Systemy wizyjne w kontroli jakości – jak wykrywają błędy produkcyjne?

Systemy wizyjne pozwalają automatycznie kontrolować produkty, opakowania i procesy na podstawie obrazów rejestrowanych przez kamery lub skanery 3D. Mogą wykrywać braki komponentów, uszkodzenia powierzchni, nieprawidłowe wymiary, błędne etykiety, wadliwe spoiny oraz wiele innych odchyleń, których ręczna inspekcja nie jest w stanie oceniać wystarczająco szybko i powtarzalnie.

Po lekturze zrozumiesz, jak działa przemysłowy system wizyjny, od czego zależy skuteczność detekcji, kiedy wystarczą reguły klasyczne, a kiedy potrzebna jest sztuczna inteligencja, oraz jak zaplanować wdrożenie bez generowania nadmiernej liczby fałszywych odrzutów.

Czym jest system wizyjny w kontroli jakości?

System wizyjny to zintegrowane rozwiązanie sprzętowo-programowe, które rejestruje obraz kontrolowanego obiektu, analizuje go według ustalonych kryteriów, a następnie podejmuje lub wspiera decyzję jakościową.

Typowy wynik kontroli ma postać:

• OK – produkt spełnia wymagania,
• NOK – produkt ma wadę lub nie spełnia tolerancji,
• do ponownej kontroli – wynik jest niejednoznaczny,
• klasy jakościowej – na przykład A, B lub C,
• pomiaru liczbowego – na przykład średnicy, szczeliny albo położenia,
• lokalizacji i rodzaju defektu – na przykład rysa na określonym fragmencie powierzchni.

System nie ogranicza się do samej kamery. Obejmuje również optykę, oświetlenie, układ wyzwalania, jednostkę obliczeniową, algorytmy, komunikację ze sterownikiem maszyny oraz mechanizm reakcji na wynik kontroli.

Granice pojęcia

W przemysłowej kontroli jakości spotykają się trzy powiązane obszary:

• machine vision, czyli systemy wizyjne zintegrowane z maszyną i procesem produkcyjnym,
• computer vision, czyli szersza dziedzina analizy obrazów za pomocą algorytmów,
• metrologia optyczna, skoncentrowana na pomiarach wymiarów, kształtu i położenia.

Nie każda kamera monitorująca proces jest systemem kontroli jakości. Aby można było mówić o automatycznej inspekcji, obraz powinien zostać przeanalizowany według określonych kryteriów, a wynik musi być zapisany, przekazany operatorowi lub wykorzystany przez maszynę.

Jak system wizyjny wykrywa błędy produkcyjne?

Kontrola wizyjna jest sekwencją operacji. Skuteczność zależy nie tylko od algorytmu, lecz także od jakości każdego wcześniejszego etapu.

1. Wykrycie obecności produktu

Czujnik, enkoder albo sterownik PLC informuje system, że produkt znajduje się w polu kontroli. W aplikacjach ciągłych pozycję obiektu można określać na podstawie sygnału z enkodera.

Prawidłowe wyzwalanie jest szczególnie ważne, gdy:

• linia pracuje z dużą prędkością,
• odstępy między produktami są nieregularne,
• ekspozycja musi zostać zsynchronizowana z krótkim impulsem oświetlenia,
• jedna sztuka jest fotografowana przez kilka kamer.

2. Rejestracja obrazu

Kamera zamienia światło odbite lub przepuszczone przez obiekt na obraz cyfrowy. W zależności od zadania może to być:

• obraz monochromatyczny,
• obraz kolorowy,
• seria obrazów wykonanych z różnych kierunków,
• mapa głębi,
• profil wysokości,
• obraz termiczny,
• obraz hiperspektralny lub multispektralny.

Celem nie jest uzyskanie obrazu atrakcyjnego dla człowieka. Obraz powinien przede wszystkim uwidaczniać cechę, która rozróżnia produkt poprawny od wadliwego.

3. Lokalizacja obiektu

Produkt może przesuwać się, obracać lub zmieniać położenie. System musi najpierw odnaleźć obiekt albo interesujący obszar, czyli ROI — region of interest.

Do lokalizacji wykorzystuje się między innymi:

• dopasowanie wzorca,
• wykrywanie krawędzi,
• znaczniki pozycjonujące,
• kontury i charakterystyczne punkty,
• modele uczenia maszynowego,
• dane z mechaniki maszyny lub robota.

Dopiero po ustaleniu pozycji można wiarygodnie oceniać obecność elementów, wymiary czy defekty powierzchni.

4. Wstępne przetwarzanie obrazu

Obraz może zostać przekształcony tak, aby ograniczyć szum i zwiększyć widoczność kontrolowanej cechy. Stosuje się między innymi:

• normalizację jasności,
• filtrację szumu,
• korekcję tła,
• poprawę kontrastu,
• progowanie,
• korekcję perspektywy,
• kalibrację zniekształceń obiektywu,
• transformacje przestrzeni barw.

Wstępne przetwarzanie nie powinno maskować defektów. Każda operacja musi być oceniana na reprezentatywnych produktach dobrych i wadliwych.

5. Ekstrakcja cech

System wyszukuje informacje mające znaczenie dla decyzji jakościowej. Cechą może być:

• liczba komponentów,
• powierzchnia plamy,
• długość rysy,
• położenie otworu,
• szerokość szczeliny,
• odcień nadruku,
• ciągłość krawędzi,
• wysokość spoiny,
• tekst odczytany z etykiety,
• podobieństwo obrazu do wzorca,
• prawdopodobieństwo wystąpienia określonej klasy wady.

6. Klasyfikacja wyniku

Wyodrębnione cechy są porównywane z tolerancjami albo analizowane przez model AI. System przypisuje produkt do klasy OK, NOK lub innej zdefiniowanej kategorii.

Próg decyzyjny zawsze jest kompromisem. Zbyt rygorystyczne ustawienie zwiększa liczbę dobrych produktów odrzuconych jako wadliwe. Zbyt łagodne może przepuszczać rzeczywiste błędy.

7. Reakcja procesu

Wynik może uruchomić:

• odrzut wadliwej sztuki,
• zatrzymanie linii,
• alarm dla operatora,
• ponowną inspekcję,
• korektę parametrów procesu,
• zapis obrazu i danych,
• oznaczenie produktu do dalszej analizy.

System powinien śledzić konkretną sztukę aż do punktu odrzutu. Sama poprawna detekcja nie wystarczy, jeżeli mechanizm wykonawczy usuwa niewłaściwy produkt.

Z jakich elementów składa się przemysłowy system wizyjny?

Kamera

Najczęściej stosuje się kamery obszarowe, liniowe, inteligentne oraz urządzenia 3D.

Kamera obszarowa rejestruje cały kadr jednocześnie. Sprawdza się przy produktach, które mieszczą się w polu widzenia.

Kamera liniowa buduje obraz linia po linii podczas ruchu obiektu lub materiału. Jest przydatna przy kontroli wstęg, folii, papieru, blach, tekstyliów i dużych powierzchni.

Kamera inteligentna łączy sensor obrazu, procesor i oprogramowanie w jednej obudowie. Upraszcza wdrożenie, ale może mieć mniejszą elastyczność niż system komputerowy.

Kamera 3D dostarcza danych o wysokości, głębokości lub przestrzennym kształcie obiektu.

Obiektyw

Obiektyw decyduje o polu widzenia, ostrości, ilości światła i poziomie zniekształceń.

Przy jego doborze uwzględnia się:

• wielkość sensora,
• odległość roboczą,
• wymagane pole widzenia,
• głębię ostrości,
• minimalny wykrywany szczegół,
• dopuszczalne zniekształcenia,
• możliwość zmiany położenia produktu.

W pomiarach precyzyjnych stosuje się między innymi obiektywy telecentryczne. Ograniczają one błąd wynikający ze zmiany perspektywy, lecz są większe i droższe od typowych obiektywów.

Oświetlenie

Oświetlenie jest jednym z najważniejszych elementów systemu. Dobrze zaprojektowane może zamienić trudny problem algorytmiczny w prostą analizę kontrastu.

Najczęściej stosuje się:

• oświetlenie przednie,
• oświetlenie tylne,
• światło kopułowe,
• oświetlenie pierścieniowe,
• światło ciemnego pola,
• oświetlenie współosiowe,
• światło strukturalne,
• polaryzację,
• promieniowanie ultrafioletowe lub podczerwone.

Przykładowo światło tylne dobrze uwidacznia kontur, ale zwykle nie pokazuje szczegółów powierzchni. Ciemne pole może podkreślać rysy i nierówności, natomiast oświetlenie kopułowe pomaga ograniczyć refleksy na powierzchniach błyszczących.

Jednostka obliczeniowa

Obraz może być przetwarzany przez:

• procesor w kamerze inteligentnej,
• komputer przemysłowy,
• sterownik wizyjny,
• urządzenie brzegowe,
• procesor graficzny GPU,
• dedykowany akcelerator AI.

Dobór zależy od liczby kamer, rozdzielczości, czasu cyklu, rodzaju algorytmów oraz wymaganej archiwizacji.

Układ komunikacji i automatyki

System wizyjny współpracuje zwykle z:

• PLC,
• robotem,
• systemem odrzutu,
• czujnikami,
• enkoderem,
• systemem SCADA,
• systemem MES,
• bazą danych jakościowych,
• systemem identyfikowalności produktu.

Komunikacja może przekazywać nie tylko sygnał OK/NOK, ale również kod wady, pomiary, poziom pewności, numer partii i identyfikator obrazu.

Jakie błędy produkcyjne wykrywają systemy wizyjne?

Braki i błędy montażowe

System może sprawdzać:

• obecność śrub, sprężyn, uszczelek i złączy,
• liczbę komponentów,
• orientację części,
• prawidłowe osadzenie elementu,
• kompletność zestawu,
• położenie przewodów,
• zgodność wariantu produktu z zamówieniem.

Wady powierzchniowe

Do tej grupy należą:

• rysy,
• pęknięcia,
• wgniecenia,
• odpryski,
• pęcherze,
• przebarwienia,
• zabrudzenia,
• korozja,
• nierówności powłoki,
• ślady obróbki,
• defekty lakiernicze.

Ich wykrywanie jest trudne, gdy powierzchnia ma naturalną teksturę, silnie odbija światło albo dopuszczalna zmienność produktu przypomina wadę.

Błędy wymiarowe i geometryczne

Kontrola wizyjna może mierzyć:

• długość i szerokość,
• średnicę,
• kąt,
• odległość między otworami,
• położenie krawędzi,
• szerokość szczeliny,
• współosiowość,
• kształt konturu,
• wysokość i objętość w systemach 3D.

Pomiar optyczny wymaga kalibracji. Wynik wyrażony w pikselach musi zostać przeliczony na jednostki fizyczne, a niepewność pomiaru powinna być odpowiednia względem tolerancji produktu.

Problemy z nadrukiem i etykietą

Systemy wizyjne kontrolują:

• obecność etykiety,
• jej położenie i orientację,
• czytelność tekstu,
• zgodność numeru partii,
• datę ważności,
• kod kreskowy,
• kod Data Matrix lub QR,
• jakość nadruku,
• zgodność grafiki i wersji językowej.

Należy odróżnić odczyt kodu od jego weryfikacji jakościowej. Kod może zostać odczytany w danej chwili, ale nadal mieć jakość niewystarczającą dla późniejszych etapów łańcucha dostaw.

Wady złączy, spoin i aplikacji materiału

Można kontrolować między innymi:

• ciągłość spoiny,
• obecność kleju lub uszczelniacza,
• szerokość ścieżki,
• położenie materiału,
• przerwy i nadmiar,
• geometrię lutu,
• wysokość spoiny,
• porowatość widoczną na powierzchni.

Jeżeli kluczowa wada znajduje się wewnątrz materiału, klasyczna kamera może nie wystarczyć. Potrzebna może być radiografia, termografia, ultradźwięki albo inna metoda badań nieniszczących.

Metody 2D, 3D i obrazowanie specjalistyczne

Kontrola 2D

System 2D analizuje jasność, kolor, teksturę i położenie cech w płaskim obrazie.

Najlepiej sprawdza się, gdy:

• wada daje wyraźny kontrast,
• wysokość produktu nie wpływa istotnie na wynik,
• kontrolowany jest nadruk, kontur lub obecność elementu,
• produkt można stabilnie ustawić,
• potrzebna jest duża szybkość przy umiarkowanym koszcie.

Ograniczeniem jest brak bezpośredniej informacji o wysokości i głębokości.

Kontrola 3D

Technologie 3D wykorzystują między innymi triangulację laserową, światło strukturalne, stereowizję lub pomiar czasu przelotu.

System 3D jest odpowiedni, gdy trzeba oceniać:

• wysokość,
• głębokość,
• płaskość,
• objętość,
• deformacje,
• ułożenie elementów o podobnym kolorze,
• defekty niewidoczne w obrazie jasnościowym.

Dane 3D ograniczają wpływ koloru powierzchni, ale nie eliminują wszystkich problemów. Materiały przezroczyste, silnie refleksyjne lub pochłaniające światło mogą nadal wymagać specjalnej konfiguracji.

Termowizja

Kamera termiczna rejestruje rozkład temperatury. Może pomagać w wykrywaniu:

• przegrzanych połączeń,
• braku materiału termoizolacyjnego,
• nieprawidłowego zgrzewu,
• różnic w chłodzeniu,
• wad ujawniających się podczas pobudzenia cieplnego.

Temperatura powierzchni zależy od emisyjności materiału, odbić otoczenia i warunków procesu. Obrazu termicznego nie należy interpretować bez kalibracji i znajomości badanego materiału.

Obrazowanie multispektralne i hiperspektralne

Analiza wielu zakresów długości fali pozwala rozróżniać materiały, które wyglądają podobnie w świetle widzialnym. Technologia ta może wspierać kontrolę żywności, surowców, tworzyw, powłok i zanieczyszczeń.

Jej ograniczeniami są większa ilość danych, koszt, czas analizy i potrzeba opracowania wiarygodnego modelu widmowego.

Algorytmy klasyczne czy sztuczna inteligencja?

Klasyczne przetwarzanie obrazu

Algorytmy regułowe wykorzystują jasno zdefiniowane zależności, takie jak próg jasności, wymiar, położenie krawędzi czy liczba obiektów.

Ich zalety to:

• przewidywalne działanie,
• łatwiejsza interpretacja wyniku,
• niewielkie wymagania dotyczące danych uczących,
• szybkie przetwarzanie,
• prostsza walidacja zmian.

Są dobrym wyborem, gdy wada jest jednoznaczna, pozycja produktu jest kontrolowana, a zmienność obrazu pozostaje niewielka.

Uczenie maszynowe i deep learning

Modele AI uczą się na przykładach. Mogą klasyfikować obrazy, lokalizować obiekty, segmentować defekty lub wykrywać anomalie.

Są przydatne, gdy:

• wada ma wiele postaci,
• trudno opisać ją za pomocą prostych reguł,
• produkt ma naturalną, zmienną teksturę,
• tło i wygląd poprawnych sztuk nie są identyczne,
• klasyczne algorytmy generują zbyt wiele wyjątków.

AI nie usuwa potrzeby właściwego oświetlenia i optyki. Model nie odzyska informacji, której kamera nie zarejestrowała.

Klasyfikacja, detekcja, segmentacja i wykrywanie anomalii

Klasyfikacja odpowiada na pytanie, do jakiej kategorii należy cały obraz lub wskazany fragment.

Detekcja obiektów lokalizuje komponenty lub wady, zwykle za pomocą prostokątnych obszarów.

Segmentacja przypisuje klasę poszczególnym pikselom. Pozwala określić dokładny kształt i powierzchnię defektu.

Wykrywanie anomalii uczy się głównie wyglądu produktów poprawnych i wskazuje nietypowe obszary. Może być użyteczne, gdy przykładów wad jest mało, ale wymaga ostrożnego ustawienia progu decyzyjnego.

Kiedy wybrać rozwiązanie hybrydowe?

W praktyce dobre rezultaty często daje połączenie metod:

1. klasyczny algorytm lokalizuje produkt,
2. model AI ocenia powierzchnię,
3. narzędzie pomiarowe sprawdza wymiary,
4. reguły biznesowe łączą wyniki,
5. PLC wykonuje odrzut.

Takie podejście wykorzystuje elastyczność AI bez rezygnacji z deterministycznych pomiarów i kontroli procesu.

Od czego zależy skuteczność wykrywania wad?

Rozdzielczość przestrzenna

Minimalny defekt musi zajmować odpowiednią liczbę pikseli. Jeżeli pole widzenia ma szerokość 200 mm, a obraz 2000 pikseli, orientacyjna skala wynosi:

200 mm / 2000 px = 0,1 mm/px

Defekt o szerokości 0,2 mm zajmie teoretycznie około 2 pikseli. To zwykle zbyt mało do stabilnej oceny jego kształtu. Wymagana liczba pikseli zależy od kontrastu, szumu, rodzaju algorytmu i oczekiwanej pewności detekcji.

Sama liczba megapikseli nie określa skuteczności. Liczą się również pole widzenia, jakość optyki, ostrość, ruch produktu i kontrast defektu.

Czas ekspozycji i rozmycie ruchu

Poruszający się produkt może zostać zarejestrowany jako rozmyty. Przy prędkości 1 m/s i czasie ekspozycji 1 ms obiekt przemieszcza się podczas naświetlania o 1 mm.

Aby ograniczyć rozmycie, można:

• skrócić ekspozycję,
• zwiększyć ilość światła,
• zastosować oświetlenie impulsowe,
• wykorzystać sensor z globalną migawką,
• chwilowo ustabilizować produkt,
• zsynchronizować obraz z ruchem.

Kontrast i stosunek sygnału do szumu

Algorytm musi odróżnić cechę od tła i zakłóceń. Niski kontrast zwiększa wrażliwość na wahania oświetlenia, zabrudzenia optyki i różnice materiałowe.

W pierwszej kolejności warto poprawić sposób obrazowania, a dopiero później zwiększać złożoność algorytmu.

Powtarzalność prezentacji produktu

Zmiana położenia, wysokości, kąta lub kształtu produktu może wpływać na wynik. Pomagają:

• prowadnice,
• gniazda ustalające,
• stabilizacja transportu,
• kompensacja położenia w oprogramowaniu,
• większa głębia ostrości,
• dodatkowe kamery,
• robot ustawiający detal.

Reprezentatywność danych

Próbki użyte podczas uruchomienia powinny uwzględniać:

• wszystkie warianty produktu,
• dopuszczalne różnice dostawców,
• zmiany partii materiału,
• zużycie narzędzi,
• różne zmiany produkcyjne,
• warunki początkowe i końcowe procesu,
• rzeczywiste typy wad,
• defekty graniczne.

Model lub reguła sprawdzona wyłącznie na kilku starannie wybranych obrazach nie jest potwierdzeniem skuteczności na produkcji.

Jak mierzyć jakość systemu wizyjnego?

Sama dokładność procentowa może być myląca, szczególnie gdy wady występują rzadko.

Podstawowe wyniki klasyfikacji

• TP — true positive: wada została poprawnie wykryta.
• TN — true negative: dobry produkt został poprawnie zaakceptowany.
• FP — false positive: dobry produkt został błędnie odrzucony.
• FN — false negative: wadliwy produkt został błędnie zaakceptowany.

Z punktu widzenia ryzyka jakościowego najgroźniejsze są zwykle wyniki FN. Z punktu widzenia kosztu produkcji istotne są również FP, ponieważ powodują straty materiałowe, dodatkową kontrolę i przestoje.

Najważniejsze wskaźniki

Czułość detekcji wad:

TP / (TP + FN)

Informuje, jaka część rzeczywistych wad została wykryta.

Precyzja alarmów:

TP / (TP + FP)

Pokazuje, jaka część produktów oznaczonych jako wadliwe rzeczywiście miała wadę.

Odsetek fałszywych odrzutów:

FP / (FP + TN)

Pozwala ocenić, jak często prawidłowe produkty są niepotrzebnie odrzucane.

Specyficzność:

TN / (TN + FP)

Określa zdolność systemu do poprawnego akceptowania dobrych sztuk.

Dlaczego 99% dokładności może być niewystarczające?

Załóżmy, że w partii 100 000 produktów występuje 100 wadliwych sztuk. System może uzyskać 99% ogólnej dokładności nawet wtedy, gdy jego działanie z perspektywy kontroli wad jest niezadowalające.

Przy silnej nierównowadze klas należy raportować osobno:

• wykrywalność każdego typu wady,
• liczbę niewykrytych wad,
• liczbę fałszywych odrzutów,
• wyniki dla poszczególnych wariantów produktu,
• wyniki dla wad granicznych,
• stabilność w czasie.

System pomiarowy a system klasyfikacyjny

Jeżeli kamera mierzy wymiar, trzeba oceniać również:

• powtarzalność pomiaru,
• obciążenie, czyli błąd systematyczny,
• stabilność,
• liniowość,
• niepewność pomiaru,
• wpływ operatora i sposobu prezentacji części.

Nie należy zakładać, że detekcja krawędzi z dokładnością podpikselową oznacza taką samą dokładność fizycznego pomiaru.

Jak wdrożyć system wizyjny krok po kroku?

1. Zdefiniuj wadę i kryterium akceptacji

Określenie „system ma wykrywać rysy” jest niewystarczające. Trzeba ustalić:

• minimalną długość i szerokość rysy,
• dopuszczalne położenie,
• kontrast lub głębokość,
• rodzaje powierzchni,
• wady krytyczne i kosmetyczne,
• sposób postępowania z przypadkiem granicznym.

Jeśli dwóch doświadczonych kontrolerów regularnie ocenia tę samą sztukę inaczej, automatyzacja nie rozwiąże problemu bez doprecyzowania standardu jakości.

2. Zbierz reprezentatywne próbki

Potrzebne są produkty poprawne, wadliwe i graniczne. Warto korzystać z części pochodzących z realnej produkcji, a nie wyłącznie z ręcznie przygotowanych defektów.

Sztuczna wada może inaczej odbijać światło i mieć inną strukturę niż wada procesowa.

3. Przeprowadź test obrazowania

Najpierw należy sprawdzić, czy defekt jest widoczny i odróżnialny od dopuszczalnej zmienności. Test powinien porównywać różne:

• kierunki światła,
• długości fali,
• polaryzacje,
• obiektywy,
• kąty obserwacji,
• techniki 2D i 3D.

Dopiero później wybiera się algorytm.

4. Określ czas cyklu i architekturę

Należy policzyć pełny czas od pojawienia się produktu do podjęcia decyzji:

• opóźnienie wyzwolenia,
• czas ekspozycji,
• transfer obrazu,
• analizę,
• komunikację,
• czas reakcji mechanizmu odrzutu.

System przetwarzający obraz w 50 ms nie spełni wymagania linii, jeśli transfer, kolejki i komunikacja zwiększają całkowite opóźnienie do 200 ms.

5. Zbuduj wersję pilotażową

Pilotaż powinien pracować na rzeczywistej linii lub w warunkach możliwie zbliżonych do produkcyjnych. Trzeba sprawdzić wpływ drgań, światła zewnętrznego, zabrudzeń, temperatury i zmienności produktów.

6. Ustal progi decyzyjne

Progi ustala się na podstawie ryzyka oraz kosztu dwóch rodzajów błędu:

• przepuszczenia wadliwej sztuki,
• odrzucenia dobrego produktu.

Dla wady krytycznej próg może być bardziej konserwatywny. Dla wady kosmetycznej nadmierna czułość może powodować nieuzasadnione straty.

7. Zweryfikuj skuteczność

Zbiór testowy powinien być oddzielony od danych użytych do tworzenia reguł lub uczenia modelu. Weryfikację należy prowadzić osobno dla klas wad, wariantów produktu i warunków procesu.

8. Zaplanuj utrzymanie

Po uruchomieniu potrzebne są:

• harmonogram czyszczenia optyki i oświetlenia,
• kontrola ustawienia kamer,
• kopie konfiguracji,
• zarządzanie wersjami modelu,
• monitoring fałszywych odrzutów,
• przegląd nowych typów wad,
• procedura zatwierdzania zmian,
• okresowa walidacja wyników.

Integracja z linią produkcyjną i identyfikowalność

System wizyjny powinien działać jako część procesu, a nie jako odizolowane stanowisko.

Dla każdej kontrolowanej sztuki można zapisywać:

• identyfikator produktu,
• datę i czas kontroli,
• numer partii,
• wariant,
• wynik OK/NOK,
• kod wady,
• wartości pomiarowe,
• obraz źródłowy,
• obraz z oznaczeniem defektu,
• wersję konfiguracji lub modelu,
• parametry procesu.

Dane pozwalają analizować trendy, identyfikować moment pogorszenia jakości i łączyć wady z konkretną maszyną, narzędziem, dostawcą lub partią materiału.

Nie zawsze trzeba przechowywać wszystkie obrazy. Możliwe strategie to:

• zapis wyłącznie przypadków NOK,
• zapis NOK oraz losowej próbki OK,
• czasowe przechowywanie kompletu obrazów,
• zapis cech i pomiarów bez obrazu,
• pełna archiwizacja w procesach regulowanych.

Wybór zależy od ryzyka, wymagań audytowych, kosztu pamięci i przepisów dotyczących danych.

Tabela decyzyjna: jaki system wybrać?

Zadanie kontrolne	Zalecana technologia	Typowe oświetlenie lub konfiguracja	Kiedy rozważyć AI?	Ważne ograniczenia
Obecność komponentu	Kamera 2D lub smart camera	Przednie, tylne albo współosiowe	Gdy komponent ma wiele wariantów wyglądu	Zasłonięcie elementu, zmiana pozycji
Pomiar konturu	Kamera 2D z kalibracją	Oświetlenie tylne	Zwykle nie jest potrzebna	Perspektywa, ostrość, niepewność pomiaru
Kontrola rys	2D, wielokierunkowe światło lub 3D	Ciemne pole, światło kierunkowe	Gdy powierzchnia ma zmienną teksturę	Refleksy i różna orientacja rysy
Weryfikacja nadruku	2D, OCR/OCV	Rozproszone lub współosiowe	Przy zmiennych fontach i trudnym tle	Rozmazanie, niski kontrast
Odczyt kodu	Czytnik kodów lub kamera 2D	Zależne od materiału etykiety	Rzadko	Odbicia, zniekształcenia, jakość znakowania
Kontrola koloru	Kamera kolorowa	Stabilne światło o kontrolowanym widmie	Przy złożonych wzorcach barwnych	Starzenie oświetlenia, balans bieli
Pomiar wysokości	Profilometr lub kamera 3D	Laser albo światło strukturalne	Przy nieregularnych kształtach	Powierzchnie błyszczące i przezroczyste
Inspekcja naturalnej tekstury	Kamera 2D o odpowiedniej rozdzielczości	Jednorodne, kontrolowane światło	Często uzasadniona	Duża zmienność produktów dobrych
Kontrola wstęgi	Kamera liniowa	Liniowe, równomierne oświetlenie	Przy złożonych defektach powierzchni	Synchronizacja z enkoderem, duży strumień danych
Wada cieplna	Kamera termiczna	Kontrolowane warunki cieplne	Przy analizie złożonych wzorców temperatury	Emisyjność, odbicia, temperatura otoczenia
Rozróżnianie materiałów	Multispektralne lub hiperspektralne	Kontrolowane widmo	Zwykle stanowi część rozwiązania	Koszt i duża ilość danych
Niewidoczna wada wewnętrzna	Radiografia, ultradźwięki lub inna metoda NDT	Zależne od technologii	Zależnie od analizy danych	Klasyczna kamera powierzchniowa nie wystarczy

System wizyjny a kontrola manualna

Automatyczna kontrola zapewnia powtarzalność, wysoką prędkość oraz możliwość sprawdzania każdej sztuki. Nie oznacza to jednak, że zawsze zastępuje człowieka.

Kryterium	Kontrola wizyjna	Kontrola manualna
Powtarzalność	Wysoka przy stabilnych warunkach	Zależna od operatora, zmęczenia i interpretacji
Prędkość	Dostosowana do automatycznej linii	Ograniczona możliwościami człowieka
Kontrola 100% produkcji	Często możliwa	Trudna przy dużej skali
Ocena nieoczekiwanych wad	Ograniczona do reguł i danych	Człowiek może rozpoznać nowy problem
Dokumentacja	Automatyczny zapis danych i obrazów	Wymaga dodatkowych czynności
Elastyczność	Wymaga konfiguracji lub ponownego uczenia	Człowiek szybciej dostosowuje się do nowego zadania
Koszt początkowy	Zwykle wyższy	Zwykle niższy
Koszt w długim okresie	Może spadać wraz ze skalą	Rośnie wraz z liczbą stanowisk i zmian

W procesach o dużym ryzyku przydatny jest model mieszany: system automatyczny kontroluje każdą sztukę, a operator analizuje przypadki graniczne i nowe typy defektów.

Liczby i statystyki, które warto znać

Poniższe wartości są punktami odniesienia, a nie uniwersalnymi wymaganiami. Ostateczne parametry należy wyznaczyć dla konkretnego produktu, wady i czasu cyklu.

Rozdzielczość i wielkość defektu

Jeżeli pole widzenia ma 300 mm szerokości, a sensor rejestruje 3000 pikseli w tym kierunku, skala wynosi około:

300 mm / 3000 px = 0,1 mm/px

Defekt o szerokości 0,5 mm będzie odwzorowany na około 5 pikselach. W praktyce stabilność detekcji zależy jeszcze od kontrastu, orientacji wady, jakości obiektywu i szumu.

Obciążenie linii

Linia produkująca 120 sztuk na minutę dostarcza średnio jedną sztukę co:

60 s / 120 = 0,5 s

System musi w tym czasie zarejestrować obraz, przeprowadzić analizę, wysłać wynik i poprawnie śledzić produkt. Sam czas algorytmu powinien pozostawiać zapas na opóźnienia i chwilowe zakłócenia.

Znaczenie fałszywych odrzutów

Przy produkcji 1 000 000 sztuk miesięcznie fałszywy odrzut na poziomie 0,5% oznacza:

1 000 000 × 0,005 = 5 000 sztuk

Jeżeli jedna sztuka jest warta 20 zł, potencjalna wartość dobrych produktów zakwalifikowanych jako wadliwe wynosi 100 000 zł miesięcznie, zanim uwzględni się możliwość ich ponownej kontroli lub odzysku.

Wady liczone w ppm

Poziom 100 ppm oznacza 100 wad na milion sztuk, czyli 0,01%. Przy tak rzadkich zdarzeniach zwykła dokładność klasyfikacji jest mało informacyjna. Konieczne jest raportowanie liczby FN i czułości dla wad.

Głębia obrazu

Kamery przemysłowe często zapisują obraz z większą liczbą poziomów jasności niż standardowy obraz 8-bitowy:

• 8 bitów to 256 poziomów,
• 10 bitów to 1024 poziomy,
• 12 bitów to 4096 poziomów,
• 16 bitów to 65 536 możliwych wartości.

Większa głębia może pomagać w analizie subtelnych różnic, ale nie rekompensuje złego oświetlenia ani szumu sensora.

Kontrola 100% nie oznacza 100% skuteczności

System może obejrzeć każdą sztukę, ale nadal popełniać błędy klasyfikacji. Dlatego należy rozdzielać:

• pokrycie kontroli, czyli procent sprawdzonych produktów,
• wykrywalność wad,
• poziom fałszywych odrzutów,
• dostępność techniczną stanowiska,
• poprawność działania mechanizmu odrzutu.

Najczęstsze błędy przy projektowaniu systemu

Rozpoczynanie od wyboru kamery

Najpierw należy zdefiniować wadę, minimalny szczegół, czas cyklu i warunki procesu. Dopiero później wybiera się sensor, optykę oraz interfejs.

Niedocenianie oświetlenia

Zmienne światło hali, refleksy i cienie mogą być większym problemem niż sam algorytm. Stanowisko powinno w miarę możliwości odizolować kontrolę od zewnętrznych warunków oświetleniowych.

Testowanie na zbyt małej liczbie próbek

Kilka dobrych i kilka wadliwych części nie odzwierciedla zmienności wielomiesięcznej produkcji. Zbyt mały zbiór szczególnie łatwo prowadzi do nadmiernie optymistycznej oceny AI.

Uczenie i testowanie na tych samych danych

Model może zapamiętać charakterystyczne obrazy, zamiast nauczyć się ogólnej cechy wady. Dane testowe muszą być niezależne od procesu strojenia.

Brak próbek granicznych

System powinien być oceniany nie tylko na wadach oczywistych, lecz przede wszystkim na przypadkach znajdujących się blisko granicy tolerancji.

Pomijanie mechanizmu odrzutu

Trzeba potwierdzić, że wykryty produkt został fizycznie usunięty, a pojemnik na odrzuty nie jest pełny. Warto zastosować czujnik potwierdzający odrzut.

Brak zarządzania zmianą

Zmiana dostawcy materiału, koloru opakowania, formy wtryskowej lub oprogramowania może obniżyć skuteczność. Każda istotna modyfikacja powinna uruchamiać ocenę wpływu i ponowną walidację.

Ignorowanie dryfu procesu

Obraz może zmieniać się powoli wskutek zużycia oświetlenia, zabrudzenia osłony, przesunięcia kamery albo zmian materiałowych. Monitoring rozkładu wyników pomaga wykrywać taki dryf, zanim pojawi się duża liczba błędnych decyzji.

Mity dotyczące kontroli wizyjnej

Mit: więcej megapikseli zawsze oznacza lepszy system

Rozdzielczość jest ważna, ale bez odpowiedniej optyki, światła i krótkiej ekspozycji większy sensor może jedynie generować więcej danych o niewystarczającej jakości.

Mit: sztuczna inteligencja wykryje każdą wadę

AI rozpoznaje zależności obecne w danych. Nie gwarantuje wykrycia nowego defektu i nie zastępuje prawidłowego obrazowania.

Mit: kontrola 100% eliminuje ryzyko reklamacji

Każda technika ma granice wykrywalności. Pozostaje ryzyko wad niewidocznych, przypadków granicznych, awarii stanowiska i błędów mechanizmu odrzutu.

Mit: wystarczy ustawić system raz

Warunki produkcji zmieniają się. Stanowisko wymaga monitorowania, czyszczenia, przeglądów oraz okresowego sprawdzania skuteczności.

Mit: kamera mierzy dokładnie do jednego piksela

Algorytmy mogą wyznaczać położenie krawędzi z dokładnością podpikselową, lecz nie oznacza to automatycznie takiej samej dokładności fizycznej. O wyniku decyduje cały tor pomiarowy.

Kiedy system wizyjny nie jest najlepszym rozwiązaniem?

Wizja może być nieodpowiednia, gdy:

• wada znajduje się wewnątrz nieprzezroczystego materiału,
• cecha nie powoduje mierzalnej zmiany optycznej,
• produkt nie może zostać pokazany kamerze z wymaganej strony,
• kontrola wymaga dotykowego pomiaru siły, twardości lub szczelności,
• koszt obrazowania przewyższa wartość ograniczonego ryzyka,
• standard jakości jest niejednoznaczny,
• proces ma zbyt wiele niekontrolowanych wariantów bez możliwości zebrania danych.

W takich sytuacjach można wykorzystać kontrolę szczelności, pomiar elektryczny, czujniki siły, ultradźwięki, radiografię, test funkcjonalny lub rozwiązanie łączące kilka metod.

Jak ocenić opłacalność wdrożenia?

Analiza biznesowa powinna uwzględniać nie tylko koszt operatorów. Potencjalne korzyści obejmują:

• zmniejszenie liczby reklamacji,
• ograniczenie braków i poprawek,
• szybsze wykrywanie rozregulowania procesu,
• redukcję kosztów sortowania,
• ograniczenie przestojów,
• automatyczną dokumentację jakości,
• ochronę klienta przed wadą krytyczną,
• możliwość zwiększenia prędkości linii.

Do kosztów należy zaliczyć:

• sprzęt i integrację,
• projekt mechaniczny,
• testy wykonalności,
• tworzenie danych uczących,
• walidację,
• zatrzymanie linii podczas instalacji,
• serwis i części zapasowe,
• utrzymanie oprogramowania,
• ponowne uczenie modeli,
• pamięć potrzebną do archiwizacji.

Prosty okres zwrotu można oszacować jako:

koszt inwestycji / średnie miesięczne oszczędności

Nie pokazuje on jednak pełnej wartości redukcji ryzyka, dlatego dla wad krytycznych warto uzupełnić kalkulację o koszt potencjalnej reklamacji, wycofania partii lub zatrzymania produkcji klienta.

Tematy powiązane do rozwinięcia w klastrach

Pillar page może prowadzić do bardziej szczegółowych materiałów dotyczących:

• doboru kamery przemysłowej do kontroli jakości,
• projektowania oświetlenia wizyjnego,
• kamer liniowych i kontroli powierzchni ciągłych,
• pomiarów wizyjnych i kalibracji,
• systemów wizyjnych 3D,
• OCR, OCV i weryfikacji kodów,
• deep learningu w inspekcji przemysłowej,
• wykrywania anomalii przy małej liczbie wad,
• integracji systemu wizyjnego z PLC i MES,
• walidacji oraz testów odbiorczych systemu,
• analizy fałszywych odrzutów,
• utrzymania i monitorowania stanowiska wizyjnego.

FAQ

Czy system wizyjny może kontrolować każdy produkt na linii?

Tak, jeśli czas rejestracji, analizy i komunikacji mieści się w cyklu produkcyjnym. Trzeba jednak uwzględnić także maksymalną chwilową wydajność, odstępy między produktami i czas reakcji odrzutu.

Jak małą wadę może wykryć kamera?

Zależy to od pola widzenia, rozdzielczości, optyki, kontrastu, oświetlenia i ruchu produktu. Minimalna wada powinna być odwzorowana przez wystarczającą liczbę pikseli, aby jej obraz pozostawał stabilny mimo szumu i zmienności procesu.

Czy system wizyjny zastępuje kontrolera jakości?

Może przejąć powtarzalne i szybkie zadania, ale człowiek nadal jest potrzebny do definiowania kryteriów, analizy przypadków nietypowych, zatwierdzania zmian i rozwiązywania nowych problemów jakościowych.

Czy do każdej aplikacji potrzebna jest sztuczna inteligencja?

Nie. Obecność komponentu, pomiar wymiaru czy kontrolę położenia często łatwiej i stabilniej realizują klasyczne algorytmy. AI jest szczególnie użyteczna przy złożonej zmienności wyglądu.

Ile zdjęć potrzeba do nauczenia modelu AI?

Nie istnieje jedna minimalna liczba. Znaczenie ma różnorodność danych, złożoność zadania, liczba klas i podobieństwo wad do poprawnych produktów. Kilkaset zróżnicowanych przykładów może być wartościowsze niż tysiące niemal identycznych obrazów. Wykrywanie anomalii może wymagać głównie przykładów dobrych, ale nadal potrzebuje niezależnych wad do testów.

Czy system może wykrywać wady, których nie widział podczas uczenia?

Klasyfikator zwykle słabo radzi sobie z nieznanymi klasami. Model wykrywania anomalii może oznaczyć nietypowy obraz, ale nie gwarantuje wykrycia każdej nowej wady. Dlatego potrzebny jest monitoring reklamacji i aktualizacja zbioru danych.

Czym różni się kamera 3D od zwykłej kamery?

Kamera 2D rejestruje jasność lub kolor, natomiast system 3D dostarcza informacji o głębokości albo wysokości. Pozwala to mierzyć objętość, deformacje i kształt przestrzenny.

Jak ograniczyć fałszywe odrzuty?

Najpierw należy przeanalizować ich przyczynę. Pomóc może stabilizacja oświetlenia, lepsze pozycjonowanie produktu, rozdzielenie wariantów, korekta progu, dodanie kontroli wieloetapowej albo zebranie bardziej reprezentatywnych danych.

Jak często trzeba kalibrować system?

Zależy to od funkcji stanowiska, stabilności mechanicznej i wymagań jakościowych. Systemy pomiarowe powinny mieć zdefiniowany harmonogram sprawdzeń. Ponowna kalibracja może być konieczna po przesunięciu kamery, wymianie obiektywu, naprawie konstrukcji lub zmianie odległości roboczej.

Czy obrazy z kontroli trzeba przechowywać?

Nie zawsze. Warto przechowywać co najmniej obrazy NOK i próbkę wyników OK, jeśli mają służyć analizie problemów i walidacji. Zakres archiwizacji powinien wynikać z ryzyka, wymagań klienta, dostępnej pamięci i regulacji.

Jak długo trwa wdrożenie?

Prosta kontrola obecności może zostać uruchomiona znacznie szybciej niż wielokamerowa inspekcja powierzchni z AI. Czas zależy przede wszystkim od dostępności próbek, jednoznaczności kryteriów, integracji z linią i zakresu walidacji.

Co jest ważniejsze: kamera czy oprogramowanie?

Najważniejszy jest cały tor obrazowania. Nawet zaawansowany algorytm nie zrekompensuje obrazu, na którym wada nie jest widoczna. W wielu aplikacjach oświetlenie i sposób prezentacji produktu mają większy wpływ na wynik niż wybór biblioteki programistycznej.

Podsumowanie

System wizyjny wykrywa błędy produkcyjne przez kontrolowaną rejestrację obrazu, lokalizację produktu, analizę istotnych cech i porównanie wyniku z kryteriami jakościowymi. Jego skuteczność zależy od współdziałania kamery, obiektywu, oświetlenia, mechaniki, algorytmów i automatyki.

Dobre wdrożenie rozpoczyna się od precyzyjnej definicji wady, a nie od zakupu kamery. Powinno uwzględniać przypadki graniczne, rzeczywistą zmienność produkcji, koszt fałszywych decyzji oraz późniejsze utrzymanie systemu. Dopiero połączenie poprawnego obrazowania, reprezentatywnych danych i wiarygodnej walidacji pozwala traktować kontrolę wizyjną jako stabilny element procesu jakościowego.