Po co wizja komputerowa w kontroli jakości – konkretne korzyści i granice opłacalności
Problemy tradycyjnej kontroli jakości, które wizja komputerowa rozwiązuje najlepiej
Manualna kontrola jakości opiera się na człowieku. To ma swoje zalety – elastyczność, intuicja – ale w produkcji masowej generuje konkretne problemy kosztowe i organizacyjne. Pierwszy z nich to zmienność oceny. Dwóch kontrolerów patrzących na ten sam detal potrafi podjąć różne decyzje. Jeden uzna rysę za akceptowalną, drugi odrzuci produkt. W efekcie wskaźniki scrapu i reklamacji „pływają” między zmianami, a trudno ustalić jednoznaczną granicę między wyrobem OK i NOK.
Drugi problem to zmęczenie i spadek koncentracji. Człowiek nie jest w stanie z tą samą uwagą oglądać setek identycznych detali przez wiele godzin. Pojawiają się przeoczenia defektów, szczególnie drobnych lub rzadkich. Część problemów wychodzi dopiero u klienta, co generuje koszty reklamacji, logistykę zwrotów i ryzyko utraty kontraktu.
Trzeci obszar to koszt pracy i trudność skalowania. Im więcej kontroli wzrokowej, tym więcej etatów. Gdy rośnie wolumen produkcji, trzeba zatrudniać kolejne osoby lub godzić się na wyższy odsetek błędów. W wielu branżach coraz trudniej znaleźć pracowników gotowych do monotonnego oglądania produktów przez całą zmianę. To bezpośrednio uderza w przepustowość linii i stabilność dostaw.
System wizyjny nie męczy się i podejmuje decyzje w oparciu o zdefiniowane kryteria. Oznacza to stały poziom kontroli niezależnie od zmiany, nastroju czy rotacji pracowników. Do tego dochodzi możliwość zapisu każdego zdjęcia, co ułatwia analizę przyczyn problemów i rozmowy z klientami na bazie twardych danych, a nie emocji.
Jakie zadania kontrolne szczególnie „lubią” wizję komputerową
Wizja komputerowa w kontroli jakości najlepiej sprawdza się tam, gdzie zadanie jest powtarzalne, wizualne i wykonywane w dużym wolumenie. Im prostszy wzór produktu, tym łatwiej go zautomatyzować, ale nawet bardziej złożone elementy da się ogarnąć przy odpowiednim podejściu.
Najczęstsze typy zadań, w których system wizyjny jest bardzo efektywny:
Detekcja defektów powierzchni: rysy, wżery, zabrudzenia, przebarwienia na płaskich lub lekko zakrzywionych powierzchniach (blachy, profile, szyby, opakowania, etykiety).
Kontrola kompletności: obecność/nieobecność elementów (śrubki, uszczelki, klipsy, komponenty montażowe) oraz poprawność montażu (orientacja części, pozycja względem referencji).
Pomiar wymiarów: długości, szerokości, średnice, pozycje otworów – wszędzie tam, gdzie można określić wymiar w pikselach i przeliczyć go na milimetry.
Weryfikacja oznaczeń: poprawność nadruków, kodów kreskowych, dat ważności, numerów seryjnych (OCR/OCV, czytanie i walidacja tekstu oraz kodów).
Segregacja produktów: klasy jakościowe (A/B/C), różne warianty kolorystyczne lub konstrukcyjne, sortowanie na taśmie.
System wizyjny jest szczególnie skuteczny, gdy te same operacje trzeba powtórzyć tysiące razy dziennie. Wtedy każdy zysk 1–2 sekund na detalu i spadek błędów o kilka punktów procentowych szybko przekłada się na realne pieniądze.
Kiedy system wizyjny ma sens ekonomiczny, a kiedy nie
Nie każda kontrola wzrokowa musi być od razu zautomatyzowana. Projekt wdrożenia wizji komputerowej ma sens, gdy spełnione są co najmniej dwa z trzech warunków:
Wysoki wolumen – tysiące sztuk miesięcznie, najlepiej w trybie ciągłym.
Wysoki koszt błędu – drogi produkt, krytyczne bezpieczeństwo, duże kary za reklamacje.
Wyraźny problem z ludzką kontrolą – niestabilna jakość oceny, duży odsetek przeoczeń, trudności kadrowe.
W małych seriach lub produkcji jednostkowej system wizyjny bywa przerostem formy nad treścią. Jeśli kontrola wzrokowa zajmuje łącznie godzinę dziennie, a produkt nie jest krytyczny dla bezpieczeństwa, taniej i rozsądniej zostawić ją w rękach ludzi lub wspomóc prostymi przyrządami (szablony, proste czujniki, gniazda kontrolne).
Typowe sytuacje, gdy lepiej zostać przy prostych czujnikach niż inwestować w wizję komputerową:
Trzeba tylko wykryć obecność obiektu w jednym miejscu (np. butelka na przenośniku) – zwykła fotokomórka zrobi to taniej i prościej.
Wystarczy sprawdzić długość/drogę elementu liniowego – czujniki laserowe lub przetworniki położenia mogą być prostszą alternatywą.
Kryterium jest czysto ilościowe (np. waga) – wówczas waga kontrolna bywa tańsza i prostsza niż budowa całego stanowiska wizyjnego.
Projekt nabiera sensu, gdy koszty wdrożenia systemu wizyjnego można realnie zestawić z oszczędnościami: mniejszą liczbą reklamacji, zmniejszonym scrapem, obniżeniem kosztów pracy kontroli jakości oraz wyższą stabilnością procesu.
Realne możliwości AI w kontroli jakości – bez magii i marketingu
Detekcja defektów AI to modne hasło, ale sztuczna inteligencja nie jest magiczną czarną skrzynką. Działa dobrze w określonych warunkach i wymaga pracy przy zbieraniu oraz etykietowaniu danych. Kluczowe ograniczenia w praktyce:
AI widzi to, czego ją nauczono – modele działają najlepiej w obrębie wzorców, na których były trenowane. Rzadkie, nietypowe defekty mogą wymykać się detekcji.
Wrażliwość na zmianę warunków – inne oświetlenie, nowy dostawca materiału, inny kolor tła potrafią pogorszyć skuteczność, jeśli model nie „widział” takich wariantów w szkoleniu.
Potrzeba ciągłego doskonalenia – zamiast jednorazowego projektu, system AI wymaga aktualizacji wraz ze zmianami procesu (nowe typy defektów, nowa maszyna upstream).
Jednocześnie dobrze przygotowany system potrafi wychwycić defekty zbyt subtelne dla ludzkiego oka przy dużej prędkości linii. AI świetnie radzi sobie z klasyfikacją „to wygląda inaczej niż typowy dobry produkt”, także wtedy, gdy nie da się łatwo zapisać reguł progiem czy prostą geometrią. Najwięcej zysku przynosi, gdy jest połączona z klasyczną wizją maszynową – AI zajmuje się „trudną” częścią, resztę obsługują proste i stabilne algorytmy.
Zdefiniowanie problemu jakościowego i celu biznesowego – fundament przed doborem technologii
Opis defektu z punktu widzenia procesu, klienta i operatora
Skuteczny projekt wizji komputerowej zaczyna się od dokładnego, wspólnego opisu problemu jakościowego. Inaczej rozumie go technolog, inaczej kontroler jakości, a jeszcze inaczej klient. Trzeba to zgrać w jedno, konkretne wymaganie.
Najprościej podejść do tego przez trzy perspektywy:
Proces – w którym miejscu powstaje defekt, z jakim etapem produkcji jest powiązany, jakie są typowe przyczyny (narzędzie, materiał, ustawienia maszyny, operator).
Klient – czy defekt wpływa na funkcję (np. nieszczelność, ryzyko uszkodzenia), czy „tylko” na wygląd (estetyka). Jak klient definiuje wyrób niezgodny – zdjęcia, szkice, specyfikacja jakościowa.
Operator/kontroler – jak dziś rozpoznaje defekt: czego szuka, na co patrzy, jak długo ogląda detal, jak duży musi być defekt, by odrzucić produkt.
Dobrym nawykiem jest stworzenie krótkiej karty defektu zawierającej:
nazwę defektu (prostą, używaną w zakładzie),
opis słowny (krótki, jednoznaczny),
zdjęcia przykładowych defektów z różnych partii,
informację, czy defekt jest krytyczny, istotny czy jedynie kosmetyczny,
wymaganą reakcję (zrzut, blokada partii, rejestracja i decyzja później).
Taka karta staje się potem punktem odniesienia dla zespołu wdrożeniowego, dostawcy systemu wizyjnego i działu jakości. Zamiast dyskutować na poziomie ogólnych słów, wszyscy patrzą na te same zdjęcia i te same kryteria.
Rodzaj zadania: detekcja, klasyfikacja, pomiar, śledzenie
Wizja komputerowa w kontroli jakości może realizować różne typy zadań. Precyzyjne określenie, co ma zrobić system, oszczędza wiele iteracji projektowych. Najważniejsze rozróżnienia:
Wykrycie (detekcja) – czy defekt jest obecny, czy nie. Zwykle decyzja binarna: OK/NOK. Przykład: „czy na powierzchni są rysy powyżej określonej długości?”.
Klasyfikacja – przypisanie do jednej z kategorii: typ defektu, klasa jakości, rodzaj produktu. Przykład: „czy to produkt w wariancie A, B czy C?” lub „czy defekt to wżer, rysa czy zabrudzenie?”.
Pomiar – określenie wymiaru, kąta, pozycjonowania. Wymaga kalibracji (relacji piksel–mm). Przykład: „czy średnica otworu mieści się w tolerancji 10,0–10,2 mm?”.
Śledzenie (tracking) – identyfikacja obiektu między kolejnymi ujęciami lub stacjami. Przydatne przy skomplikowanych liniach i łączeniu danych z różnych etapów.
W jednym projekcie często pojawia się kombinacja kilku typów zadań, ale dobrze je rozbić i zadać pytanie: które z nich są krytyczne, a które opcjonalne? Jeśli na starcie spróbuje się rozwiązać każdy możliwy wariant, projekt stanie się drogi i długo nie wyjdzie z fazy testów.
Parametry celu: wykrywalność, fałszywy odrzut, czas reakcji, miejsce w procesie
Dla systemu wizyjnego sam opis „ma dobrze wykrywać defekty” jest bezużyteczny. Potrzebne są liczby i decyzje biznesowe, jakie kompromisy są akceptowalne. Kluczowe parametry:
Docelowa wykrywalność – jaki procent defektów ma być wychwycony (np. 99% defektów krytycznych, 95% istotnych). Dla różnych typów defektów można przyjąć różne cele.
Dopuszczalny fałszywy odrzut – ile dobrych sztuk może zostać niesłusznie odrzuconych (np. 1% lub 0,1%). Zbyt niski scrap za wszelką cenę może oznaczać przepuszczanie wad, zbyt wysoki – nieakceptowalny koszt produktu.
Czas reakcji – ile czasu ma system od momentu pojawienia się produktu w polu widzenia kamery do decyzji (czas na zrzut, sygnał do PLC). Przy szybkich liniach to często < 100 ms.
Miejsce w procesie – czy kontrola jest na początku, w środku, czy na końcu linii. Od tego zależy, ile można jeszcze naprawić, a ile trzeba złomować.
Te parametry powinny być powiązane z KPI zakładu: scrap, reklamacje, przestoje, koszty pracy kontroli jakości. Np. jeśli obecnie reklamacje z powodu danego defektu to kilkanaście przypadków rocznie, a koszt wdrożenia wizji w tym miejscu byłby bardzo wysoki, być może lepiej zająć się defektem częstszym, ale tańszym do wykrycia.
Matryca „ważność defektu vs częstotliwość” jako proste narzędzie priorytetyzacji
Aby wybrać pierwszy projekt wdrożenia, dobrze sprawdza się prosta matryca ważność vs częstotliwość. Na jednej osi umieszcza się ważność defektu (wpływ na funkcję, bezpieczeństwo, klienta), na drugiej – jego częstość występowania. Defekty z prawego górnego rogu (częste i ważne) to idealni kandydaci na początek.
Praktyczna procedura może wyglądać tak:
spisanie najczęstszych defektów z ostatnich miesięcy (dane z reklamacji, raportów jakości, Gemba z kontrolerami),
przypisanie im oceny ważności w skali np. 1–3 (kosmetyczny, istotny, krytyczny),
przypisanie im częstotliwości (rzadki, średni, częsty),
zaznaczenie na prostym diagramie (może być nawet na kartce),
wybór 1–2 defektów do pierwszego wdrożenia – takich, gdzie potencjał oszczędności jest największy przy rozsądnym wysiłku technicznym.
Taka matryca porządkuje dyskusję i pomaga trzymać się faktów zamiast „najgłośniejszych opinii”. Łatwiej przekonać zarząd do inwestycji, gdy pokazuje się, że celem jest defekt krytyczny, częsty i drogi, a nie niszowy problem jednego klienta.
Wymogi procesu produkcyjnego – gdzie i jak wpiąć system wizyjny
Analiza linii: stabilność transportu, takt i buforowanie
Zanim pojawi się temat kamer i AI, trzeba przyjrzeć się samej linii. Wizja komputerowa nie lubi chaosu – jeśli detale jadą krzywo, kołyszą się, zatrzymują losowo, nawet najlepszy algorytm będzie walczył z fizyką.
Na początek przydaje się prosta obserwacja z zegarkiem w ręku:
Takt linii i zmienność prędkości – czy produkt porusza się ze stałą prędkością, czy przyspiesza, zwalnia, zatrzymuje się? Wahająca się prędkość utrudnia powtarzalne ujęcia.
Stabilność ułożenia detalu – czy detal ma zawsze tę samą orientację i pozycję, czy zdarzają się obroty, przekoszenia, „tańczenie” na taśmie?
Wstrząsy i drgania – maszyny w pobliżu (prasowanie, wykrawanie, kruszarki) potrafią wprowadzać wibracje, które rozmywają obraz.
Miejsca potencjalnego buforowania – czy da się wstawić krótką sekcję bufora lub stolik zatrzymujący detal, aby wykonać stabilne zdjęcie?
Przy ograniczonym budżecie często skuteczniejsze od „super kamery” jest dołożenie prostego bufora z zatrzymaniem detalu na 0,3–0,5 s lub krótkiego mechanizmu pozycjonującego. Koszt kilkunastu tysięcy złotych na mechanikę bywa tańszy niż próba rozwiązania problemu czysto programowo przy skaczących detalach.
Wybór punktu kontroli: jak najbliżej źródła problemu czy na końcu linii?
System wizyjny można wpiąć w kilku miejscach procesu. Decyzja, gdzie go postawić, przesądza o opłacalności całego projektu.
Kontrola blisko źródła defektu – np. tuż za prasą, wtryskarką, stacją montażu. Pozwala szybko reagować na problem i zatrzymać produkcję zanim powstanie duża ilość złomu. Często wymaga pracy w trudniejszych warunkach (ciepło, zabrudzenia, wibracje).
Kontrola pośrednia – np. po kluczowym etapie, gdzie defekt staje się widoczny, ale jeszcze można część produktów przerobić lub prze-sortować.
Kontrola końcowa – najłatwiejsza do wdrożenia technicznie (często jest już gotowe miejsce po kontroli ręcznej), ale najmniej efektywna kosztowo, bo wszystkie błędy z poprzednich etapów kumulują się i trafiają na złom.
Dobrym kompromisem na start jest proste stanowisko na końcu linii (łatwe wdrożenie, szybkie pokazanie efektów), połączone z planem przesunięcia kontroli bliżej źródła defektu w drugim etapie, gdy zespół nabierze doświadczenia.
Warunki środowiskowe: temperatura, pył, wilgoć, oleje
Kamery i obiektywy to sprzęt przemysłowy, ale nie są niezniszczalne. Warunki pracy decydują o doborze obudów, osłon i metod czyszczenia.
Podczas przeglądu linii warto spisać kilka twardych faktów:
Zakres temperatur – nie tylko średnia, ale i skoki (np. rozgrzewanie pieca, praca przy prasach).
Rodzaj zanieczyszczeń – pył z drewna/kompozytów, mgła olejowa, krople wody, odpryski metalu, opary chemiczne.
Możliwość mycia pod ciśnieniem – czy w strefie jest CIP/oczyszczanie wodą, które wymaga obudów o wyższym IP (np. IP65–IP67).
Zamiast od razu kupować drogie, hermetyczne kamery, często wystarczy standardowa kamera w prostej obudowie z szybą i przedmuchem powietrza. Taki układ da się naprawić taniej i szybciej niż specjalistyczne, ciężkie systemy, które wymagają serwisu producenta przy każdym drobnym uszkodzeniu.
Synchronizacja z maszyną: sygnały, triggery i PLC
System wizyjny rzadko działa w izolacji. Musi wiedzieć, kiedy wykonać zdjęcie i jak przekazać decyzję dalej. Z perspektywy automatyki potrzebne są trzy informacje:
Sygnalizacja obecności detalu – najczęściej czujnik indukcyjny, optyczny lub enkoder na taśmie. Na jego podstawie generuje się „trigger” dla kamery.
Pozycja względem kamery – jeśli detale jadą ze stałą prędkością, wystarczy odpowiedni offset czasowy; przy zmiennej prędkości lepszy jest enkoder.
Interfejs decyzyjny – jak system przekaże wynik OK/NOK: sygnały cyfrowe do PLC, komunikacja po Profinet/Ethernet/IP, zapis do bazy z ID produktu.
Minimalistyczny wariant „na start” to jeden czujnik + proste I/O z kamery lub kontrolera do PLC. Dopiero gdy pojawi się potrzeba rozbudowanych statystyk, śledzenia serii czy integracji z MES, warto planować złożoną wymianę danych po sieci przemysłowej.
Bezpieczeństwo pracy i dostęp serwisowy
Stanowisko wizyjne nie może blokować dostępu do maszyn ani tworzyć „dziwnych” obejść bezpieczeństwa. Jednocześnie ktoś musi mieć możliwość wejścia, aby wyczyścić szybę, wyregulować ostrość czy wymienić czujnik.
W praktyce oznacza to kilka prostych wymogów projektowych:
kamery i oświetlacze mocowane tak, by nie kolidowały z osłonami bezpieczeństwa i drzwiami serwisowymi,
zaplanowane strefy dojścia – np. małe drzwi lub klapka tylko do czyszczenia szyby, z blokadą sygnału bezpieczeństwa,
przewody w peszlach, prowadzone w sposób typowy dla zakładu, aby utrzymanie ruchu nie miało problemu z ich wymianą.
Lepiej zrezygnować z „idealnego” kąta kamery, jeśli wymagałby ingerencji w barierę bezpieczeństwa lub prowizorycznych wsporników. Z czasem taki kompromis i tak wyjdzie taniej niż kary za naruszenie przepisów lub przestoje po inspekcji BHP.
Źródło: Pexels | Autor: KJ Brix
Dane i przykłady defektów – jak zbudować sensowny zestaw treningowy i testowy
Start od tego, co już istnieje: archiwa jakości, reklamacje, zdjęcia z telefonów
Wiele projektów próbuje od razu organizować profesjonalne sesje zdjęciowe, podczas gdy w zakładzie leży już masa użytecznych informacji. Działy jakości często mają zdjęcia z raportów 8D, reklamacji i audytów. Operatorzy robią zdjęcia telefonem, gdy pojawia się nietypowa wada. To wszystko to dobry początek.
Te materiały mają wady (różne kąty, oświetlenie, tła), ale nadają się do:
wstępnej klasyfikacji typów defektów,
ustalenia granicy między „akceptowalne” a „do odrzutu”,
pokazania dostawcy systemu, z czym ma do czynienia.
Dopiero gdy wiadomo, które defekty są priorytetowe, sensowne jest planowanie regulaminowego zbierania danych w kontrolowanych warunkach.
Co to znaczy „wystarczająca liczba przykładów”
Pytanie „ile zdjęć potrzeba?” pojawia się zawsze. Nie ma jednej liczby, ale można przyjąć praktyczne minimum dla prostych projektów:
dla detekcji prostych, wyraźnych defektów – rzędu dziesiątek zdjęć wad i kilkuset dobrych sztuk,
dla subtelnych wad powierzchni – raczej setki zdjęć defektów (różne warianty, intensywność, lokalizacja),
dla klasyfikacji wielu kategorii – każda klasa powinna mieć co najmniej kilkadziesiąt przykładów, aby trenować model z sensem.
Jeśli defekty są rzadkie, lepiej skupić się na zbieraniu danych przez kilka tygodni niż próbować „dobić” liczbę przykładów w dwa dni. Dobija się wtedy zwykle jakość, nie ilość – zdjęcia mają różne ustawienia, brak powtarzalności i potem okazuje się, że model nauczył się tła zamiast samego defektu.
Aby zebrane zdjęcia nadawały się do trenowania i testów, trzeba ujednolicić sposób fotografowania. Nie chodzi o perfekcyjny setup studyjny, ale o kilka prostych reguł:
zawsze ten sam dystans od detalu (np. ustalony poprzez proste stojaki lub znaczniki na stole),
stały kąt patrzenia (np. z góry, 90° do powierzchni, zamiast „jak się uda”),
stałe oświetlenie pomocnicze – nawet dwie lampy LED w stałej pozycji dadzą lepszy efekt niż światło z sufitu raz w dzień, raz w nocy,
neutralne, powtarzalne tło, aby model nie uczył się koloru stołu zamiast defektu.
Taką „instrukcję fotograficzną” można zmieścić na jednej stronie A4 ze zdjęciami poglądowymi i powiesić w kontroli jakości. Koszt minimalny, a różnica w jakości danych – ogromna.
Etykietowanie: kto, jak i czym
Samo zebranie zdjęć to połowa sukcesu. Druga połowa to prawidłowe podpisanie, czy produkt jest OK, jaki ma defekt i gdzie on się znajduje. Tu wchodzi temat etykietowania (labelingu).
Najbezpieczniejszy model przy ograniczonym budżecie:
podstawowe etykiety (OK/NOK, typ defektu) nadaje kontrola jakości, która zna kryteria i wymagania klienta,
technolog lub inżynier procesu weryfikuje przykłady graniczne – tam, gdzie nawet kontroler ma wątpliwości,
narzędzie do etykietowania jest możliwie proste – może to być nawet arkusz z miniaturami zdjęć i kolumną „OK/NOK” na początku, zaawansowane GUI można wprowadzić później.
Dla zadań wymagających lokalizacji defektu (np. pęknięcie, wżer) przydaje się możliwość rysowania prostokątów lub masek na obrazie. Nie trzeba od razu inwestować w drogie systemy – istnieją darmowe lub tanie narzędzia open source, które w większości przypadków wystarczą.
Rozdzielenie zestawu treningowego, walidacyjnego i testowego
Jeżeli celem ma być system oparty na AI, dane muszą być sensownie podzielone. W przeciwnym razie wyniki będą piękne na papierze, a słabe na linii.
Przydatny jest prosty podział:
zestaw treningowy – ok. 60–70% zdjęć, wykorzystywany do uczenia modelu,
zestaw walidacyjny – ok. 10–20%, używany do strojenia parametrów modelu (nie służy bezpośrednio do trenowania),
zestaw testowy – pozostałe 10–20%, zarezerwowany tylko do końcowej oceny skuteczności.
Dobre praktyki:
nie mieszać zdjęć z tej samej partii do treningu i testu – inaczej model będzie znał „charakter” partii na pamięć,
dodać do testu zdjęcia z innych zmian, partii, dostawców materiału, aby sprawdzić odporność na zmienność procesu.
Symulacja „linii na stole” przed wejściem na produkcję
Przy ograniczonym budżecie często opłaca się zbudować prosty prototyp offline: kamera, oświetlacz, laptop, prowadnica do przesuwania detali ręcznie. Na takim stanowisku można zrobić dziesiątki zdjęć w różnych ustawieniach, a potem porównać, które konfiguracje dają najlepszy kontrast defektu.
Jeden z częstych scenariuszy: zamiast płacić za przeprojektowanie dużej sekcji linii, zespół buduje prototyp na stole warsztatowym, znajduje działające parametry i dopiero na ich podstawie zleca „docelową” mechanikę. Oszczędza to czas na poprawki i zmniejsza ryzyko kupienia niepotrzebnie drogich kamer czy lamp.
Wybór architektury systemu – klasyczna wizja maszynowa czy AI (i w jakiej kombinacji)
Kiedy wystarczy klasyczna wizja maszynowa
Nie każdy projekt potrzebuje AI. W wielu zastosowaniach wystarcza klasyczna wizja maszynowa, oparta na:
detekcji krawędzi, kodów 1D/2D, obecności elementów.
Typowe przypadki, gdzie taka architektura jest w pełni wystarczająca:
sprawdzenie obecności/nieobecności elementu (np. zaślepka, śrubka, etykieta),
kontrola wymiarów w 2D z wyraźnymi krawędziami,
czytelne różnice jasności między dobrym a złym stanem (np. brak nadruku, odwrotnie założony element).
Sygnał graniczny: gdy klasyczne algorytmy zaczynają się łamać
Granica między „wystarczy klasyka” a „trzeba AI” zwykle pojawia się wtedy, gdy zaczyna brakować prostych progów i pomiarów, a liczba wyjątków rośnie szybciej niż zestaw reguł. Typowe objawy:
ciągłe dokładanie kolejnych warunków w konfiguracji kamery, które poprawiają wynik dla jednej partii, ale psują dla innej,
wrażliwość na minimalne zmiany oświetlenia – rano działa, po południu już nie,
wiele „prawie takich samych” defektów, których nie da się opisać prostymi wymiarami czy kontrastem.
Przykład z hali: klasyczna wizja świetnie liczyła brakujące nakrętki. Do czasu, aż dostawca zmienił powłokę na bardziej matową. Kontrast spadł, trzeba było ręcznie przestawiać progi. Po trzeciej zmianie dostawcy ktoś policzył roboczogodziny i okazało się, że prosty model AI wyjdzie taniej w utrzymaniu niż ciągłe „dostrajanie” klasyki.
Kiedy AI ma sens biznesowy, a kiedy jest przerostem formy
Uczenie maszynowe jest kluczowe przy:
niejednoznacznych wadach powierzchni (przebarwienia, skazy, wżery, zadrapania),
wielu klasach defektów, które trudno zdefiniować regułami,
produktach z naturalną zmiennością (odlewy, drewno, tkaniny, powierzchnie polerowane).
Z drugiej strony w prostych aplikacjach AI generuje tylko koszty: potrzeba danych, mocy obliczeniowej, kogoś, kto rozumie modele, oraz procedury aktualizacji. Przy kontroli obecności etykiety czy sprawdzaniu średnicy otworu progi i pomiary geometryczne będą stabilniejsze i łatwiejsze do serwisowania przez lokalny zespół.
Architektury hybrydowe: połączenie reguł i modeli uczonych
Najczęściej opłacalne rozwiązania powstają z połączenia klasyki i AI zamiast wyboru „albo–albo”. Schemat jest prosty: co da się wyciąć regułami, robią tanie narzędzia wizyjne; AI odpowiada za złożone, „miękkie” decyzje.
Przykładowy podział ról:
klasyczna wizja: wyszukanie wycinka obrazu (segmentacja, korekcja perspektywy, pomiar pozycji),
AI: ocena jakości konkretnego fragmentu (np. powierzchnia, nadruk, struktura materiału),
klasyczna wizja: logika decyzyjna (połączenie wielu wyników w jeden sygnał NOK/OK, statystyki, filtry czasowe).
Taka architektura zmniejsza koszty treningu – model widzi tylko to, co istotne, a nie cały kadr z taśmą, tłem i zbędnymi elementami. Jednocześnie utrzymanie ruchu ma czytelną logikę na poziomie reguł (drabinka w PLC lub proste makra w systemie wizyjnym), a AI traktuje jak jedną, wyspecjalizowaną „czarną skrzynkę”.
Gdzie umieścić „mózg” systemu: na kamerze, na PC, na serwerze
Architektura to także decyzja, gdzie ma stać komputer, który będzie liczył algorytmy. Trzy najczęstsze warianty to:
smart kamera / wizyjny czujnik inteligentny – wszystko wbudowane w kamerę,
przemysłowy PC przy linii – kamery sieciowe + komputer,
serwer centralny – obliczenia wykonywane poza linią, często w szafie serwerowej lub „pokoju IT”.
Smart kamera jest wygodna i często wystarczająca przy klasycznych algorytmach. Gdy w grę wchodzi AI, zwykle łatwiej i taniej jest użyć przemysłowego PC z kartą graficzną lub dobrą CPU niż kombinować z drogimi, wyspecjalizowanymi kamerami „AI ready”. Przy większej liczbie linii można rozważyć serwer centralny, ale wtedy dochodzą opóźnienia sieciowe i kwestie redundancji.
Dobór sprzętu – kamery, obiektywy, oświetlenie i mechanika mocowania
Kamery: rozdzielczość, prędkość i kolor w realiach budżetu
Dobór kamery z poziomu katalogu jest prosty – zawsze można wybrać „najlepszą”. Trudniej zrobić to tak, by koszt nie zjadł całego ROI. Kolejność pytań jest prosta:
Jaki najmniejszy defekt trzeba wykryć (w milimetrach)?
Jak duży obszar jednocześnie musi być widoczny (pole widzenia)?
Z jaką prędkością przesuwa się produkt i ile zdjęć na sztukę potrzeba?
Z grubsza można przyjąć, że na jeden minimalny defekt dobrze mieć przynajmniej 3–5 pikseli. Jeśli więc chcemy wykrywać zadrapanie o szerokości 0,2 mm na szerokości 200 mm, rozdzielczość użyteczna rzędu kilku megapikseli zwykle wystarczy. Zwiększanie rozdzielczości ponad to oznacza wyższy koszt kamery, większy strumień danych, mocniejszy komputer i dłuższy czas przetwarzania, a realnej korzyści może nie być.
Kolor vs mono: jeśli kryterium jakości opiera się na odcieniach barwy (np. odbarwienia, różne kolory komponentów), kamera kolorowa jest konieczna. Przy defektach geometrycznych, pęknięciach czy brudzie, który różni się głównie jasnością, kamera monochromatyczna da wyższy kontrast i często lepszy wynik przy niższej cenie.
Interfejsy kamer a reszta infrastruktury
Kamera musi „dogadać się” z resztą zakładu – z PC, przełącznikami, szafą sterowniczą. Najczęściej spotykane interfejsy:
GigE Vision – elastyczny, długie kable (do kilkudziesięciu metrów przy dobrym okablowaniu), pasuje do typowej infrastruktury Ethernet,
USB3 – proste w konfiguracji, ale ograniczona długość kabla, wrażliwość na zakłócenia,
Camera Link / CoaXPress – wysokie prędkości, ale droższa infrastruktura i bardziej specjalistyczny sprzęt.
Do większości zastosowań kontroli jakości przy standardowych prędkościach linii i rozdzielczościach rzędu kilku megapikseli GigE Vision jest najbardziej rozsądny kosztowo. Droższe interfejsy mają sens przy ultraszybkich procesach lub bardzo wysokiej rozdzielczości, gdzie każdy milisekundowy lag ma znaczenie.
Obiektyw: tani element, który potrafi „zabić” cały projekt
Obiektyw często traktowany jest jako dodatek do kamery, tymczasem to on decyduje, czy piksele będą faktycznie „ostre” w całym polu. Kilka zasad minimalizujących ryzyko:
najpierw ustal odległość roboczą (ile fizycznie miejsca jest nad produktem),
następnie wymagane pole widzenia (wymiar produktu + zapas),
z tego dobierz ogniskową z pomocą prostych kalkulatorów wizyjnych.
Przy ograniczonym budżecie bezpieczniej jest kupić średniej klasy obiektyw przemysłowy i zostawić mały zapas rozdzielczości, niż inwestować w bardzo drogą kamerę i oszczędzać na szkle. Słaby obiektyw wprowadzi zniekształcenia i rozmycia na brzegach kadru, przez co algorytmy będą myliły krawędzie i detale.
Głębia ostrości i przysłona w warunkach przemysłowych
Gdy produkt ma nieregularny kształt albo porusza się z wahaniami wysokości, kluczowa jest głębia ostrości. Zwiększa się ją przez przymknięcie przysłony (większa liczba f), ale to z kolei wymaga mocniejszego oświetlenia lub dłuższego czasu naświetlania. Przy szybko poruszającej się taśmie dłuższy czas naświetlania oznacza rozmycie ruchu.
Typowy, tani kompromis:
przymknięcie przysłony do poziomu, który zapewni ostrość przy spodziewanych tolerancjach wysokości,
danie nieco mocniejszego oświetlenia niż wydawało się potrzebne na początku,
ustawienie czasu ekspozycji tak, by „zamrozić” ruch (często rzędu kilku milisekund).
Takie podejście minimalizuje konieczność późniejszej walki z rozmytym obrazem i fałszywymi detekcjami krawędzi.
Oświetlenie: tam zwykle „ucieka” najwięcej jakości
Większość problemów z wizją wynika nie z algorytmów, tylko z oświetlenia. Tu szczególnie liczy się relacja efekt/wysiłek – dobrze zaprojektowane, proste oświetlenie zwykle zrobi więcej niż wymiana kamery na droższy model.
Podstawowe typy oświetlenia:
pierścieniowe – dobre do oświetlania z bliska i wyrównania cieni wokół małych detali,
panelowe (dome, backlight) – równomierne tło, świetne do detekcji krawędzi i kształtu w konturze,
linijkowe – do ruchu ciągłego i skanowania w linii,
koaksjalne – oświetlenie „osiowe” do powierzchni błyszczących, gdzie inne źródła robią refleksy.
Na start przy prostych aplikacjach często wystarczy panel LED z odpowiednią osłoną lub kompaktowa lampa pierścieniowa. Dopiero gdy pojawiają się problemy z odbiciami (chrom, polerowane aluminium, lakiery), sens ma inwestycja w specjalistyczne oświetlacze koaksjalne lub kopułowe.
Dobór barwy światła i filtrów
Kolor światła można wykorzystać jako tani sposób na podbicie kontrastu. Przykładowo:
dla ciemnych zabrudzeń na jasnym tle często lepiej sprawdzi się chłodne, białe światło,
dla odcinania określonej barwy (np. czerwone oznaczenie na szarym tle) można zastosować LED w kolorze przeciwnym i filtr na obiektywie.
Prosty trik z filtrami: filtr polaryzacyjny na obiektywie plus folia polaryzacyjna na oświetlaczu pozwalają znacząco zredukować refleksy na błyszczących powierzchniach. To wydatek rzędu kilkuset złotych, a potrafi „uratować” aplikację, dla której bez tego potrzebne byłoby oświetlenie kilka razy droższe.
Mechanika mocowania: minimalizm, który musi być sztywny
Nawet najlepsza kamera nie pomoże, jeśli cały uchwyt drży przy każdym uderzeniu detalu o przenośnik. Mechanika powinna być tak prosta, jak to możliwe, ale bez kompromisu na sztywności. Kilka praktycznych zasad:
unikać długich, cienkich wsporników; lepsze są krótkie, masywne profile,
punkty mocowania do istniejącej konstrukcji dobierać tam, gdzie drgania są najmniejsze (czasem lepiej przykręcić do ściany niż do lekkiej osłony maszyny),
przewidzieć regulację w trzech osiach, ale po ustawieniu blokować ruch dodatkowymi śrubami kontrującymi.
Przy ograniczonym budżecie często opłaca się użyć standardowych profili aluminiowych i gotowych złączek zamiast projektować od razu spawaną konstrukcję. Ułatwia to też późniejszą korektę kąta kamery czy wysokości oświetlenia po pierwszych tygodniach pracy na linii.
Ochrona przed brudem, chłodziwem i przypadkowym kontaktem
Środowisko przemysłowe rzadko jest sterylne. Krople chłodziwa, pył, odpryski – to wszystko prędzej czy później trafi na obiektyw lub szybę ochronną. Proste elementy ochronne:
osłony z hartowanego szkła lub poliwęglanu przed obiektywem – taniej wymienić szybkę niż kamerę,
nawiew sprężonego powietrza w formie delikatnej kurtyny przy bardziej „brudnych” procesach,
ustawienie kamer i oświetlenia tak, by nie były w linii rozbryzgu – czasem wystarczy zmiana kąta o kilkanaście stopni.
Warto od razu przewidzieć miejsce na szybki dostęp do czyszczenia tych osłon bez rozkręcania całej konstrukcji. Kilka dodatkowych minut projektowania oszczędza potem godziny przestojów przy pierwszym większym zabrudzeniu.
Standaryzacja komponentów i części zamiennych
Przy kilku liniach opłaca się świadomie ograniczyć liczbę różnych modeli kamer, obiektywów i lamp. Jeśli każda stacja wizyjna będzie miała inny typ sprzętu, magazyn części zamiennych i konfiguracja oprogramowania szybko staną się koszmarem.
Praktyczne podejście:
wybrać 1–2 modele kamer jako standard zakładowy (np. jedna rozdzielczość dla detali małych, druga dla większych),
zestaw kilku obiektywów pokrywających typowe odległości i pola widzenia,
Najczęściej zadawane pytania (FAQ)
Kiedy opłaca się wdrożyć wizję komputerową w kontroli jakości?
Wizja komputerowa ma sens głównie przy wysokich wolumenach, drogich produktach lub tam, gdzie koszt błędu jest duży (reklamacje, kary, ryzyko utraty klienta). Drugi typowy scenariusz to problemy z manualną kontrolą: duża zmienność decyzji między kontrolerami, przeoczenia defektów, rotacja pracowników.
Jeśli kontrola wzrokowa zajmuje kilka godzin dziennie i „boli” kosztowo albo organizacyjnie, projekt zaczyna się bronić. Gdy kontrola to 30–60 minut dziennie, przy tanim, niekrytycznym produkcie, pełnowymiarowy system wizyjny zwykle będzie przerostem formy nad treścią.
Jakie zadania kontroli jakości najlepiej nadają się do wizji komputerowej?
Najłatwiej zautomatyzować zadania powtarzalne, wizualne i o dużym wolumenie. Klasyczny zestaw to wykrywanie defektów powierzchni (rysy, przebarwienia), sprawdzanie kompletności montażu, pomiary wymiarów, weryfikacja nadruków i kodów oraz sortowanie produktów na klasy jakościowe.
Im prostsza geometria i bardziej powtarzalny produkt, tym niższy koszt wdrożenia i krótszy czas uruchomienia. Bardziej złożone elementy też da się obsłużyć, ale zwykle wymagają lepszego oświetlenia, dokładniejszej mechaniki i dłuższej fazy strojenia – czyli wyższego budżetu i dłuższego zwrotu.
Kiedy lepiej użyć prostych czujników zamiast systemu wizyjnego?
Jeśli trzeba tylko sprawdzić obecność obiektu w jednym punkcie (np. butelka na przenośniku, korek w szyjce), znacznie taniej i szybciej wyjdzie fotokomórka. Podobnie przy prostym pomiarze długości, przemieszczenia czy wysokości – lepszym kandydatem jest czujnik laserowy lub przetwornik położenia.
Gdy kryterium jest wyłącznie ilościowe (masa, liczba sztuk w opakowaniu), waga kontrolna będzie prostsza i tańsza niż pełne stanowisko wizyjne. Wizja zaczyna być opłacalna dopiero wtedy, gdy trzeba rozpoznawać kształty, defekty wizualne, tekst, jakość nadruków lub złożone układy elementów.
Co realnie potrafi AI w detekcji defektów i gdzie są jej ograniczenia?
AI dobrze sprawdza się w zadaniach typu „to wygląda inaczej niż typowy dobry produkt”, szczególnie przy subtelnych defektach trudnych do opisania prostymi progami czy geometrią. Jest w stanie pracować przy dużych prędkościach linii, zachowując powtarzalność, której człowiek nie utrzyma przez całą zmianę.
Ograniczenia są bardzo konkretne: model widzi głównie to, czego go nauczono, mocno reaguje na zmiany oświetlenia, materiału czy tła i wymaga stałego „dokarmiania” nowymi przykładami przy zmianach procesu. Jeśli nie ma budżetu i czasu na porządne zebranie i opisanie zdjęć, lepiej zacząć od klasycznej wizji maszynowej, a AI dołożyć dopiero do „trudnych” przypadków.
Jak oszacować opłacalność wdrożenia systemu wizyjnego?
Najprostszy sposób to zestawić łączny koszt projektu (sprzęt, oprogramowanie, integracja, utrzymanie) z rocznymi oszczędnościami. W kalkulacji po stronie zysków uwzględnia się przede wszystkim: spadek reklamacji i zwrotów, mniejszy scrap, redukcję etatów w kontroli jakości oraz wyższą przepustowość linii.
Przykład z praktyki: jeśli jedna reklamacja potrafi „zjeść” miesięczny koszt raty leasingu systemu wizyjnego, to projekt ma sens nawet przy średnich wolumenach. Jeśli natomiast błędy są rzadkie i tanie, a kontrola wzrokowa to jedna osoba na pół etatu, inwestycja będzie się spłacać bardzo długo.
Jak dobrze zdefiniować defekt, żeby wdrożenie wizji miało ręce i nogi?
Kluczowe jest wspólne zrozumienie defektu przez technologa, kontrolera i klienta. Pomaga prosta „karta defektu” z nazwą, krótkim opisem, zdjęciami przykładowych wad, informacją o krytyczności (krytyczny/istotny/kosmetyczny) oraz jasno opisaną reakcją procesu – np. zrzut sztuki, blokada partii, tylko rejestracja.
Taka karta zastępuje niekończące się dyskusje typu „ta rysa jest jeszcze ok czy już nie”. Dla zespołu wdrożeniowego jest to konkretna specyfikacja, którą da się przełożyć na parametry algorytmu lub modelu AI, bez ciągłego „dokręcania” kryteriów na życzenie kolejnych osób.
Od czego zacząć wdrażanie wizji komputerowej przy ograniczonym budżecie?
Najrozsądniej jest wybrać jedno, dobrze opisane zadanie o dużym wpływie na koszty (np. częsta reklamacja konkretnego defektu) i zrobić proste stanowisko pilotażowe. Na początek można ograniczyć się do klasycznej wizji: jedna kamera, sensowne oświetlenie, proste algorytmy i zapis zdjęć do analizy.
Pilot pozwoli zweryfikować realny poziom wykrywania defektów i policzyć efekt finansowy bez ryzykowania dużej inwestycji „w ciemno”. Dopiero gdy to zadziała i pokaże zwrot, ma sens skalowanie na kolejne operacje lub dokładanie AI do bardziej skomplikowanych przypadków.
