi, sezonluk ürün yerleşiminin standart girdisi hâline geldi — raf kararları artık haftalık veriyle alınıyor.</p>]]></content:encoded>
    </item>
    <item>
      <title>Kendinden Gözetimli Öğrenme: Etiketsiz Veriden Değer Üretmek</title>
      <link>https://cxteknoloji.com/blog/kendinden-ogrenen-sistemler/</link>
      <guid isPermaLink="true">https://cxteknoloji.com/blog/kendinden-ogrenen-sistemler/</guid>
      <pubDate>Mon, 13 Apr 2026 06:00:00 GMT</pubDate>
      <category>TEKNOLOJİ</category>
      <description>Self-supervised learning ile etiketsiz saha görüntüsünden model eğitimi: etiketleme maliyetini düşüren yeni nesil yaklaşım.</description>
      <content:encoded><![CDATA[<p>Bir tesisin kameraları yılda milyonlarca saat görüntü üretir; bunun neredeyse tamamı etiketsizdir. Denetimli öğrenme bu hazineyi kullanamaz — etiketleme insan emeği ister ve pahalıdır. Kendinden gözetimli öğrenme bu duvarı aşıyor.</p><h2>Nasıl çalışır?</h2><p>Model, etiket yerine verinin kendi yapısından öğrenir: görüntünün bir bölümünü maskeleyip tahmin etmek, aynı sahnenin iki farklı görünümünü eşleştirmek gibi görevlerle temsil öğrenir. Sonrasında az sayıda etiketli örnekle asıl göreve uyarlanır.</p><h2>Sahadaki avantaj</h2><p>Tesisinizin kendi görüntüsüyle ön-eğitilmiş bir model, o sahanın ışığını, kamera açısını ve tipik nesnelerini zaten biliyor. Aynı doğruluk için gereken etiketli örnek sayısı belirgin biçimde azalıyor — devreye alma süresi kısalıyor.</p><h2>Pratik kullanım</h2><p>Kurulum sonrası ilk ay, sistem sessizce veri toplarken kendinden gözetimli ön-eğitim çalışır. İkinci ayda özel kurallar çok daha az etiketle devreye alınır. Bu, projelerin en yavaş kısmını hızlandıran en somut yenilik.</p>]]></content:encoded>
    </item>
    <item>
      <title>Olay Grafikleri: Tekil Alarmlardan Nedensellik Zincirine</title>
      <link>https://cxteknoloji.com/blog/olay-grafi-nedensellik/</link>
      <guid isPermaLink="true">https://cxteknoloji.com/blog/olay-grafi-nedensellik/</guid>
      <pubDate>Fri, 10 Apr 2026 06:00:00 GMT</pubDate>
      <category>TEKNOLOJİ</category>
      <description>Olay grafiği (event graph) yaklaşımıyla kök neden analizi: birbirine bağlı olayların zincir hâlinde yorumlanması.</description>
      <content:encoded><![CDATA[<p>Tekil alarmlar sahayı anlatmaz. &quot;Forklift hız ihlali&quot;, &quot;koridorda malzeme&quot;, &quot;yaya ihlali&quot; alarmları ayrı ayrı okunduğunda üç sorun görünür; birlikte okunduğunda tek bir kök neden çıkar: koridor tıkalı olduğu için forklift alternatif rotadan hızla geçiyor ve yaya yolunu kesiyor.</p><h2>Grafik yapısı</h2><p>Her olay bir düğüm, zamansal ve mekânsal yakınlık ise kenar olur. Sistem tekrarlayan alt-desenleri arar; sık görülen zincirler kök neden hipotezi olarak raporlanır. İSG ekibi tek tek alarm değil, desen okur.</p><h2>Üretimde karşılığı</h2><p>Aynı yöntem duruş analizinde çalışır: besleme gecikmesi → operatör bekleme → hat durması zinciri, üç ayrı metrik yerine tek bir neden olarak görünür. İyileştirme çalışması doğru yere odaklanır.</p><h2>Neden önemli?</h2><p>Analitik olgunluk merdiveninde basamaklar şöyledir: ne oldu, neden oldu, ne olacak, ne yapmalı. Olay grafikleri ikinci basamağı otomatikleştirir — ve üçüncü basamağın temelini kurar.</p>]]></content:encoded>
    </item>
    <item>
      <title>Kasa Kuyruk Yönetimi: Bekleme Süresini Yapay Zekâ ile Kısaltmak</title>
      <link>https://cxteknoloji.com/blog/kuyruk-yonetimi/</link>
      <guid isPermaLink="true">https://cxteknoloji.com/blog/kuyruk-yonetimi/</guid>
      <pubDate>Wed, 08 Apr 2026 06:00:00 GMT</pubDate>
      <category>PERAKENDE</category>
      <description>Kuyruk yönetimi sistemi: kasa önü bekleme süresi ölçümü, kasa açma uyarısı ve müşteri kaybını önleyen gerçek zamanlı analitik.</description>
      <content:encoded><![CDATA[<p>Müşterinin sepeti bırakıp çıkmasının bir numaralı nedeni kasadaki kuyruktur. Kuyruk yönetimi analitiği, kasa önü bölgesindeki kişi sayısını ve her müşterinin bekleme süresini gerçek zamanlı ölçer; eşik aşıldığında mağaza yöneticisine &quot;ikinci kasayı aç&quot; uyarısı gider.</p><h2>Ölçülen metrikler</h2><p>Anlık kuyruk uzunluğu, ortalama bekleme süresi, işlem süresi ve terk oranı — kuyruğa girip satın almadan ayrılan müşteri yüzdesi. Bu son metrik, klasik POS verisinde hiç görünmeyen kayıp ciroyu ilk kez ölçülebilir kılar.</p><h2>Operasyonel sonuç</h2><p>Saatlik kuyruk eğrisi, kasiyer vardiya planının ana girdisi olur; yoğun saat tahmini geçmiş veriyle yapılır. Pilot mağazalarda ortalama bekleme süresinin %30 düştüğünü ve dönüşüm oranının belirgin arttığını ölçtük. Aynı altyapı banka şubesi ve yemekhane kuyruklarında da çalışır.</p>]]></content:encoded>
    </item>
    <item>
      <title>Tahmine Dayalı Güvenlik: Kaza Olasılığını Önceden Hesaplamak</title>
      <link>https://cxteknoloji.com/blog/tahmine-dayali-guvenlik/</link>
      <guid isPermaLink="true">https://cxteknoloji.com/blog/tahmine-dayali-guvenlik/</guid>
      <pubDate>Mon, 06 Apr 2026 06:00:00 GMT</pubDate>
      <category>İSG</category>
      <description>Predictive safety: ihlal desenleri, vardiya yorgunluğu ve saha yoğunluğu verisiyle kaza riski tahmin modelleri.</description>
      <content:encoded><![CDATA[<p>Güvenlik analitiğinin sonraki eşiği tespitten tahmine geçiş. Elimizde artık aylara yayılan ihlal verisi var: hangi bölgede, hangi saatte, hangi koşulda ihlal yoğunlaşıyor? Bu veri, kaza olasılığını modellemeye yeter.</p><h2>Risk sinyalleri</h2><p>Vardiyanın son iki saatinde ihlal artışı (yorgunluk), yoğun sevkiyat günlerinde forklift-yaya yakınlaşma sıklığı, yeni personel oranı yüksek vardiyalarda KKD uyum düşüşü. Bu değişkenler birleşince bölge bazlı günlük risk skoru çıkar.</p><h2>Aksiyona dönüşmesi</h2><p>Yüksek riskli vardiya öncesi kısa güvenlik brifingi, o gün için ek saha gözetimi ya da sevkiyat planının seyreltilmesi. Önlem, kazadan sonra değil riskin yükseldiği gün alınır.</p><h2>Dikkatli olunmalı</h2><p>Tahmin modelleri kişi değil koşul hedeflemelidir. Bireysel risk puanlaması hem etik hem hukuki olarak sorunludur; bizim modellerimiz bölge, vardiya ve süreç düzeyinde çalışır.</p>]]></content:encoded>
    </item>
    <item>
      <title>Artırılmış Gerçeklik ve Görüntü Analitiği: Sahada Rehberli Operasyon</title>
      <link>https://cxteknoloji.com/blog/arttirilmis-gerceklik-bakim/</link>
      <guid isPermaLink="true">https://cxteknoloji.com/blog/arttirilmis-gerceklik-bakim/</guid>
      <pubDate>Fri, 03 Apr 2026 06:00:00 GMT</pubDate>
      <category>TEKNOLOJİ</category>
      <description>AR gözlük ve görüntü analitiği entegrasyonu: montaj adımı doğrulama, uzaktan uzman desteği ve bakım rehberliği.</description>
      <content:encoded><![CDATA[<p>Analitik bugün olayı tespit ediyor ve birine haber veriyor. Artırılmış gerçeklik bir adım öteye taşıyor: bilgiyi tam olarak ihtiyaç duyulan yere, operatörün görüş alanına yerleştiriyor.</p><h2>Montaj doğrulama</h2><p>Karmaşık montajda her adım kamerayla doğrulanır; eksik vida ya da yanlış parça anında operatörün gözlüğünde işaretlenir. Hata, sonraki istasyona geçmeden düzelir — en ucuz kalite müdahalesi budur.</p><h2>Uzaktan uzman</h2><p>Sahadaki teknisyen ne görüyorsa uzman da görüyor; uzman ekranda işaretlediği noktayı teknisyen gözlüğünde görüyor. Seyahat maliyeti ve duruş süresi ciddi biçimde azalıyor.</p><h2>Gerçekçi konum</h2><p>AR donanımı endüstriyel sahada hâlâ konfor ve dayanıklılık sınavında. Bugün en pratik uygulama, gözlük yerine tablet ve sabit ekran üzerinden rehberlik. Donanım olgunlaştıkça gözlük tarafının yaygınlaşmasını bekliyoruz.</p>]]></content:encoded>
    </item>
    <item>
      <title>Yüzey Kusur Tespiti: 0,05 mm Hassasiyetle Kalite Kontrol</title>
      <link>https://cxteknoloji.com/blog/yuzey-kusur-tespiti/</link>
      <guid isPermaLink="true">https://cxteknoloji.com/blog/yuzey-kusur-tespiti/</guid>
      <pubDate>Wed, 01 Apr 2026 06:00:00 GMT</pubDate>
      <category>ENDÜSTRİYEL</category>
      <description>Otomatik yüzey kusur tespiti: çizik, çapak, gözenek ve renk hatalarının görüntü işlemeyle tespiti; %100 muayeneye geçiş rehberi.</description>
      <content:encoded><![CDATA[<p>Örneklemle kalite kontrolü bir istatistik kumardır: kusurlu parti, örnekleme yakalanmadığında müşteriye gider. Görüntü tabanlı yüzey kusur tespiti her parçayı muayene eder — çizik, çapak, gözenek, döküm boşluğu ve renk sapması, hat hızında ve 0,05 mm hassasiyetle tespit edilir.</p><h2>Aydınlatma her şeydir</h2><p>Yüzey muayenesinin sırrı modelde değil optikte başlar: kusur tipine göre koaksiyel, düşük açılı ya da dome aydınlatma seçilir; metal parlaması polarizasyonla bastırılır. Doğru aydınlatılmış kusur, basit bir modelle bile yakalanır — yanlış aydınlatılmış kusuru hiçbir model kurtaramaz.</p><h2>Hattan veriye</h2><p>Tespit edilen kusur; tip, koordinat ve şiddet bilgisiyle kaydedilir, parça görüntüsü izlenebilirlik için arşivlenir. Kusur tipi dağılımı üretim parametreleriyle ilişkilendirilir — kalıp aşınması, sıcaklık sapması gibi kök nedenler trend analiziyle erkenden görülür.</p>]]></content:encoded>
    </item>
    <item>
      <title>Veri Yönetişimi: Analitik Verisi Kimin, Nerede, Ne Kadar Süre?</title>
      <link>https://cxteknoloji.com/blog/veri-yonetisimi-analitik/</link>
      <guid isPermaLink="true">https://cxteknoloji.com/blog/veri-yonetisimi-analitik/</guid>
      <pubDate>Mon, 30 Mar 2026 06:00:00 GMT</pubDate>
      <category>TEKNOLOJİ</category>
      <description>Görüntü analitiğinde veri yönetişimi: saklama süreleri, erişim yetkileri, veri sahipliği ve denetim izi tasarımı.</description>
      <content:encoded><![CDATA[<p>Analitik sistem kurulduktan altı ay sonra ortaya çıkan soru genellikle teknik değildir: bu veriye kim erişebiliyor, ne kadar süre saklanıyor, kim silebiliyor? Veri yönetişimi baştan tasarlanmazsa sonradan kurulması zordur.</p><h2>Saklama politikası</h2><p>Olay tipine göre farklı süreler tanımlanır: ihlal klipleri 90 gün, kaza kayıtları hukuki süre boyunca, anonim sayım metrikleri süresiz. Otomatik silme, politikanın uygulanmasını insan disiplininden bağımsız kılar.</p><h2>Erişim ve denetim izi</h2><p>Rol bazlı erişim: İSG uzmanı ihlal kliplerini görür, üretim müdürü OEE metriklerini, sistem yöneticisi yapılandırmayı. Her izleme ve indirme loglanır — denetim izi, hem KVKK hem iç kontrol gereğidir.</p><h2>Veri sahipliği</h2><p>Sözleşmede net olmalı: veri müşteriye aittir, tedarikçi işleyendir. Model iyileştirme için veri kullanımı ayrı ve açık onaya bağlıdır. Bizim standardımız bu; anonimleştirilmemiş hiçbir görüntü onay olmadan eğitim havuzuna girmez.</p>]]></content:encoded>
    </item>
    <item>
      <title>IoT ve Görüntü: Sensör Verisiyle Kameranın Birlikte Çalışması</title>
      <link>https://cxteknoloji.com/blog/nesnelerin-interneti-iot-entegrasyon/</link>
      <guid isPermaLink="true">https://cxteknoloji.com/blog/nesnelerin-interneti-iot-entegrasyon/</guid>
      <pubDate>Fri, 27 Mar 2026 06:00:00 GMT</pubDate>
      <category>TEKNOLOJİ</category>
      <description>IoT entegrasyonu: sıcaklık, basınç ve konum sensörlerinin görüntü analitiğiyle birlikte tek platformda değerlendirilmesi.</description>
      <content:encoded><![CDATA[<p>Kamera bağlamı verir, sensör kesinliği. Basınç düştüğünde sensör bilir, ama neden düştüğünü kamera gösterir. IoT ve görüntü verisinin tek platformda buluşması, kök neden analizini dakikalar seviyesine indirir.</p><h2>Ortak zaman çizelgesi</h2><p>Tüm veri kaynakları aynı zaman ekseninde toplanır: sensör okuması, kamera olayı, PLC sinyali ve operatör girişi. Bir olayın öncesi ve sonrası tek bir zaman şeridinde okunur.</p><h2>Protokoller</h2><p>MQTT ve OPC UA üzerinden veri toplanır; kural motoru her iki kanalı birlikte değerlendirir. &quot;Sıcaklık eşiği aşıldı VE bölgede personel var&quot; gibi bileşik kurallar yazılabilir hâle gelir.</p><h2>Uygulama örneği</h2><p>Akıllı aydınlatma projelerimizde doluluk verisi kameradan, tüketim verisi enerji sayacından geliyor; tasarruf raporu iki kaynağın birleşimiyle üretiliyor. Tek kaynakla bu rapor yazılamaz.</p>]]></content:encoded>
    </item>
    <item>
      <title>Endüstriyel OCR: Seri No ve Etiket Okumada %99,8 Doğruluk</title>
      <link>https://cxteknoloji.com/blog/endustriyel-ocr/</link>
      <guid isPermaLink="true">https://cxteknoloji.com/blog/endustriyel-ocr/</guid>
      <pubDate>Wed, 25 Mar 2026 06:00:00 GMT</pubDate>
      <category>ENDÜSTRİYEL</category>
      <description>Endüstriyel OCR ile seri numarası, lot kodu ve etiket doğrulama: zorlu yüzeylerde karakter okuma ve izlenebilirlik otomasyonu.</description>
      <content:encoded><![CDATA[<p>İzlenebilirlik zincirinin en zayıf halkası elle okunan seri numaralarıdır. Endüstriyel OCR, lazer markalama, zımba baskı ve termal etiket üzerindeki karakterleri hat hızında okur; %99,8 doğrulukla ERP kaydına yazar. Yanlış etiketlenmiş ürünün sevkiyata inmesi hatta engellenir.</p><h2>Neden &quot;endüstriyel&quot; OCR?</h2><p>Ofis OCR'ı temiz belge varsayar; sahada karakterler kavisli metal yüzeyde, yağ izinin altında ya da düşük kontrastlı zımba baskıdadır. Endüstriyel OCR modelleri bu koşullarla eğitilir; aydınlatma ve lens seçimi karakter tipine göre yapılır. Okunamayan karakter &quot;tahmin edilmez&quot;, parça doğrulama istasyonuna ayrılır.</p><h2>Uygulama alanları</h2><p>Elektronik kartlarda komponent kodu doğrulama, otomotivde şasi/parça eşleştirme, gıdada son kullanma tarihi kontrolü ve lojistikte koli etiketi okuma en yaygın senaryolardır. Sistem mevcut hat kameralarıyla ya da kompakt endüstriyel kameralarla kurulur.</p>]]></content:encoded>
    </item>
    <item>
      <title>Kurulum Süreci: Keşiften Devreye Almaya 6 Adım</title>
      <link>https://cxteknoloji.com/blog/goruntu-analitigi-kurulum-sureci/</link>
      <guid isPermaLink="true">https://cxteknoloji.com/blog/goruntu-analitigi-kurulum-sureci/</guid>
      <pubDate>Mon, 23 Mar 2026 06:00:00 GMT</pubDate>
      <category>ÜRETİM</category>
      <description>Görüntü analitiği kurulum süreci: saha keşfi, kamera değerlendirmesi, kural tasarımı, kalibrasyon, doğrulama ve eğitim.</description>
      <content:encoded><![CDATA[<p>Analitik kurulumu yazılım yüklemekten çok bir mühendislik sürecidir. Sahada gördüğümüz en iyi sonuçlar, altı adımın hiçbirinin atlanmadığı projelerden çıkıyor.</p><h2>1-2: Keşif ve kamera değerlendirmesi</h2><p>Problem tanımı ve ölçülecek metrik netleşir; mevcut kamera envanteri açı, çözünürlük ve ışık açısından değerlendirilir. Hangi kamera olduğu gibi kullanılır, hangisinin açısı değişmeli, nereye yeni kamera gerekir — bu rapor projenin temelidir.</p><h2>3-4: Kural tasarımı ve kalibrasyon</h2><p>Bölgeler saha ekibiyle birlikte çizilir; eşikler ve doğrulama süreleri tanımlanır. İlk hafta kalibrasyon haftasıdır: yanlış alarm kaynakları işaretlenir, eşikler ayarlanır, gerekiyorsa model ince ayar alır.</p><h2>5-6: Doğrulama ve eğitim</h2><p>Üç haftalık ölçümle gerçek kesinlik ve duyarlılık raporlanır. Son adım en çok atlanan ama en belirleyici olan: kullanıcı eğitimi. Sistemi kim izleyecek, uyarıya kim nasıl yanıt verecek, raporu kim okuyacak? Bu tanımlanmazsa en iyi sistem bile rafta kalır.</p>]]></content:encoded>
    </item>
    <item>
      <title>Analitik Olgunluk Modeli: Kurumunuz Hangi Basamakta?</title>
      <link>https://cxteknoloji.com/blog/analitik-olgunluk-modeli/</link>
      <guid isPermaLink="true">https://cxteknoloji.com/blog/analitik-olgunluk-modeli/</guid>
      <pubDate>Fri, 20 Mar 2026 06:00:00 GMT</pubDate>
      <category>ÜRETİM</category>
      <description>Görüntü analitiği olgunluk seviyeleri: kayıttan tespite, tespitten öngörüye, öngörüden otonom aksiyona geçiş yol haritası.</description>
      <content:encoded><![CDATA[<p>Analitik yatırımının değerini belirleyen şey teknolojinin gücü değil, kurumun onu kullanma olgunluğudur. Dört basamaklı bir merdiven görüyoruz ve basamak atlamak neredeyse hiç işe yaramıyor.</p><h2>Basamak 1-2: Kayıt ve tespit</h2><p>Birinci basamakta kamera vardır, kimse izlemez. İkinci basamakta analitik olayı tespit eder ve uyarır — ölçülebilir güvenlik ve verimlilik kazancı buradan başlar. Çoğu kurum bugün bu basamakta.</p><h2>Basamak 3: Öngörü</h2><p>Olay verisi birikince desen ve trend analizi başlar: nerede risk yoğunlaşıyor, hangi süreç kayıp üretiyor. Kararlar tekil olaylardan değil eğilimlerden alınır. Bu basamağa geçmenin koşulu en az altı aylık veri ve raporu okuyan bir sahip.</p><h2>Basamak 4: Otonom aksiyon</h2><p>Sistem yalnızca uyarmaz; bildirim, kayıt ve süreç tetiklemeyi kendisi yapar. Buraya ancak üçüncü basamakta güven kazanılmışsa geçilir. Yol haritanızı bu merdivene göre kurarsanız, her aşamada ölçülebilir değer üretir ve bir sonraki adımı hak edersiniz.</p>]]></content:encoded>
    </item>
    <item>
      <title>Görüntü ile Ürün Sayma: Hatta %99,3 Doğruluk</title>
      <link>https://cxteknoloji.com/blog/urun-sayma/</link>
      <guid isPermaLink="true">https://cxteknoloji.com/blog/urun-sayma/</guid>
      <pubDate>Wed, 18 Mar 2026 06:00:00 GMT</pubDate>
      <category>ENDÜSTRİYEL</category>
      <description>Otomatik ürün sayma sistemi: hat üzerinde parça tanıma ve sayım, koli içi adet doğrulama ve sevkiyat mutabakatı.</description>
      <content:encoded><![CDATA[<p>&quot;Koliden eksik çıktı&quot; şikâyeti, hem iade maliyeti hem güven kaybıdır. Görüntü tabanlı ürün sayma, hat üzerinden akan parçaları tek tek tanıyıp sayar; koli içi adet, kapatma istasyonunda doğrulanır. Sayım doğruluğumuz sahada %99,3 olarak ölçülmüştür.</p><h2>Zor senaryolar</h2><p>Üst üste binen parçalar, yansımalı ambalaj ve yüksek hat hızı klasik sensör sayacını yanıltır. Görüntü tabanlı sayım, parçanın şeklini tanıdığı için temas hâlindeki iki parçayı ayırt eder; hat hızı saniyede onlarca parçaya çıksa da kare hızı yeterli olduğu sürece sayım sürer.</p><h2>Mutabakat ve kanıt</h2><p>Her koli için sayım kaydı ve görüntü karesi arşivlenir; müşteri itirazında sevkiyatın görüntülü kanıtı saniyeler içinde bulunur. Sayım verisi ERP'ye beslenir, stok mutabakatındaki &quot;sayım farkı&quot; kalemi kaynağında kapanır.</p>]]></content:encoded>
    </item>
    <item>
      <title>İnsan ve Yapay Zekâ İş Birliği: Operatörün Yerini Almak Değil, Gözünü Büyütmek</title>
      <link>https://cxteknoloji.com/blog/insan-yapay-zeka-isbirligi/</link>
      <guid isPermaLink="true">https://cxteknoloji.com/blog/insan-yapay-zeka-isbirligi/</guid>
      <pubDate>Mon, 16 Mar 2026 06:00:00 GMT</pubDate>
      <category>TEKNOLOJİ</category>
      <description>Endüstriyel yapay zekâda insan-makine iş birliği: karar destek tasarımı, otomasyon güveni ve sahiplenme kültürü.</description>
      <content:encoded><![CDATA[<p>Sahaya kurulan her analitik sistem bir soruyla karşılanır: &quot;Bizi izleyecek mi?&quot; Bu sorunun cevabı teknik değil, tasarım ve iletişim meselesidir — ve projenin başarısını doğrudan belirler.</p><h2>Doğru tasarım ilkesi</h2><p>Sistem kişiyi değil koşulu ölçmeli; rapor birey değil bölge ve süreç düzeyinde olmalı. Amaç ceza değil önleme olduğunda, saha sistemi kendi aracı olarak görür ve ihlal verisini iyileştirme için kullanır.</p><h2>Otomasyona güven</h2><p>İnsan, hata yaptığını gördüğü sisteme güvenmeyi bırakır. Bu yüzden yanlış alarmı düşürmek yalnızca teknik değil psikolojik bir gerekliliktir. Aynı şekilde sistemin neden uyarı verdiğini gösterebilmesi — görüntü, kural, eşik — güvenin temelidir.</p><h2>Sahiplenme</h2><p>En başarılı kurulumlarımızın ortak özelliği, kuralları saha ekibiyle birlikte çizmemiz. Kendi tanımladığı kuralı kimse sabote etmez. Yapay zekâ, operatörün yerine karar veren değil; onun göremediğini gösteren bir meslektaş olarak konumlandığında işe yarıyor.</p>]]></content:encoded>
    </item>
    <item>
      <title>Telesentrik Lens ve Ölçüm: Görüntüyle Metroloji</title>
      <link>https://cxteknoloji.com/blog/telesentrik-lens/</link>
      <guid isPermaLink="true">https://cxteknoloji.com/blog/telesentrik-lens/</guid>
      <pubDate>Wed, 11 Mar 2026 06:00:00 GMT</pubDate>
      <category>ENDÜSTRİYEL</category>
      <description>Telesentrik lens ile boyutsal ölçüm: perspektif hatasız görüntüleme, ±0,02 mm tekrarlanabilirlik ve temassız metroloji uygulamaları.</description>
      <content:encoded><![CDATA[<p>Standart lens, nesneyi kameraya uzaklığına göre farklı boyutta gösterir — ölçüm için ölümcül bir hata kaynağı. Telesentrik lens, görüş alanındaki tüm ışınları optik eksene paralel toplar: parça yaklaşsa da uzaklaşsa da görüntüdeki boyutu değişmez. Temassız metrolojinin temeli budur.</p><h2>Ölçüm hattı kurulumu</h2><p>Telesentrik lens, kolimatize arka aydınlatmayla eşleştirilir; parça silueti keskin kenarlarla görüntülenir. Alt piksel kenar bulma algoritmalarıyla çap, uzunluk ve merkez mesafesi ±0,02 mm tekrarlanabilirlikle ölçülür. Periyodik kalibrasyon, sertifikalı referans parçayla otomatik doğrulanır.</p><h2>Nerede kullanılır?</h2><p>Yay ve rondela metrolojisi, talaşlı imalatta delik pozisyonu ve açı kontrolü, elektronikte pin dizilim doğrulaması tipik uygulamalardır. Kumpasla dakikada 2 parça ölçen operatörün yerini, hat hızında %100 ölçüm alır — ve her ölçüm kayıt altındadır.</p>]]></content:encoded>
    </item>
    <item>
      <title>Termal Kamera + AI: Karanlıkta ve Dumanda Tespit</title>
      <link>https://cxteknoloji.com/blog/termal-kamera-analitik/</link>
      <guid isPermaLink="true">https://cxteknoloji.com/blog/termal-kamera-analitik/</guid>
      <pubDate>Wed, 04 Mar 2026 06:00:00 GMT</pubDate>
      <category>GÜVENLİK</category>
      <description>Termal kamera analitiği: tam karanlıkta insan tespiti, aşırı ısınma izleme ve duman altında görüş — yapay zekâ ile termal görüntüleme.</description>
      <content:encoded><![CDATA[<p>Optik kamera ışığa muhtaçtır; sahanın en riskli saatleri ise en karanlık olanlardır. Termal kamera, sıcaklık farkını görüntüye çevirir: tam karanlıkta, siste ve duman altında insan ve araç tespiti kesintisiz sürer. Yapay zekâ modellerimiz termal spektrumda ayrıca eğitilmiştir.</p><h2>İki temel senaryo</h2><p>Perimetre güvenliğinde termal analitik, mesai dışı saha ihlalini aydınlatma altyapısına yatırım yapmadan tespit eder. Ekipman izlemede ise motor, pano ve rulman sıcaklıkları sürekli okunur; eşik aşımı ya da anormal ısınma eğilimi, arıza büyümeden bakım ekibine bildirilir.</p><h2>Optik ile birlikte</h2><p>En güçlü kurulum hibrittir: termal kamera tespit eder, eşleştirilmiş optik kamera olayı görüntüler ve kanıt klibi üretir. Yangın erken uyarısında termal veri, alev analitiğiyle çapraz doğrulanır — yanlış alarm oranı tekil sistemlerin çok altına iner.</p>]]></content:encoded>
    </item>
    <item>
      <title>Plaka Tanıma (ANPR): Saha Giriş-Çıkışını Otomatikleştirmek</title>
      <link>https://cxteknoloji.com/blog/plaka-tanima/</link>
      <guid isPermaLink="true">https://cxteknoloji.com/blog/plaka-tanima/</guid>
      <pubDate>Wed, 25 Feb 2026 06:00:00 GMT</pubDate>
      <category>GÜVENLİK</category>
      <description>ANPR plaka tanıma sistemi: tesis giriş kontrolü, araç kantar eşleştirme ve sevkiyat sahası trafiğinin otomatik kaydı.</description>
      <content:encoded><![CDATA[<p>Tesis kapısındaki güvenlik defteri, dijital dönüşümün en çok atlanan köşesidir. Plaka tanıma (ANPR), giren ve çıkan her aracın plakasını, zamanını ve görüntüsünü otomatik kaydeder; beyaz listedeki araç için bariyer otomatik açılır, tanımsız araç güvenliğe bildirilir.</p><h2>Sahada doğruluk</h2><p>Türkiye plaka formatına özel eğitilmiş model; gece, yağmur ve kirli plaka koşullarında çalışır. Kamera açısı ve enstantane ayarı kurulumda optimize edilir — plaka okuma doğruluğu doğru kurulmuş noktada %99'un üzerindedir.</p><h2>Entegre senaryolar</h2><p>Kantar entegrasyonunda tartım kaydı plakayla otomatik eşleşir; sevkiyat sahasında aracın kapıda bekleme süresi ölçülür ve yükleme rampası planlaması veriyle yapılır. Ziyaretçi yönetim sistemine bağlandığında, randevusuz araç daha kapıda karşılanır.</p>]]></content:encoded>
    </item>
    <item>
      <title>PPA: Personel Performans Analitiği ile Hat Verimliliği</title>
      <link>https://cxteknoloji.com/blog/ppa-personel-analitik/</link>
      <guid isPermaLink="true">https://cxteknoloji.com/blog/ppa-personel-analitik/</guid>
      <pubDate>Wed, 18 Feb 2026 06:00:00 GMT</pubDate>
      <category>ÜRETİM</category>
      <description>Personel Performans Analitiği (PPA): operatör aktif çalışma süresi, talimat uyumu ve hat dengeleme — kamera tabanlı verimlilik ölçümü.</description>
      <content:encoded><![CDATA[<p>Üretim verimliliğinin makine tarafı OEE ile ölçülür; insan tarafı çoğu tesiste hiç ölçülmez. PPA (Personel Performans ve Analitik), operatörün istasyondaki aktif çalışma süresini, bekleme ve yürüme kayıplarını kameradan çıkarır — kronometreyle etüt yapan mühendisin işini 7/24 ve nesnel biçimde yapar.</p><h2>Ne ölçülür, ne ölçülmez?</h2><p>Sistem kişiyi değil istasyonu değerlendirir: çevrim süresi dağılımı, istasyonlar arası denge kaybı ve talimat sırasına uyum ölçülür. Veriler KVKK ilkelerine uygun olarak toplu ve anonim raporlanır; amaç kişi puanlamak değil, hattın darboğazını bulmaktır.</p><h2>Somut çıktı</h2><p>Hat dengeleme çalışmasının girdisi artık üç günlük etüt değil, üç aylık gerçek veridir. Bükücü tekstil sahasındaki kurulumda istasyon bazlı bekleme kayıpları görünür olduktan sonra hat yeniden dengelendi ve vardiya başına üretim %12 arttı. PPA verisi MES'e beslenerek OEE'nin performans bileşenini besler.</p>]]></content:encoded>
    </item>
    <item>
      <title>5S Denetimini Otomatikleştirmek: Kamera ile Saha Düzeni Takibi</title>
      <link>https://cxteknoloji.com/blog/5s-denetimi/</link>
      <guid isPermaLink="true">https://cxteknoloji.com/blog/5s-denetimi/</guid>
      <pubDate>Wed, 11 Feb 2026 06:00:00 GMT</pubDate>
      <category>ÜRETİM</category>
      <description>5S denetim otomasyonu: palet, malzeme ve ekipmanın yerinde olup olmadığını kamera analitiğiyle sürekli denetleme.</description>
      <content:encoded><![CDATA[<p>5S panoları ve haftalık denetim turları, çekilen fotoğrafın çekildiği ana kadar geçerlidir. Kamera tabanlı 5S denetimi sürekli çalışır: yürüyüş yolundaki palet, istasyonda unutulan el aleti ve tanımlı alan dışına taşan malzeme dakikalar içinde tespit edilir.</p><h2>Kural tanımı</h2><p>Saha planı üzerinde &quot;temiz kalması gereken&quot; ve &quot;yalnızca X bulunabilir&quot; bölgeleri çizilir. Model palet, koli, el aleti ve araç sınıflarını tanır; kural ihlali tanımlı süreyi aşarsa bölge sorumlusuna fotoğraflı bildirim gider. Geçici işler için kural askıya alma penceresi tanımlanabilir.</p><h2>Kültürel etki</h2><p>Denetimin sürekli ve nesnel olması, 5S'i &quot;denetim günü performansı&quot; olmaktan çıkarır. Bölge bazlı düzen skoru haftalık trend olarak raporlanır; iyileşme görünür olduğu için ekipler sahiplenir. Acil çıkış yollarının açık tutulması gibi İSG kritik kurallar da aynı altyapıyla denetlenir.</p>]]></content:encoded>
    </item>
    <item>
      <title>Video Kanıt Yönetimi: Olay Kliplerinin Arşivlenmesi ve İSG Raporları</title>
      <link>https://cxteknoloji.com/blog/video-kanit/</link>
      <guid isPermaLink="true">https://cxteknoloji.com/blog/video-kanit/</guid>
      <pubDate>Wed, 04 Feb 2026 06:00:00 GMT</pubDate>
      <category>GÜVENLİK</category>
      <description>Video kanıt yönetimi: olay kliplerinin otomatik arşivlenmesi, KVKK uyumlu saklama ve İSG kurul raporlarına görüntülü kanıt.</description>
      <content:encoded><![CDATA[<p>Kaza soruşturmasında saatlerce kayıt taramak hem zaman kaybı hem hukuki risktir. Video kanıt yönetimi, analitik sistemin tespit ettiği her olay için öncesi ve sonrasını içeren kısa bir klip üretir; klip, olay meta verisiyle (zaman, bölge, tip, ilgili kural) birlikte indekslenir.</p><h2>Arama ve erişim</h2><p>&quot;Mart ayında 2. bölgedeki forklift ihlalleri&quot; sorgusu saniyeler içinde ilgili klipleri getirir. Erişim yetki matrisine bağlıdır ve her izleme loglanır. Saklama süresi olay tipine göre tanımlanır; süre dolan klip otomatik silinir — KVKK saklama ilkesi sistematik olarak uygulanır.</p><h2>Raporlama</h2><p>İSG kurulu ve müşteri denetimlerinde olay istatistikleri, trend grafikleri ve örnek kliplerle tek rapor hâlinde sunulur. Ramak kala olayların görüntülü arşivi, eğitim materyalinin de en etkili kaynağıdır — soyut uyarı yerine sahanın kendi görüntüsü konuşur.</p>]]></content:encoded>
    </item>
    <item>
      <title>Özel Model Eğitimi: Az Veriyle Sahaya Uyarlanmış Yapay Zekâ</title>
      <link>https://cxteknoloji.com/blog/model-egitimi-sentetik-veri/</link>
      <guid isPermaLink="true">https://cxteknoloji.com/blog/model-egitimi-sentetik-veri/</guid>
      <pubDate>Wed, 28 Jan 2026 06:00:00 GMT</pubDate>
      <category>TEKNOLOJİ</category>
      <description>Özel nesne tespit modeli eğitimi: transfer öğrenme, sentetik veri üretimi ve sahaya özgü sınıflarla hızlı model geliştirme.</description>
      <content:encoded><![CDATA[<p>&quot;Bizim parçamızı hiçbir hazır model tanımaz&quot; — doğru, ve sorun değil. Transfer öğrenme sayesinde milyonlarca görüntüyle önceden eğitilmiş bir model, birkaç yüz etiketli saha örneğiyle yeni sınıfa uyarlanır. Özel ürün, özel araç ya da özel ihlal tipi için sıfırdan veri toplamak gerekmez.</p><h2>Sentetik veriyle hızlanma</h2><p>Nadir olaylar — düşme, yangın başlangıcı, kaza anı — doğal olarak az örneklidir. Bu sınıflar için 3B sahne simülasyonu ve üretken modellerle sentetik eğitim verisi üretiriz: farklı ışık, açı ve arka planda binlerce varyasyon. Sentetik + gerçek karışımı, tek başına gerçek veriden ölçülebilir biçimde iyi sonuç verir.</p><h2>Yaşayan model</h2><p>Devreye alınan model donmuş değildir: sahada işaretlenen yanlış tespitler eğitim havuzuna döner, model periyodik olarak yeniden eğitilir ve A/B doğrulamayla güncellenir. Doğruluğun kurulumdan aylar sonra bile yükselmeye devam etmesinin nedeni bu döngüdür.</p>]]></content:encoded>
    </item>
    <item>
      <title>Akıllı Aydınlatma ve IoT: Kamera Verisiyle Enerji Tasarrufu</title>
      <link>https://cxteknoloji.com/blog/akilli-aydinlatma/</link>
      <guid isPermaLink="true">https://cxteknoloji.com/blog/akilli-aydinlatma/</guid>
      <pubDate>Wed, 21 Jan 2026 06:00:00 GMT</pubDate>
      <category>TEKNOLOJİ</category>
      <description>Akıllı aydınlatma sistemi: kamera tabanlı doluluk tespitiyle bölgesel aydınlatma kontrolü ve %60'a varan enerji tasarrufu.</description>
      <content:encoded><![CDATA[<p>Depo ve üretim sahalarında aydınlatma, enerji faturasının büyük kalemidir — ve gece vardiyasında boş koridorlar saatlerce aydınlatılır. Akıllı aydınlatma entegrasyonu, kamera analitiğinin zaten ürettiği doluluk verisini kullanır: bölgede kişi ya da araç yoksa aydınlatma kısılır, hareket algılandığında saniyeler içinde tam parlaklığa döner.</p><h2>Sensörden farkı</h2><p>Klasik PIR sensörü noktasal ve kördür; raf arkasındaki hareketi kaçırır, forklifti kişiden ayıramaz. Kamera tabanlı doluluk, bölgeyi bütün olarak görür ve sınıf bazlı karar verir: yaya koridorunda yürüme aydınlatması, araç koridorunda tam aydınlatma senaryosu çalışır.</p><h2>Ölçülen tasarruf</h2><p>DALI ve Modbus üzerinden armatür gruplarına bağlanan sistem, CEVA deposundaki pilotta aydınlatma tüketimini %60'a varan oranda düşürdü. Yatırımın geri dönüşü tipik olarak 18 aydan kısadır — üstelik güvenlik analitiğiyle aynı kamera altyapısını paylaştığı için ek kamera maliyeti yoktur.</p>]]></content:encoded>
    </item>
    <item>
      <title>Depo Güvenliği: Tehlikeli Madde ve Yasak Alan Takibi</title>
      <link>https://cxteknoloji.com/blog/depo-guvenligi/</link>
      <guid isPermaLink="true">https://cxteknoloji.com/blog/depo-guvenligi/</guid>
      <pubDate>Wed, 14 Jan 2026 06:00:00 GMT</pubDate>
      <category>GÜVENLİK</category>
      <description>Depo güvenliği analitiği: tehlikeli madde sahası denetimi, yasak alan ihlali, istif yüksekliği ve acil çıkış yolu kontrolü.</description>
      <content:encoded><![CDATA[<p>Depo sahasında risk üç katmanda birikir: insan (yasak alana giriş), malzeme (tehlikeli madde ve hatalı istif) ve altyapı (kapanan acil çıkışlar). Tek bir kamera analitiği katmanı üçünü birden denetler — mevcut CCTV altyapısının üstünde, ek donanımsız.</p><h2>Denetlenen kurallar</h2><p>ADR sınıfı malzemenin yalnızca tanımlı bölgede bulunması, istif yüksekliği sınırı, yağmurlama (sprinkler) hattı altındaki boşluk mesafesi ve acil çıkış yollarının açıklığı sürekli izlenir. İhlal, fotoğraflı bildirimle bölge sorumlusuna gider; kapanmayan ihlal üst kademeye eskale edilir.</p><h2>Denetime hazırlık</h2><p>Sigorta ve müşteri denetimlerinde en çok istenen şey kanıttır: sistem, kural bazlı uyum skorunu ve ihlal geçmişini raporlar. &quot;Acil çıkışlar yılın %99,4'ünde açıktı&quot; cümlesi, denetim defterindeki imzadan çok daha güçlüdür.</p>]]></content:encoded>
    </item>
    <item>
      <title>İSG'de Dijital Dönüşüm: Reaktiften Proaktif Güvenliğe</title>
      <link>https://cxteknoloji.com/blog/isg-dijital-donusum/</link>
      <guid isPermaLink="true">https://cxteknoloji.com/blog/isg-dijital-donusum/</guid>
      <pubDate>Wed, 07 Jan 2026 06:00:00 GMT</pubDate>
      <category>İSG</category>
      <description>İSG dijital dönüşümü: kaza sonrası soruşturmadan ramak kala analitiğine — yapay zekâ ile proaktif iş güvenliği yönetimi.</description>
      <content:encoded><![CDATA[<p>Klasik İSG yönetimi reaktiftir: kaza olur, soruşturulur, önlem yazılır. Oysa her kazanın öncesinde onlarca ramak kala ve yüzlerce güvensiz davranış vardır — Heinrich piramidinin tabanı, kimse bakmadığı için görünmezdir. Görüntü analitiği tam bu tabanı görünür kılar.</p><h2>Öncü göstergeler</h2><p>KKD ihlali, yasak alana giriş, forklift-yaya yakınlaşması ve hız ihlali gibi olaylar artık sayılabilir metriklerdir. Bölge ve vardiya bazlı trendler, kazanın &quot;nerede birikmekte olduğunu&quot; kaza olmadan gösterir. İSG ekibi eğitim ve saha düzenleme kararlarını bu öncü göstergelerle önceliklendirir.</p><h2>Kültür değişimi</h2><p>Amaç ceza değil görünürlüktür: vardiya panolarında paylaşılan uyum skorları, güvenliği ölçülebilir bir takım hedefine çevirir. Kurulumlarımızda ilk altı ayda ihlal sıklığının düzenli düştüğünü ölçüyoruz — davranış, izlendiği bilinen yerde değil, veriyle konuşulan yerde değişir.</p>]]></content:encoded>
    </item>
    <item>
      <title>Görüntü Analitiği Yatırım Getirisi: ROI Nasıl Hesaplanır?</title>
      <link>https://cxteknoloji.com/blog/goruntu-analitigi-roi/</link>
      <guid isPermaLink="true">https://cxteknoloji.com/blog/goruntu-analitigi-roi/</guid>
      <pubDate>Wed, 17 Dec 2025 06:00:00 GMT</pubDate>
      <category>ÜRETİM</category>
      <description>Görüntü analitiği ROI hesabı: kaza maliyeti, duruş kaybı, kayıp ciro ve enerji kalemleriyle yatırım geri dönüş modeli.</description>
      <content:encoded><![CDATA[<p>&quot;Güzel teknoloji, ama kendini ne zaman öder?&quot; Doğru soru budur ve cevabı kalem kalem hesaplanabilir. Görüntü analitiği yatırımının getirisi dört ana kalemde birikir: önlenen kaza maliyeti, azalan duruş, geri kazanılan ciro ve operasyonel verimlilik.</p><h2>Kalemlerin hesabı</h2><p>Tek bir kayıp günlü iş kazasının doğrudan ve dolaylı maliyeti, çoğu tesiste sistemin yıllık bedelini aşar. Üretimde dakika başına duruş maliyeti bellidir; OEE ölçümünün ortaya çıkardığı %15-20'lik gizli duruş, hesabın en büyük kalemidir. Perakendede kuyruk terk oranındaki birkaç puanlık düşüş doğrudan ciroya yazılır.</p><h2>Gerçekçi zaman çizelgesi</h2><p>Deneyimimizde tipik geri dönüş süresi 8-18 aydır; mevcut kameraların kullanılması, yatırımın donanım kalemini radikal biçimde küçültür. Hesabı tesise özel yapmak için ücretsiz keşif ve ROI çalışması sunuyoruz — kendi rakamlarınızla, varsayımsız bir tablo.</p>]]></content:encoded>
    </item>
    <item>
      <title>Görüntü Analitiği Nedir? Video Analitik Teknolojisine Giriş</title>
      <link>https://cxteknoloji.com/blog/goruntu-analitigi-nedir/</link>
      <guid isPermaLink="true">https://cxteknoloji.com/blog/goruntu-analitigi-nedir/</guid>
      <pubDate>Wed, 10 Dec 2025 06:00:00 GMT</pubDate>
      <category>TEKNOLOJİ</category>
      <description>Görüntü analitiği (video analitik) nedir, nasıl çalışır? Yapay zekâ destekli kamera analizi teknolojisinin temelleri ve kullanım alanları.</description>
      <content:encoded><![CDATA[<p>Görüntü analitiği — ya da video analitik — kamera görüntüsünü izlenecek bir kayıttan, karar üreten bir veri kaynağına çeviren teknolojidir. Derin öğrenme modelleri her karede nesneleri tespit eder, zaman içinde takip eder ve tanımlı kurallara göre olay üretir: ihlal uyarısı, sayım verisi, kalite kaydı.</p><h2>Neden şimdi?</h2><p>Üç eğri aynı anda kesişti: GPU maliyeti düştü, açık model mimarileri olgunlaştı ve tesislerde zaten milyonlarca kamera kuruluydu. Bugün 10 yıllık bir IP kamera bile, arkasına eklenen edge sunucuyla gerçek zamanlı yapay zekâ gözüne dönüşüyor — donanım değişimi olmadan.</p><h2>Kullanım alanları</h2><p>İş güvenliğinde KKD ve alan denetimi; güvenlikte yangın, perimetre ve plaka tanıma; üretimde OEE, kalite kontrol ve sayım; perakendede kişi sayma, ısı haritası ve kuyruk yönetimi. CX Teknoloji olarak bu alanların tamamında, sahada doğrulanmış çözümler kuruyoruz.</p>]]></content:encoded>
    </item>
  </channel>
</rss>
