Kako AI kontrola kvalitete radi na proizvodnoj liniji

Autor Tommy Jonsson, CEO, Byte Motion

AI kontrola kvalitete povezuje industrijske kamere s modelima strojnog učenja treniranim na slikama proizvoda iz vlastite tvornice. Model pregledava svaki proizvod pri punoj brzini linije, ocjenjuje ga kao ispravnog ili neispravnog i pokreće korektivnu radnju — uklanjanje robotom, signal PLC-u za preusmjeravanje ili alarm operateru — prije nego što proizvod nastavi dalje niz liniju.

Što je AI sustav za kontrolu kvalitete

AI sustav za kontrolu kvalitete zamjenjuje ručnu vizualnu inspekciju kamerama i modelima strojnog učenja koji svaki proizvod provjeravaju prema vašim kriterijima kvalitete. Sastoji se od četiri koraka: snimanje slike, AI analiza, donošenje odluke i izvršenje radnje. U nastavku prolazimo kroz svaku fazu onako kako izgleda na stvarnoj proizvodnoj liniji, a na kraju donosimo tri primjera iz prakse u kojima je cijeli lanac — od kamere do korektivne radnje — vidljiv u cijelosti.

Korak 1: kamere i senzori snimaju svaki proizvod

Sve što slijedi ovisi o kvaliteti snimljene slike, pa se kamera bira prema zadatku, a ne obrnuto. 2D kamere s cijelim vidnim poljem (area-scan) hvataju površinske značajke, boju i broj komada. 3D kamere dodaju visinu i volumen kada je bitna geometrija proizvoda — inspekcija paleta, primjerice, radi upravo na 3D kamerama koje mjere kutije u prostoru. Linijske kamere grade kontinuiranu sliku brzo pokretnog materijala traku po traku, zbog čega su standardan izbor za inspekciju velikih količina na transporteru. Hiperspektralni senzori idu i dalje od vidljive svjetlosti, kada razlika između ispravnog i neispravnog proizvoda ljudskom oku uopće nije vidljiva.

Rasvjeta i pozicioniranje kamere planiraju se jednako pažljivo, jer stabilna i dobro osvijetljena slika rješava pola problema inspekcije prije nego što AI uopće dođe na red. Na pokretnim linijama praćenje transportera pomoću enkodera povezuje svaku sliku s točnom fizičkom pozicijom na traci, tako da sustav zna ne samo što je vidio nego i gdje se taj proizvod trenutno nalazi. Optimus, platforma iza Byte Motion implementacija, neovisan je o kamerama — hardver se bira po primjeni, dok isti softverski sloj radi iza svake od njih.

Korak 2: naučena obilježja umjesto fiksnih pravila

Tradicionalna vizija odlučuje prema pravilima koja ručno piše inženjer — prag osvjetljenja ovdje, broj rubova ondje, prozor veličine u koji ispravan proizvod mora upasti. To funkcionira dok svaki proizvod izgleda jednako. AI vision radi drukčije: neuronska mreža dobiva označene primjere ispravnih i neispravnih proizvoda i sama uči koja vizualna obilježja razdvajaju jedno od drugog. Nitko ne piše pravilo za "mrlju ulja na komadu nikla" — model taj obrazac uči izravno iz podataka.

Praktična posljedica je otpornost na varijacije. Naučeni model podnosi upravo onu vrstu varijacije koja slama fiksne pragove — proizvode pod nasumičnim kutom, prirodne razlike u boji, preklopljene predmete, promjenjivu rasvjetu u hali. Logika odlučivanja više nije skup krhkih pretpostavki, nego statistički obrazac izveden iz stvarnih primjera vaše proizvodnje.

Korak 3: treniranje na slikama iz vlastite proizvodnje

Generički, unaprijed trenirani modeli ne poznaju vaše proizvode ni vaše standarde kvalitete. Modeli u proizvodnom sustavu zato se treniraju na slikama s vaše linije — vaši proizvodi, vaša rasvjeta, vaš transporter, vaša definicija greške. Inženjeri kvalitete i operateri time zapravo prenose svoju prosudbu u oznake podataka — ovaj komad prolazi, ovaj ne prolazi — a model uči tu prosudbu dosljedno primjenjivati na svaki sljedeći proizvod.

Byte Motion to provodi kao predstudiju: fazu izvedivosti fiksnog opsega u kojoj se prikupljaju slike sa stvarne linije, treniraju modeli i mjeri točnost detekcije prema vašim kriterijima prihvatljivosti, prije nego što se donese ikakva odluka o proizvodnji. Predstudija odgovara na jedino pitanje koje je bitno — radi li to na vašem proizvodu — dokazom, a ne prodajnom prezentacijom.

Korak 4: detekcija pri punoj brzini linije

Nakon treniranja model radi na industrijskom računalu uz liniju, obično na NVIDIA GPU hardveru dimenzioniranom prema traženoj brzini snimanja. Pregledava se svaki proizvod, ne uzorak: svaki komad klasificira se, uz razinu pouzdanosti, u vremenu između dva okvira snimke.

Upravo se tu AI inspekcija najjasnije razlikuje od ručne kontrole. Čovjek koji ručno kontrolira proizvode uzorkuje, umara se i tijekom smjene mu pažnja pada; model primjenjuje potpuno isti kriterij i na prvi proizvod jutarnje smjene i na posljednji proizvod noćne. Protočnost je ograničena kamerom i računalnom snagom, a ne rasponom pažnje, pa inspekcija prati liniju umjesto da je usporava.

Korak 5: korektivna radnja — roboti, signali PLC-u i alarmi

Detekcija ima vrijednost samo ako nakon nje nešto uslijedi. AI sustav za kontrolu kvalitete svoje odluke povezuje izravno s okolnom opremom, a korektivna radnja definira se za svaki proces posebno:

  • Robotsko uklanjanje* — robot fizički skida neispravan proizvod s trake. U implementaciji kod proizvođača nikla u nastavku, robot s magnetskom hvataljkom uklanja neispravne komade s transportera.
  • Signali PLC-u* — vizijski sustav javlja upravljačkom sustavu linije da preusmjeri proizvod, zaustavi transporter ili pokrene sljedeći stroj. Kod inspekcije mrkvi signal ide stroju za pakiranje čim paket dosegne ciljnu težinu.
  • Mehaničko izbacivanje* — jednostavniji izbacivači, poput mlaza zraka koji strane predmete gura s trake.
  • Alarmi s vizualnim dokazom* — kad automatska radnja nije moguća, sustav upozorava ljude. Kod drvne građe alarm stiže na mobilni uređaj radnika zajedno s posljednjom snimljenom slikom, tako da radnik dolazi do transportera već informiran, umjesto da traži problem naslijepo.
  • Usmjeravanje na ručnu inspekciju* — granični ili neispravni proizvodi idu na ručnu stanicu umjesto da zaustave liniju, kako je riješeno i u MOWI-jevom toku paleta.

Korak 6: sljedivost — svaka inspekcija ostavlja trag

Budući da svaki proizvod prolazi ispred kamere, svaki proizvod može ostaviti i zapis. Rezultati inspekcije, slike i razlozi odbijanja bilježe se i mogu se prikazati na proizvodnim dashboardima, dajući timu za kvalitetu stopu škarta uživo po liniji i smjeni, kao i pretraživu povijest za slučaj kada nešto pođe po zlu.

Vrijednost sljedivosti pokazuje se nakon otpreme. Kod MOWI-ja, jednog od najvećih svjetskih proizvođača uzgojenog lososa, svaka pregledana paleta fotografira se i arhivira. Kada kupac negdje u distribucijskoj mreži koja obuhvaća više od 25 zemalja ospori isporuku, MOWI može izvući fotografiju točno te palete u trenutku kad je napustila pogon. Sljedivost tako kontrolu kvalitete pretvara od kontrolne točke u dokaz.

Zašto vizija temeljena na pravilima ne uspijeva na promjenjivim proizvodima

Vizija temeljena na pravilima pretpostavlja da svijet miruje: isti dio, ista pozicija, ista rasvjeta, ista pozadina. Pod tim pretpostavkama brza je, jeftina i pouzdana — zato i dominira u inspekciji jednoličnih, industrijski izrađenih dijelova.

Prirodni i promjenjivi proizvodi ruše svaku od tih pretpostavki. Nema dvije mrkve istog oblika. Komadi nikla stižu u nepravilnim veličinama uz nepredvidivu kontaminaciju. Daske se pomiču, preklapaju i zaglavljuju u kombinacijama koje nitko nije predvidio kad su pravila pisana. Prag kalibriran u siječnju u srpnju zakaže, kada se sirovina mijenja sa sezonom. Svaki takav promašaj znači još jedan krug ručnog podešavanja, sve dok se sustav na kraju ne zaobiđe, a linija tiho vrati na ručnu inspekciju.

AI modeli se na toj varijaciji upravo treniraju, umjesto da ih ona pobijedi. Raspon oblika, boja i orijentacija u trening slikama ono je što model uči — gdje prihvatljiva varijacija prestaje, a stvarna greška počinje.

Primjer iz prakse: tri stvarne implementacije

Mehanizam opisan iznad nije teorija. Evo kako isti lanac — kamera, model, odluka, radnja — radi u tri proizvodne instalacije koje je isporučio Byte Motion.

Brojanje i vaganje mrkvi. Poljoprivredni proizvođač mjerio je, brojao i pakirao mrkve ručno — ponavljajući posao u kojem je ljudska pogreška dovodila do netočnih mjerenja i pogrešnog pakiranja. AI model, treniran na slikama s 2D Nano C2020 kamere, sada detektira svaku mrkvu i procjenjuje njezinu veličinu i težinu, dok praćenje transportera uz enkoder prati svaku mrkvu duž trake. Osoblje mrkve samo stavlja u predviđene džepove; sustav ih mjeri i broji, a kad paket dosegne ciljnu težinu, automatski signalizira stroju za pakiranje. Ručno mjerenje je eliminirano, težine pakiranja postale su ujednačenije — što je smanjilo i prekomjerno pakiranje i odbačene lakše pakete — a kapacitet je porastao. Detalji su u case studyju o mrkvama.

Inspekcija nikla pri brzini linije. Vodeći proizvođač nikla oslanjao se na ručnu inspekciju kako bi uočio komade pogrešnih dimenzija, kontaminaciju uljem i strane predmete na transporteru koji nosi velike količine materijala. Linijska kamera sada pregledava svaki komad tijekom prolaska, provjerava dimenzije i otkriva mrlje ulja. Robot s magnetskom hvataljkom uklanja odbačene komade, a uređaj za puhanje zraka gura nepoznate predmete s trake. Ako se predmet ne može ukloniti automatski, transporter se sam zaustavlja i alarm poziva osoblje da provjeri situaciju — tako strani predmeti više ne prolaze neopaženo. Cijeli lanac opisan je u case studyju o inspekciji nikla.

Detekcija zastoja na liniji za drvnu građu. Norveškom proizvođaču drvne građe daske su se zaglavljivale na transporteru, ponekad neprimijećeno dovoljno dugo da je proizvodnja morala stati dok su radnici ručno uklanjali nagomilane daske. Kamera montirana iznad transportera napaja AI model koji detektira i prati svaku dasku; kada se neka zadrži predugo, alarm stiže na mobitele radnika zajedno s posljednjom snimkom, a u kontrolnoj sobi pali se crveno svjetlo. Zastoji se danas hvataju u sekundama, a ne tek nakon što se problem nagomila.

Tri industrije, tri kamere, tri različite korektivne radnje — jedan te isti mehanizam.

Izraditi sami ili kupiti: što uzeti u obzir

Izrada internog rješenja doista je izvediva: open-source modeli, ROS2 i industrijske kamere svima su dostupni. Rijetko je problem sam model — problem je sve oko njega. Odabir kamere i rasvjete, praćenje na transporteru, integracija s robotima i PLC-ovima, rubni slučajevi, ponašanje pri neuspjehu (što sustav radi kada nije siguran) i održavanje točnosti modela dok se proizvod mijenja kroz sezone. To je proizvodni inženjering, i upravo tu većina internih vizijskih projekata zapinje.

Razuman srednji put je kupiti platformu, a zadržati vlasništvo nad znanjem o procesu. Byte Motion isporučuje kontrolu kvalitete kao inženjeriranu proizvodnu ćeliju na Optimus platformi, počevši od predstudije, tako da se izvedivost dokaže na vašim slikama prije većeg ulaganja. Vaš tim definira standarde kvalitete; platforma nosi vizijski, robotski i integracijski sloj koji bi interno bilo potrebno graditi i dorađivati godinama.

Koje greške AI sustav za kontrolu kvalitete može otkriti?

AI sustav za kontrolu kvalitete može otkriti svaku grešku vidljivu istreniranom kontroloru: površinska oštećenja, pukotine, udubljenja, kontaminaciju, strane predmete, nedostajuće ili pogrešno postavljene komponente, pogrešne etikete, dimenzijske greške i odstupanja boje. Budući da su modeli trenirani na vašim slikama, detekcija odražava vaše standarde kvalitete, a ne generički popis.

U implementiranim sustavima to je značilo kontaminaciju uljem i dimenzijske greške na komadima nikla, veličinu i težinu mrkvi za automatske odluke o pakiranju, prevjes ili oštećene kutije na paletama lososa i zaglavljene daske na transporteru za drvnu građu — svaka kategorija greške definirana je zajedno s kupcem tijekom predstudije.

Koliko podataka za treniranje treba AI sustavu za kontrolu kvalitete?

Ovisi o tome koliko proizvod varira i koliko su suptilne greške. Praktičan pristup je predstudija: prikupi se ograničen skup slika sa stvarne linije, na njima se treniraju i testiraju modeli, a izvedivost se dokazuje prije bilo kakve odluke o proizvodnji.

Uobičajene greške obično su dobro pokrivene redovnom proizvodnjom unutar kratkog razdoblja prikupljanja. Rijetke greške traže dulje prikupljanje, što je jedan od razloga zašto implementirani sustavi nastavljaju učiti: proizvodne slike mogu se pregledavati i dodavati u trening skup, pa se detekcija poboljšava i nakon puštanja u rad, umjesto da ostane zamrznuta na prvom danu.

Radi li AI kontrola kvalitete s postojećim kamerama i PLC-ovima?

Uglavnom da. Optimus, platforma iza Byte Motion implementacija kontrole kvalitete, neovisan je o kamerama i robotima: podržava 2D area-scan, 3D i linijske kamere te komunicira s PLC-ovima i robotima putem ROS2 i standardnih industrijskih protokola. U većini projekata AI inspekcija dodaje se oko postojećih transportera i upravljačkih sustava, umjesto da ih zamjenjuje.

MOWI-jeva instalacija, primjerice, povezuje vizijski sustav s AGV vozilima, robotom za etiketiranje i postojećim ERP sustavom, tako da je inspekcija paleta postala korak unutar izlaznog toka, a ne zaseban ručni punkt.

Gdje su ljudi u AI sustavu za kontrolu kvalitete?

Ljudi prelaze s pregledavanja svakog proizvoda na rješavanje iznimaka. Proizvodi koje AI klasificira s visokom pouzdanošću obrađuju se automatski; dvojbeni slučajevi mogu se usmjeriti na ručnu provjeru ili prikazati operateru na ekranu kroz human-in-the-loop tijek rada. Svaka ljudska odluka potom može postati novi trening podatak koji smanjuje buduće eskalacije.

MOWI-jeva linija radi upravo tako: palete koje ne zadovolje neki kriterij AGV usmjerava na ručnu inspekciju, dok odobrene palete idu izravno na etiketiranje. Za zadatke gdje rubni slučajevi trajno zahtijevaju ljudsku prosudbu, Byte Motionov Human Assisted Vision čini operatera stalnim dijelom procesa odlučivanja.

Sljedeći korak

Ako procjenjujete AI kontrolu kvalitete za konkretnu liniju, najkraći put do stvarnog odgovora je predstudija na vašim vlastitim proizvodnim slikama. Kontaktirajte Byte Motion i razgovarajmo o vašem zadatku inspekcije — odgovaramo unutar jednog radnog dana.

Povezani proizvodi

Povezane studije slučaja

Povezani vodiči

Rezervirajte besplatnu konzultaciju