Computer vision na hali produkcyjnej: dokładna kontrola jakości w czasie rzeczywistym

Dlaczego computer vision zmienia kontrolę jakości na hali produkcyjnej

Od ręcznej inspekcji do automatycznej – realna przewaga na produkcji

Kontrola jakości w większości zakładów nadal opiera się na pracy ludzkiego oka. Operator stoi przy linii, bierze próbkę, ogląda produkt z każdej strony i podejmuje decyzję: „OK” albo „NOK”. Przy niewielkich wolumenach i prostych wyrobach ma to sens. Problem zaczyna się, gdy linia pracuje z prędkością kilkuset sztuk na minutę, a wymagania jakościowe są ostre i dobrze udokumentowane.

Systemy computer vision pozwalają zamienić tę subiektywną, męczącą pracę w powtarzalną, mierzalną operację realizowaną w czasie rzeczywistym. Kamera widzi każdy produkt, a nie tylko próbki. Algorytm podejmuje decyzję w ułamku sekundy i przekazuje sygnał do odrzutnika, zatrzasku lub systemu sortowania. Dzięki temu:

• kontrola jakości w czasie rzeczywistym staje się możliwa bez spowalniania linii,
• da się wykryć defekt już na pierwszych sztukach z wadliwej partii, zamiast po godzinie produkcji,
• znikają „ludzkie” wahania: poniedziałek rano vs piątek wieczór, zmiana A vs zmiana B.

Automatyczna inspekcja wizualna nie jest lekarstwem na wszystkie problemy, ale w obszarze powtarzalnych, dobrze definiowalnych defektów daje przewagę trudną do osiągnięcia inaczej. W szczególności tam, gdzie produkt przesuwa się szybko i gdzie liczy się kontrola każdej sztuki, a nie tylko statystycznej próbki.

Typowe problemy tradycyjnej kontroli jakości

Ręczna kontrola jakości ma swoje mocne strony – elastyczność, intuicja, możliwość zauważenia „czegoś dziwnego”, czego nie ma jeszcze w katalogu defektów. Jednak w warunkach hali produkcyjnej lista ograniczeń jest długa:

Po pierwsze, zmęczenie wzroku i uwagi. Człowiek nie jest stworzony do patrzenia godzinami na podobne obiekty przesuwające się w stałym tempie. Po kilkudziesięciu minutach spada czujność, pojawiają się pomyłki: przepuszczone defekty lub nadmierne odrzucanie poprawnych sztuk. Efekt ten jest trudny do zmierzenia, ale łatwo go zaobserwować, gdy wprowadzony zostaje system wizyjny – nagle widać, ile „szumu” było wcześniej.

Po drugie, subiektywność oceny. Nawet przy dobrze opisanych kryteriach, różni kontrolerzy mają różne progi tolerancji. Jeden uzna zarysowanie za akceptowalne, drugi odrzuci. Ten problem narasta, gdy brakuje standardowych wzorców i zdjęć referencyjnych. Computer vision wymusza ich stworzenie, co samo w sobie poprawia kulturę jakości.

Po trzecie, wąskie gardła. Gdy kontrola jest ręczna, zwykle jest też wolniejsza niż sama produkcja. W efekcie pojawiają się bufory, magazynki pośrednie, konieczność pracy na zmiany tylko po to, by „nadgonić” kontrolę. System wizyjny można zaprojektować tak, aby kontrola jakości nadążała za produkcją, a nawet ją wyprzedzała – np. analizując obraz jeszcze zanim produkt opuści gniazdo produkcyjne.

Klasyczne systemy wizyjne vs AI/ML – reguły kontra modele uczone na danych

W wielu fabrykach działają już od lat klasyczne systemy wizyjne – oparte na regułach, progach i matematycznych algorytmach przetwarzania obrazu. Działają stabilnie przy zadaniach typu: pomiar długości, obecność/nieobecność elementu, rozpoznawanie prostych wzorów, czytanie kodów. Tam, gdzie warunki są powtarzalne, a problem dobrze zdefiniowany, takie rozwiązania nadal są bardzo skuteczne i często prostsze w utrzymaniu.

Nowością jest zastosowanie AI i uczenia maszynowego – czyli modeli, które nie opierają się na ręcznie pisanych regułach, lecz uczą się na przykładach. Zamiast ustalać „jeśli piksel jest ciemniejszy niż X, to defekt”, trenuje się sieć neuronową na tysiącach zdjęć poprawnych i wadliwych produktów. Model uczy się wzorców, których człowiek często nie potrafi nazwać, ale jest w stanie je odróżnić.

Różnice praktyczne są istotne:

• klasyczne systemy wymagają dokładnego zrozumienia defektu i zaprojektowania reguł – są mniej elastyczne, ale przewidywalne,
• systemy AI są bardziej elastyczne wobec zmienności wyglądu produktu, ale wymagają danych treningowych i procesu ciągłego doskonalenia modelu.

Mit, który często się pojawia, brzmi: „Wystarczy wrzucić zdjęcia do AI i wszystko samo się zrobi”. Rzeczywistość: bez porządku w danych, sensownej strategii labelingu i ścisłej współpracy z inżynierami procesu modele będą działać słabo, a rozczarowanie jest gwarantowane.

Mit o zastąpieniu kontrolera jakości przez AI

Popularne jest przekonanie, że computer vision „zastąpi” kontrolera jakości. Zazwyczaj pada to w kontekście obaw pracowników lub jako obietnica szybkiego cięcia kosztów. Praktyka pokazuje coś innego: rola człowieka zmienia się, ale nie znika.

Człowiek przestaje pełnić funkcję „kamery” i „detektora defektów”, a zaczyna być decydentem i opiekunem systemu. System wizyjny wskazuje potencjalnie wadliwe sztuki, grupuje je według typów defektów, śledzi statystyki. Kontroler jakości interpretuje te dane, podejmuje decyzje o dopuszczeniu lub wstrzymaniu partii, współpracuje z produkcją i utrzymaniem ruchu przy analizie przyczyn źródłowych.

Mit vs rzeczywistość: mit mówi „AI robi wszystko za człowieka”. W praktyce najlepsze efekty przynosi duet: automat robi powtarzalne, męczące czynności, a człowiek wykorzystuje swój osąd, wiedzę procesową i zdolność do diagnozowania nowych typów problemów. Zakłady, które przyjmują takie podejście, notują większą akceptację zmian i szybciej osiągają zwrot z inwestycji.

Gdzie computer vision ma największy sens – mapowanie zastosowań w fabryce

Typowe zastosowania systemów wizyjnych w kontroli jakości

Computer vision na hali produkcyjnej znajduje zastosowanie wszędzie tam, gdzie jakość produktu da się ocenić po jego wyglądzie. Zestaw najbardziej typowych scenariuszy obejmuje:

• Wykrywanie defektów powierzchni – rysy, wżery, odpryski powłoki lakierniczej, przebarwienia, pęknięcia, powłoka nierównomiernie nałożona. Szczególnie popularne w branży automotive, AGD i metalowej.
• Sprawdzanie kompletności montażu – czy wszystkie śrubki są na swoim miejscu, czy złączka jest dociśnięta, czy klips został zatrzaśnięty. Dotyczy to zarówno montażu ręcznego, jak i automatycznego.
• Weryfikacja etykiet, nadruków i kodów – czy etykieta jest obecna, poprawnie przyklejona, nieuszkodzona; czy kod kreskowy lub QR jest czytelny; czy numer serii odpowiada recepturze na linii.
• Pomiar wymiarów i kształtu – długość, szerokość, odległości między otworami, kąty, prostopadłość, bicie elementów obrotowych. Często alternatywa dla tradycyjnych przyrządów pomiarowych w wersji offline.
• Liczenie i śledzenie produktów – zliczanie sztuk na przenośnikach, w pudłach, na paletach, monitorowanie przepływu między gniazdami, wykrywanie braków w opakowaniach zbiorczych.

Te kategorie często się przenikają. Jeden system wizyjny może jednocześnie sprawdzać, czy produkt ma wszystkie elementy montażowe, mierzyć kluczowe wymiary i odczytywać nadrukowany na nim numer seryjny. Dobrze zaprojektowane stanowisko potrafi zastąpić kilka osobnych manualnych kontroli.

Jak ocenić, czy dany etap procesu nadaje się do inspekcji wizualnej

Nie każdy fragment linii produkcyjnej nadaje się do kontroli z pomocą computer vision. Ocena sensowności wdrożenia sprowadza się do kilku prostych pytań:

• Czy defekt jest widoczny wzrokowo? Jeżeli nawet doświadczony kontroler nie widzi różnicy między produktem dobrym i złym, system wizyjny też sobie nie poradzi. Computer vision analizuje obraz, więc wada musi manifestować się w obrazie: kształtem, kolorem, teksturą, położeniem.
• Czy jest dostęp do stabilnego widoku? Kamera potrzebuje czystego „okna” na produkt: bez zasłaniania przez ręce operatorów, bez losowego obracania się detalu. Trzeba zapewnić powtarzalne pozycjonowanie lub ruch, który da się skompensować.
• Jaka jest prędkość linii? System musi zdążyć wykonać zdjęcie, przetworzyć je i wydać decyzję, zanim produkt opuści strefę kontroli. To określa wymagania względem liczby klatek na sekundę, wydajności obliczeniowej i sposobu integracji z urządzeniami wykonawczymi.
• Jaka jest złożoność produktu? Im bardziej skomplikowany detal (wiele powierzchni, elementów, wariantów), tym większa szansa, że proste regułowe podejście zawiedzie i trzeba sięgnąć po AI/ML. Z drugiej strony bardzo złożone wyroby wymagają rozważenia, czy da się je sensownie sparametryzować i opisać.
• Jak krytyczny jest dany etap dla jakości końcowej? Niekoniecznie warto zaczynać od najtrudniejszych zadań. Lepszym wyborem bywa punkt, w którym defekt jest z jednej strony łatwo widoczny, a z drugiej – bardzo kosztowny, gdy wpadnie do klienta.

Prostym teścikiem jest pytanie do kontrolerów jakości: „Czy jesteście w stanie w 100% opisać, po czym poznajecie, że produkt jest zły?”. Jeśli odpowiedzi są spójne, bazują na konkretnych cechach wizualnych i da się je opisać w postaci reguł lub przykładów zdjęć, computer vision ma spore szanse powodzenia.

Szybki audyt linii – jak znaleźć punkty krytyczne i wąskie gardła

Zanim rozpocznie się jakiekolwiek wdrożenie, warto przejść przez halę jak „łowca okazji na wizję”. Z praktycznego punktu widzenia taki audyt może wyglądać następująco:

• oznaczenie wszystkich punktów, gdzie dziś realizowana jest ręczna kontrola jakości (na 100% lub próbkująca),
• sprawdzenie, gdzie najczęściej pojawiają się reklamacje klientów lub duże odrzuty wewnętrzne,
• identyfikacja miejsc, gdzie kontrola stanowi wąskie gardło przepustowości,
• ocena, które z tych punktów spełniają kryteria „defekt widoczny wzrokowo + dostępny widok + rozsądna prędkość”.

Na podstawie takiego audytu powstaje lista potencjalnych zastosowań computer vision, zwykle dłuższa niż budżet i możliwości zespołu. Priorytetyzacja nie powinna opierać się wyłącznie na „największych stratach jakościowych” – lepszym podejściem jest połączenie potencjału jakościowego z wykonalnością techniczną. Często pierwszym projektem zostaje średnio trudne zadanie, ale o dużej powtarzalności i sensownym zwrocie z inwestycji.

Mit: computer vision tylko dla masowej produkcji

Spotyka się przekonanie, że system wizyjny ma sens tylko przy produkcji masowej, gdzie lecą tysiące sztuk na godzinę. Argument brzmi: „Przy małych wolumenach nie ma z czego odzyskać inwestycji”. Rzeczywistość jest bardziej zniuansowana.

Przy krótkich seriach i częstych przezbrojeniach zmienia się logika wdrożenia, ale computer vision nadal może być opłacalne. Kluczowe jest wtedy postawienie na elastyczność konfiguracji i szybką adaptację, zamiast optymalizacji „pod jeden typ produktu”. Przykłady:

• system, który zamiast mieć jeden „twardy” model, posiada zestaw szablonów dla różnych wariantów, wybieranych automatycznie na podstawie kodu z systemu MES,
• model AI uczony tak, aby wykrywać anomalie względem aktualnej populacji, zamiast szczegółowo klasyfikować każdy możliwy typ defektu,
• stanowisko z szybkim przełączaniem uchwytów i scenariuszy oświetleniowych, tak by przygotowanie do nowej referencji zajmowało minuty, a nie dni.

Przy produkcji jednostkowej lub krótkich seriach główną korzyścią bywa redukcja ryzyka wypuszczenia wadliwego, drogiego wyrobu, a nie wzrost przepustowości. Każdy projekt systemu wizyjnego wymaga więc osobnej kalkulacji ROI, zamiast prostego odrzucenia z powodu niższych wolumenów.

Podstawy technologii computer vision w kontekście przemysłowym

Czujnik wizyjny a zaawansowany system computer vision

W języku potocznym „system wizyjny” często oznacza wszystko, co ma kamerę nad linią. Technicznie jednak istnieje wyraźna różnica między prostym czujnikiem wizyjnym a pełnoprawnym systemem computer vision z AI.

Czujnik wizyjny to zwykle kompaktowe urządzenie (kamera + procesor + oświetlenie), zaprogramowane do wykonania jednego, prostego zadania: sprawdzić obecność elementu, odczytać kod, zmierzyć odległość. Ma ograniczone możliwości konfiguracji, ale jest szybki, tani i łatwy do integracji z PLC. Typowe zastosowania to:

• sprawdzenie, czy produkt jest obecny na stanowisku,

System computer vision z AI – kiedy prosty czujnik przestaje wystarczać

System computer vision to zestaw komponentów: kamera lub kamery, wydajne przetwarzanie (edge lub serwer), oświetlenie, oprogramowanie z algorytmami analizy obrazu, często z elementami AI/ML. Projektuje się go pod konkretne zadanie, ale z myślą o rozwoju i wymianie modeli w przyszłości.

Taki system wchodzi do gry wtedy, gdy:

• trzeba ocenić jakość powierzchni, a nie tylko obecność/nieobecność elementu,
• defekty są subtelne i zmienne – raz rysa, raz plamka, raz zniekształcenie krawędzi,
• produkt ma wiele wariantów, a reguły „twarde” stają się nie do utrzymania,
• zależy nam na analizie trendów i powiązaniu defektów z parametrami procesu.

Mit powtarzany w wielu zakładach brzmi: „najpierw załóżmy prosty czujnik, a jak nie zadziała, to wymienimy na coś mądrzejszego”. Rzeczywistość jest taka, że źle dobrana architektura (mechanika, oświetlenie, integracja) pod prosty czujnik często uniemożliwia późniejsze, sensowne dołożenie AI bez przebudowy stanowiska. Lepiej od początku zaplanować „ścieżkę wzrostu” – nawet jeśli faza 1 wykorzysta tylko część możliwości sprzętu.

Reguły, klasyczne algorytmy i sieci neuronowe – trzy podejścia do analizy obrazu

W praktyce przemysłowej spotykają się trzy główne rodziny metod analizy obrazu. Często są łączone w jednym systemie.

1. Systemy regułowe (rule-based)
To podejście „starej szkoły” wizji maszynowej. Inżynier definiuje kroki: progowanie, detekcję krawędzi, pomiar odległości, tolerancje. Algorytmy są deterministyczne – dla tych samych danych dają zawsze ten sam wynik. Sprawdzają się świetnie, gdy:

• produkt jest dobrze zdefiniowany geometrycznie,
• oświetlenie da się ustabilizować,
• można jasno rozpisać reguły w stylu „jeśli odległość A-B > 2 mm, to NOK”.

Ich zaletą jest transparentność – łatwo wyjaśnić, dlaczego system odrzucił daną sztukę. Słabiej radzą sobie z niejednorodnymi fakturami, nieregularnymi zabrudzeniami, miksami wielu typów defektów.

2. Klasyczne algorytmy feature-based
To pomost między czystymi regułami a AI. System nie uczy się jeszcze „sam”, ale korzysta z bardziej zaawansowanych metod: dopasowywanie kształtów, deskryptory cech, transformacje geometryczne, korelacje wzorców. Umożliwia większą tolerancję na zmienność położenia czy nieidealne oświetlenie.

Takie podejście jest przydatne np. przy weryfikacji montażu elementów o różnych kształtach, przy kontroli poprawnego złożenia złączy czy uchwytów. Dobrze zaprojektowany zestaw cech bywa bardzo stabilny i mniej „kapryśny” niż źle wytrenowana sieć neuronowa.

3. Metody AI/ML, w tym deep learning
To tutaj trafiają zadania, których nie da się rozsądnie opisać w postaci reguł. Sieć neuronowa zamiast twardych progów i wzorców uczy się na przykładach: obrazach produktów dobrych i złych. Typowe zastosowania:

• wyszukiwanie drobnych, nieregularnych defektów na dużych powierzchniach (lakier, tworzywa, tkaniny),
• wieloklasowa klasyfikacja typów wad, gdy lista jest długa i zmienia się w czasie,
• analiza zdjęć o dużej zmienności (różne warianty, pozycje, nieidealna powtarzalność).

Mit: „Jak damy AI, to nie musimy już nic ustawiać, wystarczy dużo zdjęć”. W praktyce największe różnice jakościowe i tak robią dobra mechanika, oświetlenie i stabilne zbieranie danych. Słaby setup potrafi „zabić” nawet świetny model.

Uczenie nadzorowane, nienadzorowane i półnadzorowane w realiach fabryki

Na etapie projektowania systemu wizyjnego często trzeba wybrać strategię uczenia modelu.

Uczenie nadzorowane (supervised)
Model dostaje zdjęcia z etykietami: „OK”/„NOK”, czasem z rodzajem wady. Daje największą kontrolę nad wynikiem, ale wymaga solidnie przygotowanego zbioru danych i konsekwentnego znakowania. Sprawdza się tam, gdzie:

• typy defektów są dobrze znane,
• proces już działa i można zebrać reprezentatywną bazę przykładów,
• firma jest gotowa inwestować w ciągłe utrzymanie datasetu.

Uczenie nienadzorowane (unsupervised, np. detekcja anomalii)
Model uczy się wyłącznie na przykładach „dobrych” sztuk, a potem sygnalizuje odstępstwa od wyuczonego wzorca. To podejście kusi przy uruchamianiu nowych linii i przy krótkich seriach.

Przykład z praktyki: zakład produkujący elementy z kompozytu nie był w stanie w pierwszych tygodniach wymienić wszystkich możliwych wad. Zebrano więc dużą pulę zdjęć sztuk z partii zaakceptowanych przez jakość i zbudowano model anomalii. W efekcie system wyłapywał nietypowe struktury włókien, plamy żywicy i pęcherze powietrza, choć nikt nie definiował ich wcześniej jako osobnych klas.

Uczenie półnadzorowane
To kompromis: część danych jest dokładnie oznaczona, reszta służy tylko do „doszlifowania” reprezentacji. Przydaje się tam, gdzie defektów jest relatywnie mało, a dobrych sztuk – bardzo dużo.

Mit: „detekcja anomalii załatwi wszystko, bo nie musimy etykietować wad”. Rzeczywistość – takie modele świetnie wykrywają „coś jest nie tak”, lecz gorzej tłumaczą, co konkretnie jest nie tak. Do analizy przyczynowej i raportowania do klienta często i tak potrzeba choć częściowej klasyfikacji.

Edge vs serwer – gdzie liczyć AI na hali produkcyjnej

Decyzja, gdzie fizycznie wykonywać obliczenia, ma konsekwencje dla stabilności i skalowalności całego rozwiązania.

Przetwarzanie na brzegu (edge)
Modele uruchamiane są bezpośrednio w kamerze inteligentnej, w przemysłowym komputerze przy linii lub w szafie sterowniczej. Taki wariant ma kilka plusów:

• niska latencja – decyzja zapada niemal natychmiast,
• mniejsza zależność od sieci i serwerów centralnych,
• łatwiejsza integracja z PLC i urządzeniami wykonawczymi.

Sprawdza się przy prostszych modelach, mniejszej liczbie kamer, tam, gdzie krytyczny jest bardzo krótki czas reakcji (np. odrzutnik mechaniczny tuż za kamerą).

Przetwarzanie serwerowe (on-premise lub w chmurze prywatnej)
Kamery wysyłają strumień lub pojedyncze zdjęcia na serwer (fizyczny lub wirtualny), gdzie pracują cięższe modele – czasem na GPU. Korzyści:

• łatwiejsze zarządzanie wieloma modelami i liniami w jednym miejscu,
• możliwość użycia bardziej złożonych architektur,
• centralne logowanie, wersjonowanie i monitorowanie jakości modeli.

Wadą jest zależność od infrastruktury IT i sieci. Przy złej konfiguracji może pojawić się opóźnienie niedopuszczalne przy najszybszych liniach.

Coraz częściej stosuje się hybrydę: wstępna decyzja (OK/NOK) zapada na brzegu, natomiast pełne obrazy trafiają na serwer do analizy trendów, doskonalenia modeli i zasilania systemów MES/Quality Intelligence.

Elementy systemu wizyjnego na linii produkcyjnej – od kamery po serwer

Mechanika i pozycjonowanie – fundament, którego nie widać na zdjęciach marketingowych

Najefektowniej wyglądają wykresy z AI, ale o sukcesie wdrożenia decyduje często stalowy profil i parę śrub. Mechaniczne osadzenie kamery i produktu jest kluczowe, bo determinuje, jak „czysty” obraz trafi do algorytmu.

Kluczowe kwestie to:

• stabilne mocowanie kamer – brak drgań, brak „pływania” położenia,
• powtarzalne pozycjonowanie produktu – ograniczniki, gniazda, chwytaki, prowadnice,
• kontrola odległości roboczej i kąta widzenia – raz ustawione parametry powinny być trudne do „przestawienia przypadkowo”,
• minimalizacja zanieczyszczeń: pył, mgła olejowa, odpryski, które mogą trafiać na optykę.

W wielu nieudanych projektach to właśnie mechanika była najsłabszym ogniwem: kamera przykręcona „tymczasowo” do istniejącej konstrukcji, produkt, który potrafi się obracać na taśmie, brak możliwości łatwej regulacji. Zespół spędza potem miesiące na poprawianiu modeli, podczas gdy wystarczyłby prosty chwytak lub prowadnica.

Oświetlenie – kontrolowanie cieni, refleksów i kontrastu

Dla algorytmu obraz to zbiór liczb. Jeżeli z powodu zmiany oświetlenia obiekt wygląda raz jasno, raz ciemno, model widzi dwa zupełnie różne światy. Dlatego projektowanie oświetlenia jest jednym z najbardziej niedocenianych etapów.

Najczęściej stosowane typy oświetlenia to:

• oświetlenie pierścieniowe – montowane wokół obiektywu, daje równomierne, rozproszone światło dookoła punktu obserwacji; dobre do detekcji krawędzi i ogólnej inspekcji,
• oświetlenie liniowe – listwy LED montowane pod kątem, przydatne do podkreślenia rys, rowków i struktury powierzchni,
• dome light (kopułowe) – tworzy bardzo rozproszone, „miękkie” światło, świetne do eliminacji ostrych refleksów na błyszczących elementach,
• backlight (podświetlenie od spodu) – do pomiarów kształtów w konturze, np. sprawdzanie geometrii wycinanych elementów.

Dobór barwy światła (temperatury kolorystycznej) oraz filtrów optycznych pozwala z kolei „wyciągnąć” interesujące cechy i przytłumić tło. Przykład: przy kontroli przezroczystych folii często stosuje się światło wąskopasmowe i odpowiedni filtr na obiektywie, aby zredukować odbicia i widoczność elementów w tle.

Mit mówi, że „nowoczesne modele poradzą sobie nawet przy zmiennym oświetleniu”. W praktyce każdy dodatkowy stopień swobody w obrazie to więcej danych treningowych, więcej anomalii i trudniejsze utrzymanie niskiej liczby fałszywych odrzuceń. Stabilne światło to tani sposób na poprawę wyników AI.

Kamery i obiektywy – rozdzielczość nie jest jedynym parametrem

Dobór kamery zaczyna się zwykle od pytania „jakie defekty chcemy zobaczyć?” oraz „jaki obszar ma być widoczny na jednym ujęciu?”. Z tych dwóch informacji można wyliczyć wymaganą rozdzielczość przestrzenną – ile mikrometrów przypada na jeden piksel.

Kilka praktycznych zasad:

• jeśli najmniejszy istotny defekt ma np. 0,1 mm, dobrze jest, aby zajmował co najmniej kilka pikseli w obrazie,
• lepiej jest mieć więcej pikseli na mniejszym obszarze (więcej kamer bliżej produktu), niż jedną kamerę „z daleka”, która próbuje objąć wszystko naraz,
• w aplikacjach szybkozmiennych (taśmy, wirujące elementy) liczy się także maksymalna liczba klatek na sekundę oraz czas ekspozycji.

Obiektyw decyduje o kącie widzenia, głębi ostrości i zniekształceniach obrazu. Odpowiednie dobranie ogniskowej oraz odległości roboczej pozwala uniknąć sytuacji, w której część obiektu jest ostra, a część „pływa”. W środowisku przemysłowym ważne są też kwestie mechaniczne: blokowane pierścienie ostrości, odporność na wibracje.

Komputery przemysłowe i serwery – serce obliczeniowe systemu

Za kamerą stoi zawsze jakiś rodzaj jednostki obliczeniowej. W prostych aplikacjach jest to wbudowany procesor w kamerze inteligentnej; w bardziej wymagających – przemysłowy komputer (IPC) lub serwer z GPU.

Przy doborze „mózgu” systemu zwraca się uwagę na:

• wydajność CPU/GPU w relacji do oczekiwanej liczby obrazów na sekundę i złożoności modeli,
• interfejsy komunikacyjne – Ethernet, Profinet, EtherNet/IP, Modbus, sygnały cyfrowe,
• warunki pracy: temperatura, wibracje, zapylenie – często konieczna jest obudowa o podwyższonej ochronie IP,
• możliwość zdalnej administracji, aktualizacji oprogramowania, monitoringu stanu.

Integracja z PLC, systemami MES i istniejącą automatyką

Nawet najlepszy model wizyjny jest bezużyteczny, jeśli decyzja OK/NOK nie dociera we właściwym czasie tam, gdzie powinna. Integracja z automatyką to często bardziej żmudna część projektu niż samo AI, ale to ona zamienia analitykę w konkretne działania na linii.

Najprostszy wariant to sygnały dwustanowe z kamery lub IPC do PLC: jeden sygnał dla NOK, drugi dla alarmu. Przy większej liczbie klas defektów lub konieczności przekazywania wartości liczbowych (np. wymiarów, intensywności zarysowań) sensowniejsze jest użycie protokołów przemysłowych:

• Profinet / EtherNet/IP / EtherCAT – pełna integracja z nowoczesnymi sterownikami, wymiana strukturyzowanych danych,
• Modbus TCP – prosty sposób na przekazanie kilku rejestrów z decyzjami i parametrami pomiarów,
• MQTT / REST API – gdy system wizyjny ma komunikować się z warstwą IT (MES, Quality Intelligence, systemy raportowe).

Dobrym nawykiem jest podział danych na krytyczne (decyzja dla odrzutnika, sygnał STOP) oraz analityczne (zdjęcia, opisy defektów, metadane o zmianie, numer partii). Krytyczne idą kanałem możliwie prostym i odpornym na problemy sieciowe, analityczne mogą być przesyłane asynchronicznie.

Częsty mit: „wystarczy jedna zmienna OK/NOK i po sprawie”. W rzeczywistości po pierwszym poważniejszym incydencie jakościowym pojawia się potrzeba dociekania: co konkretnie było nie tak, jak się zmieniał trend, na której zmianie problem się nasilił. Bez szerszego zestawu danych diagnostycznych system wizyjny staje się „czarną skrzynką”, której nikt nie ufa.

Oprogramowanie operatorskie – jak pokazać AI na HMI, żeby nie przestraszyć utrzymania ruchu

Interfejs użytkownika na linii nie musi wyglądać jak panel do trenowania sieci neuronowych. Dla operatora liczy się czytelny status i szybka identyfikacja problemu. Rozsądnie zaprojektowany ekran HMI lub aplikacja webowa upraszcza wdrożenie bardziej niż kolejna godzina strojenia hiperparametrów.

W praktyce dobrze działają ekrany, które w jednym miejscu łączą:

• aktualny status linii (liczba odrzuceń, ostatni defekt, stan komunikacji),
• podgląd ostatniego obrazu NOK z zaznaczonym obszarem defektu,
• proste kody kategorii (np. „Zarysowanie powierzchni”, „Brak etykiety”), powiązane z instrukcją postępowania,
• informację o pewności decyzji dla utrzymania ruchu i inżynierów jakości (np. skala 0–100 lub kolor sygnału).

W tle może działać znacznie bogatszy panel ekspercki dostępny tylko dla inżynierów – z możliwością podglądu logów modeli, statystyk, definiowania nowych klas. Operator ma widzieć tyle, ile potrzebuje do obsługi procesu i reagowania na odchylenia.

Mit, który pojawia się niemal zawsze: „operatorzy nie poradzą sobie z AI, to za skomplikowane”. W praktyce to nie AI jest problemem, tylko przeładowane interfejsy pełne niezrozumiałych parametrów. Jeśli ekran ma kilka jasnych komunikatów i prosty schemat kolorów, obsługa przyjmuje system równie naturalnie jak klasyczny czujnik wizyjny.

Bezpieczeństwo i niezawodność – projektowanie „planów B”

System wizyjny wpływa często na jakość dostaw do klienta, a czasem także na bezpieczeństwo funkcjonalne. Trudno zaakceptować sytuację, w której jedno zawieszenie serwera blokuje całą produkcję lub, co gorsza, przepuszcza wadliwą partię.

Stosowanych jest kilka typowych strategii:

• tryb degradacji – gdy AI jest niedostępne (brak łączności z serwerem, przeciążenie), linia przełącza się na prostsze reguły lub zwiększoną liczbę próbek do kontroli manualnej,
• podwójne potwierdzanie – przy krytycznych produktach wady wykryte przez AI są dodatkowo sprawdzane przez prosty algorytm regułowy lub drugi model nastawiony wyłącznie na minimalizację fałszywych „przepuszczeń”,
• monitoring „zdrowia” systemu – czasy inferencji, obciążenie CPU/GPU, liczba błędów komunikacji z kamerami, dostępność bazy danych; przekroczenie progów generuje alarm dla utrzymania.

W praktyce dobrze działa prosta zasada: jeśli system zaczyna działać „dziwnie” (nagle odrzuca prawie wszystko lub nic), nie powinien po cichu dalej wysyłać decyzji OK. Potrzebny jest jawny sygnał awarii, który wymusi reakcję człowieka i ewentualne przełączenie na plan B.

Niektórzy wierzą, że po uruchomieniu modelu można go „zabetonować” na lata. Rzeczywistość produkcyjna jest inna: zmieniają się dostawcy półproduktów, narzędzia, a nawet oświetlenie hali. System, który nie ma zaplanowanych mechanizmów monitoringu i okresowej walidacji, po kilku miesiącach często działa już na innych danych niż te, na których był projektowany.

Strategia etykietowania danych – kto, jak i kiedy oznacza defekty

Bez porządnego podejścia do etykietowania dane szybko zamieniają się w chaotyczny folder „zdjęcia_ciekawe_2022_kopia”. Przy większych wdrożeniach proces oznaczania trzeba potraktować jak normalną operację biznesową: z rolami, procedurami i kontrolą jakości.

Podstawowe pytania, na które trzeba odpowiedzieć przed startem:

• kto etykietuje – inżynier jakości, zewnętrzny zespół, operatorzy w ramach zgłaszania przypadków,
• w jakim narzędziu – proste narzędzie przeglądarkowe, komercyjna platforma, własna aplikacja,
• według jakiej ontologii wad – jak nazywają się klasy defektów, kiedy dwie wady traktować jako jedną klasę, a kiedy rozdzielić.

Etykietowanie przez same osoby, które odpowiadają za dopuszczanie produkcji, pomaga utrzymać spójność decyzji. Z drugiej strony, zespół jakości ma ograniczony czas, dlatego w praktyce łączy się ich pracę z wstępną selekcją danych przez system (np. priorytetowe oznaczanie obrazów, co do których model jest najmniej pewny).

Częstym błędnym założeniem jest „najpierw oznaczmy wszystko bardzo dokładnie, potem wytrenujmy model”. W praktyce bardziej opłaca się iteracyjny cykl: mała, dobrze oznaczona próbka – pierwszy model – analiza błędów – rozszerzenie etykietowania o obszary, w których model myli się najczęściej. Unika się w ten sposób marnowania czasu na etykietowanie setek niemal identycznych dobrych sztuk, które niewiele wnoszą.

Organizacja repozytorium danych – porządek w zdjęciach to porządek w projektach

Zbiory danych z hal produkcyjnych rosną błyskawicznie. Bez spójnego systemu nazewnictwa i metadanych odnalezienie konkretnego przypadku po kilku miesiącach staje się niemal niemożliwe. Tu przydają się praktyki z inżynierii oprogramowania i data engineeringu.

Warto definiować strukturę już na starcie, np.:

• podział według linii / gniazd,
• podkatalogi odpowiadające wersjom produktu lub rewizjom rysunkowym,
• konsekwentne nazwy plików zawierające timestamp, ID produktu, decyzję systemu i klasę wady (jeśli znana).

Jeszcze ważniejsze są metadane w bazie lub plikach opisowych: numer zlecenia, zmiana, operator, identyfikator modelu, który podjął decyzję. Dzięki temu można potem szybko sprawdzić, jak nowa wersja modelu poradziłaby sobie z historycznymi danymi i czy faktycznie poprawia sytuację, zamiast przenosić błędy w inne miejsce.

Mit „dysk jest tani, zapisujmy wszystko jak popadnie” kończy się tym, że nikt nie jest w stanie efektywnie wykorzystać tych danych. Koszt nie leży w gigabajtach, tylko w godzinach ludzi, którzy przeszukują nieuporządkowane archiwa.

Budowanie pętli zwrotnej – jak system uczy się z własnych błędów

System wizyjny z AI, który nie ma pętli zwrotnej, przypomina kontrolera jakości, którego nikt nigdy nie szkoli i nie pokazuje mu, co zrobił źle. Pierwsza wersja modelu niemal zawsze będzie popełniać błędy – kluczowe jest to, jak szybko i w jak zorganizowany sposób zacznie się z nich uczyć.

W praktyce dobrze działa scenariusz, w którym:

1. model loguje wszystkie decyzje wraz z obrazami i metadanymi,
2. próbka przypadków – np. wszystkie NOK i losowo wybrana część OK – trafia regularnie do przeglądu przez dział jakości,
3. błędy klasyfikacji oraz przypadki „graniczne” są ponownie etykietowane i oznaczane jako materiał do szkoleń modeli,
4. cyklicznie (np. co kilka tygodni) uruchamiany jest proces ponownego trenowania na rozszerzonym zbiorze,
5. nowa wersja jest testowana równolegle na strumieniu produkcyjnym (shadow mode), zanim przejmie rolę głównej.

Takie podejście pozwala unikać radykalnych „skoków” zachowania modelu i zapewnia ciągłe doskonalenie. Działy jakości zaczynają traktować system nie jako statyczne urządzenie, ale narzędzie, które rozwija się razem z procesem.

Przekonanie, że model po jednorazowym „wdrożeniu” będzie zawsze działał tak samo dobrze, jest złudne. Środowisko produkcyjne zmienia się szeregowo i szybko; jedynym sensownym podejściem jest akceptacja tej zmienności i wpisanie uczenia ciągłego w standard pracy.

Włączenie ludzi w proces – operator jako partner AI, a nie „przeszkoda”

Najlepsze wdrożenia to te, w których operatorzy i brygadziści stają się aktywnymi użytkownikami systemu, a nie tylko odbiorcami jego decyzji. AI może odciążyć człowieka z monotonnej obserwacji, ale to człowiek na końcu prowadzi proces i odpowiada za reakcje na odchylenia.

W praktyce dobrze sprawdzają się proste mechanizmy współpracy:

• możliwość szybkiego oznaczenia błędnej decyzji na panelu – „to jednak OK” lub „to jednak NOK”,
• podgląd kilku ostatnich zdjęć NOK, aby operator mógł ocenić, czy pojawia się nowy typ wady, który wymaga zgłoszenia do technologii,
• krótkie, celowane szkolenia pokazujące konkretne przykłady, gdzie AI pomaga wykrywać problemy wcześniej niż tradycyjne kontrole.

Wbrew obawom, większość operatorów szybko docenia fakt, że ktoś „patrzy” za nich nieustannie na każdy detal. Opór pojawia się zwykle tam, gdzie AI jest przedstawiane jako narzędzie oceniające pracę ludzi, a nie wsparcie procesu. Komunikat „system pomaga wam szybciej wykrywać problemy z materiałem lub maszyną” brzmi zupełnie inaczej niż „teraz będziemy was kontrolować komputerem”.

Ekonomia systemu wizyjnego – co naprawdę składa się na ROI

Rozmowy o zwrocie z inwestycji często zaczynają się od kosztów sprzętu i licencji, a kończą na ogólnikowym „poprawie jakości”. Tymczasem da się policzyć kilka bardzo konkretnych składowych, które wpływają na sensowność projektu.

Po stronie korzyści najczęściej pojawiają się:

• redukcja braków u klienta – mniej reklamacji, mniej kosztownych kampanii serwisowych,
• mniejsze obciążenie kontroli końcowej – przesunięcie wykrywania wad bliżej procesu, skrócenie czasu inspekcji manualnej,
• lepsza znajomość procesu – możliwość wykrycia trendów zanim przekroczą granicę tolerancji, co ogranicza powstawanie całych partii złomu.

Po stronie kosztów, oprócz oczywistych pozycji jak kamery i serwery, kryją się:

• czas inżynierów jakości i procesu na zbieranie i etykietowanie danych,
• utrzymanie systemu – aktualizacje, monitorowanie działania, okresowe rewalidacje,
• ewentualne modyfikacje mechaniczne linii (osłony, prowadnice, nowe oświetlenie).

Realistyczne projekty zakładają, że zwrot przychodzi nie tylko z bezpośredniego „spadku braków”, ale także z możliwości przejścia na produkcję bliżej specyfikacji (węższe marginesy bezpieczeństwa), bo proces jest objęty dużo gęstszą i bardziej obiektywną kontrolą. W dłuższej perspektywie takie podejście często przynosi większe oszczędności niż sama redukcja reklamacji.

Najważniejsze wnioski

• Automatyczna inspekcja wizyjna zamienia subiektywną ocenę operatora w powtarzalny, mierzalny proces działający w czasie rzeczywistym, dzięki czemu można kontrolować każdą sztukę bez spowalniania linii.
• Systemy computer vision pozwalają wychwycić defekty już na pierwszych egzemplarzach z wadliwej partii, ograniczając produkcję złomu i koszty reklamacji, zamiast „budzić się” po godzinie pracy linii.
• Ręczna kontrola jakości cierpi na zmęczenie, subiektywność i staje się wąskim gardłem – po wdrożeniu systemu wizyjnego często dopiero widać skalę wcześniejszych pomyłek i różnic między zmianami.
• Klasyczne systemy wizyjne (reguły, progi, algorytmy obrazu) sprawdzają się przy prostych, dobrze zdefiniowanych zadaniach, natomiast rozwiązania oparte na AI/ML są bardziej elastyczne wobec zmienności produktu, ale wymagają dużej ilości dobrze opisanych danych i stałego doskonalenia modeli.
• Mit, że „wystarczy wrzucić zdjęcia do AI i wszystko działa samo”, zderza się z rzeczywistością: bez porządku w danych, przemyślanej strategii labelingu i współpracy z inżynierami procesu modele działają słabo i generują rozczarowanie.
• Computer vision nie eliminuje kontrolera jakości, tylko zmienia jego rolę – człowiek przestaje być „kamerą”, a staje się decydentem i opiekunem systemu, który interpretuje statystyki, podejmuje decyzje o partiach i pomaga diagnozować przyczyny problemów.

Opracowano na podstawie

• Machine Vision Handbook. Springer (2017) – Przegląd technik systemów wizyjnych w przemyśle
• Computer Vision: Algorithms and Applications. Springer (2022) – Podstawy computer vision, algorytmy i zastosowania praktyczne
• Deep Learning. MIT Press (2016) – Sieci neuronowe, uczenie głębokie, podstawy modeli do analizy obrazu
• ISO 9001:2015 Quality management systems – Requirements. International Organization for Standardization (2015) – Wymagania systemów zarządzania jakością w organizacjach produkcyjnych
• Vision Systems – Fundamentals and Applications. Elsevier (2019) – Projektowanie przemysłowych systemów wizyjnych i ich integracja z linią
• Machine Vision in Industrial Inspection. IEEE (2018) – Artykuły o zastosowaniu systemów wizyjnych do inspekcji przemysłowej
• Artificial Intelligence for the Internet of Everything. Cisco Press (2020) – Rola AI i analizy obrazu w automatyzacji i przemyśle 4.0
• Quality Control Applications in the Pharmaceutical and Medical Device Industries. Wiley (2016) – Przykłady automatycznej kontroli jakości, w tym inspekcji wizualnej