Wizja maszynowa w kontroli jakości: co działa, a co jest marketingiem

Po co ci wizja maszynowa – doprecyzuj swój prawdziwy cel

„Chcę AI” kontra „chcę mniej braków” – o co tak naprawdę chodzi?

Wielu menedżerów przychodzi do integratorów z hasłem: „potrzebujemy AI do kontroli jakości”. Pierwsze pytanie powinno brzmieć zupełnie inaczej: jakiego efektu w procesie oczekujesz? Mniej reklamacji? Mniej ręcznej pracy? Mniej sporów z klientem? Szybszej kontroli?

Wizja maszynowa nie jest celem samym w sobie, tylko narzędziem. Zanim wejdziesz w rozmowy z dostawcami, odpowiedz sobie i zespołowi na kilka konkretnych pytań:

• O ile chcesz zmniejszyć odsetek braków lub reklamacji?
• O ile chcesz skrócić czas inspekcji jednego detalu?
• Ile stanowisk ręcznej kontroli chcesz zautomatyzować – i w jakim horyzoncie?
• Jakie decyzje ma podejmować system: tylko odrzut, czy też sortowanie na kilka klas jakości?
• Jakie ryzyko biznesowe redukujesz – kary, zwroty, utrata klienta?

Jeśli dziś kontrolerzy „przepuszczają” wadliwe sztuki, bo są zmęczeni, to twoim realnym celem jest stała, niezmienna czujność 24/7. Jeśli z kolei kontrola jest poprawna, ale zbyt wolna – celem jest przepustowość i stabilny takt linii. Dopiero z tak zdefiniowanym celem można rozsądnie rozmawiać o systemach wizyjnych.

Zadaj sobie proste pytanie: gdyby wizja maszynowa nagle działała idealnie, co by się zmieniło w twoim KPI? Ilość braków? OEE? Skrócenie czasu cyklu? Odpowiedź ustawia całe dalsze myślenie.

Typowe cele systemów wizyjnych w kontroli jakości

Systemy wizyjne w produkcji da się podpiąć pod kilka powtarzalnych, biznesowych celów. Zazwyczaj są to:

• Redukcja błędów ludzkich – operator po kilku godzinach widzi gorzej, myli się, odpuszcza marginalne wady. Kamera patrzy tak samo o 6:00 i o 22:00.
• Zwiększenie powtarzalności oceny – klient nie rozumie, dlaczego wczoraj „to” przeszło, a dziś nie. Wizja maszynowa zamienia subiektywną ocenę w zestaw mierzalnych kryteriów.
• Traceability – zapis zdjęcia każdego detalu, powiązany z numerem partii, operatorem, maszyną. Przy reklamacji możesz pokazać: tak wyglądał produkt przy wyjeździe z fabryki.
• Skrócenie cyklu inspekcji – zamiast kilkunastu sekund ręcznej kontroli, kamera w ułamku sekundy podejmuje decyzję, pozwalając utrzymać wyższy takt linii.
• Odciążenie kontroli końcowej – wizja maszynowa wstawiona wcześniej w procesie wychwytuje wady, zanim dodasz kolejne kosztowne operacje (lakierowanie, montaż).

Tu pojawia się ważne pytanie do ciebie: który z tych celów jest priorytetem numer jeden? Jeśli „trochę wszystkiego”, projekt łatwo rozmywa się w zbyt szerokich oczekiwaniach, a rozczarowanie gotowe.

Kiedy wizja maszynowa to za ciężkie działo

Bywają sytuacje, w których system wizyjny jest technologicznie możliwy, ale kompletnie nieopłacalny. Mówisz o „AI w inspekcji wizualnej”, a problem da się rozwiązać prostym czujnikiem lub mechaniczną prowadnicą.

Przykłady, kiedy standardowy czujnik często wygrywa z wizją maszynową:

• Weryfikacja, czy detal jest obecny w gnieździe – prosty czujnik dyfuzyjny lub indukcyjny załatwia temat.
• Sprawdzenie wysokości opakowania na przenośniku – czujnik laserowy zamiast kamery 3D.
• Detekcja obecności etykiety w jednym miejscu – czujnik kontrastu lub przezroczystości.

Kiedy to dostrzec? Zadaj sobie pytanie: czy naprawdę potrzebuję obrazu, czy tylko „tak/nie” z jednego punktu? Jeśli wystarczy tak/nie z jednego miejsca, wizja maszynowa może być przerostem formy nad treścią – również kosztowo i serwisowo.

Pytania startowe do zespołu – bez nich nie ruszaj

Zanim zadzwonisz do dostawców, usiądź z technologiem, kierownikiem produkcji, jakościowcem i automatykiem. Zapytaj ich wprost:

• Jaki masz cel? – poproś o liczby: procent braków, czas inspekcji, planowane oszczędności.
• Co już próbowałeś? – ręczna kontrola z checklistą, proste czujniki, pomiary off-line w laboratorium?
• Jakie masz obecnie dane? – statystyki reklamacji, zdjęcia wad, zapis wyników z dotychczasowej kontroli.
• Jakie decyzje musi podjąć system? – odrzut, przekierowanie na poprawkę, sygnał zatrzymania linii, regulacja parametrów procesu?

Jeśli przy którymś pytaniu zapada cisza – to znak, że najpierw trzeba doprecyzować proces, a dopiero później myśleć o AI.

Podstawy wizji maszynowej w QA: z czego to się realnie składa

Kluczowe komponenty systemu wizyjnego

Niezależnie od marketingowych nazw, każdy przemysłowy system wizyjny składa się z tych samych bloków:

• Kamera – pozyskuje obraz; może być 2D, 3D, linijkowa, kolorowa lub monochromatyczna.
• Optyka – obiektyw, który decyduje o polu widzenia, ostrości, zniekształceniach.
• Oświetlenie – najczęściej osobne źródła światła dostosowane do zadania (pierścieniowe, liniowe, backlight itp.).
• Jednostka przetwarzająca – wbudowany procesor (w kamerze inteligentnej) lub zewnętrzny komputer przemysłowy.
• Oprogramowanie – zestaw narzędzi do akwizycji obrazu i jego analizy (klasyczne algorytmy, AI, deep learning).
• Integracja z linią – sygnały I/O, PLC, komunikacja z robotami, wyrzutnikami, systemem nadrzędnym.
• Integracja z IT – bazy danych, MES, ERP, archiwizacja zdjęć i wyników, traceability.

Każdy z tych elementów może stać się wąskim gardłem. Kamera za słaba, obiektyw dobrany „na szybko”, oświetlenie przypadkowe, komputer zbyt słaby dla deep learningu, brak bufora na archiwizację zdjęć – to prosta droga do systemu, który działa tylko w teorii.

Zadaj sobie pytanie: czy wiesz, który z tych bloków jest dziś najsłabszy w twojej fabryce? To tam zwykle „pęka” projekt.

Klasyczne algorytmy vs AI/deep learning – praktyczna różnica

Z punktu widzenia kierownika produkcji nie interesują cię detale techniczne. Istotne jest, w jakich sytuacjach które podejście ma sens. Upraszczając:

• Klasyczne algorytmy – próg jasności, dopasowanie wzorca, pomiar geometrii, wykrywanie krawędzi, analiza kolorów.
  • plusy: przewidywalne zachowanie, łatwa walidacja, mniejsze wymagania sprzętowe, często brak potrzeby dużych zbiorów danych;
  • minusy: słaba odporność na zmienność wyglądu detalu, ograniczenia przy „subtelnych” wadach.
• AI / deep learning – modele uczące się na dużej liczbie przykładów wadliwych i dobrych detali.
  • plusy: wysoka skuteczność przy złożonych, niejednoznacznych defektach powierzchni, większa tolerancja na naturalną zmienność procesu;
  • minusy: potrzeba dużej ilości dobrze oznaczonych danych, większe zużycie mocy obliczeniowej, trudniejsza interpretacja decyzji.

Kierownicze pytanie brzmi: czy twój problem da się opisać matematycznie prostymi regułami? Jeśli tak – klasyczne metody będą tańsze, prostsze i łatwiejsze w utrzymaniu niż deep learning. Deep learning jest sensowny, gdy operatorzy mówią: „to widać na oko, ale ciężko to opisać w trzech zdaniach”.

Typy kamer i kiedy mają sens

W praktyce produkcyjnej używa się kilku głównych typów kamer. Uporządkujmy je z perspektywy zastosowań:

Jeśli kontrolujesz mały element z bliska, kamera 2D o rozsądnej rozdzielczości zwykle wystarczy. Gdy detal jest długi (profil, taśma), a przenośnik go przesuwa – kamera linijkowa bywa jedyną sensowną opcją. Kiedy natomiast wady są „wysokościowe” (np. nadlew, wgniecenie), kamera 3D daje przewagę.

Zadaj inżynierom jedno kluczowe pytanie: czy krytyczne cechy są czysto wizualne, czy też przestrzenne (wysokość, objętość)? Odpowiedź od razu zawęża wybór technologii.

Rola stabilnej mechaniki i pozycjonowania detalu

Marketing mówi o „magicznej AI”, a w praktyce większość problemów zaczyna się od… braku powtarzalnego pozycjonowania detalu. Jeśli element „pływa” na przenośniku, obraca się, przechyla lub jest zasłaniany, to nawet najlepszy algorytm będzie miał kłopot.

Dlatego przy projektowaniu stanowiska wizyjnego trzeba zadbać o:

• stabilny transport (rolki, prowadnice, gniazda pozycjonujące),
• powtarzalną orientację detalu (obrót, wydzielone powierzchnie odniesienia),
• minimalizację drgań kamery i konstrukcji,
• chronienie pola widzenia przed przypadkowymi przeszkodami (ręce operatorów, narzędzia).

Jeśli dziś detale wjeżdżają „jak popadnie”, pierwszym krokiem przed wizją maszynową jest mechaniczna standaryzacja transportu. Zapytaj siebie: czy jestem gotów zmienić konstrukcję linii, żeby ułatwić życie kamerze? Bez tego projekt może stać na glinianych nogach.

Prosty schemat działania systemu wizyjnego

Cały proces da się sprowadzić do jasnego łańcucha:

1. Obraz – kamera rejestruje zdjęcie lub chmurę punktów 3D.
2. Przetwarzanie – oprogramowanie filtruje, normalizuje, analizuje obraz (klasyczne algorytmy lub AI).
3. Decyzja – wynik: OK / NOK, ewentualnie kilka klas jakości lub dodatkowe pomiary.
4. Akcja – wyrzut, sortowanie, sygnał do PLC, zapis do bazy.

Twoje zadanie jako osoby odpowiedzialnej za biznes: jasno określić, co ma się dziać po decyzji systemu. Czy wyrzutnik ma zdążyć przy dużej prędkości? Czy produkt ma być tylko oznaczony, a dalej decyduje człowiek? Bez tego integrator będzie zgadywał, a ty zapłacisz za niepotrzebną złożoność.

Jakie problemy jakości wizja maszynowa rozwiązuje dobrze, a jakie słabo

Obszary, w których systemy wizyjne są naprawdę mocne

Są typy kontroli, w których wizja maszynowa ma już status „sprawdzonej klasyki” i realnie przynosi korzyści. To przede wszystkim:

• Obecność/nieobecność elementów – brak śrubki, uszczelki, naklejki, zatyczki, pinu. Łatwe do zdefiniowania, klarowny efekt biznesowy.
• Pomiary geometryczne – długość, średnica, szerokość, odległość między otworami, nachylenie, pozycja. Klasyczne narzędzia metrologiczne w wersji bezdotykowej.
• Pozycja i orientacja detalu – „czy część leży prawą stroną do góry”, „czy otwór jest w odpowiednim miejscu”. Ważne przy podawaniu do robotów.

Typowe zastosowania, gdzie wizja maszynowa ma „pod górkę”

Są też zadania, przy których system wizyjny teoretycznie „powinien dać radę”, ale na hali szybko wychodzą ograniczenia. Zanim zainwestujesz, sprawdź, czy nie celujesz właśnie w taki obszar:

• Ocena ogólnej estetyki – „czy to wygląda ładnie”, „czy klient się nie przyczepi”. Granica między wadą a akceptowalnym wyglądem jest ruchoma i mocno zależy od oczekiwań rynku.
• Wady wieloznaczne i rzadkie – defekty, które pojawiają się sporadycznie, za każdym razem inaczej. Bez dużej bazy przykładów AI będzie strzelać na ślepo.
• Powierzchnie silnie refleksyjne – chrom, polerowane aluminium, błyszczące folie. Odbicia światła generują „fałszywe wady”, których nie widać gołym okiem.
• Materiały półprzezroczyste – szkło, folie, butelki PET. Tło mocno wpływa na obraz, niewielka zmiana otoczenia potrafi wywrócić algorytm.
• Wady wewnętrzne – pęknięcia w środku materiału, porowatość wewnętrzna, wtrącenia w masie. Tu zamiast klasycznej wizji 2D zwykle wchodzą w grę metody nieniszczące (RTG, ultradźwięki, CT).

Pytanie kontrolne: czy twój problem jakościowy dotyczy przede wszystkim wyglądu powierzchni, czy decyzji „podoba się / nie podoba się” klientowi? Jeśli tak, przygotuj się na długie uzgadnianie kryteriów akceptacji i iteracje modelu, zamiast „szybkiej automatyzacji”.

Granica między „da się” a „opłaca się”

Dużo rzeczy technicznie „da się” zrobić. Pytanie brzmi: za jaką cenę i w jakim czasie? Przykład z praktyki: producent okuć meblowych chce automatycznie oceniać mikro-rysy na chromowanych elementach. Integrator mówi: „zrobimy”, ale:

• trzeba zbudować tunel wizyjny odcinający odbicia z hali,
• potrzebne jest skomplikowane oświetlenie wielokierunkowe,
• konieczne jest ręczne oznaczenie tysięcy przykładów „akceptowalne” vs „nieakceptowalne”.

Technicznie – tak, to możliwe. Biznesowo – często bardziej opłaca się zostawić końcową estetykę człowiekowi i skupić wizję maszynową na obiektywnych wadach (brak elementu, deformacja, złe wymiary). Jaką część kontroli chcesz zautomatyzować, a gdzie człowiek nadal ma przewagę koszt/jakość?

Wizja maszynowa a źródło problemu jakości

Wizja maszynowa najczęściej jest w stanie wyłapać wadę, ale nie zawsze pomaga zmniejszyć jej powstawanie. Jeśli proces „produkuje śmieci”, system wizyjny zamieni się w maszynkę do wyrzucania dużej części produkcji.

Przed inwestycją zadaj sobie kilka pytań:

• Czy znasz główne przyczyny wad? – np. zbyt wysoka temperatura formy, źle ustawiona prasa, wahania wilgotności.
• Czy masz plan reakcji na wzrost odrzutów? – kto analizuje dane z systemu wizyjnego, kto podejmuje decyzje o korekcie parametrów?
• Czy linia jest w stanie stabilnie trzymać parametry? – jeśli nie, dostaniesz piękne wykresy odrzutów, ale bez możliwości poprawy procesu.

Dobrze zaprojektowana wizja maszynowa nie kończy się na „OK/NOK”. Powinna być sprzęgnięta z analizą przyczyn i działaniami korygującymi. W przeciwnym razie zamienisz problem „klient zwraca towar” na problem „my sami wyrzucamy pół produkcji”. Co jest dla ciebie większym kosztem?

Marketing wizji maszynowej vs. fizyka hali produkcyjnej

Obietnice „AI, która widzi wszystko” a rzeczywistość

Materiały marketingowe chętnie pokazują filmy, na których system wykrywa drobną rysę przy prędkości kilkudziesięciu detali na sekundę. Wygląda imponująco, ale czego na tych filmach nie widać?

• Kontrolowane warunki oświetleniowe, bez otwieranych drzwi, migających lamp i kurzu na lampach.
• Idealnie powtarzalne pozycjonowanie detalu, często na specjalnie zaprojektowanych paletach.
• Starannie wybrane przykłady wad i produktów – często „pod pokazy”, niekoniecznie reprezentatywne dla twojej realnej produkcji.

Pomyśl o swojej hali: zmiany brygad, regulacje „na oko”, różne partie surowców, zmiany temperatury i wilgotności. AI nie wyłączy fizyki. Jeśli obraz będzie za ciemny, prześwietlony, rozmyty albo zasłonięty olejem na szybce ochronnej, model – choćby najlepszy – zacznie się mylić.

Gdzie najczęściej zderza się marketing z rzeczywistością

Najwięcej rozjazdów widać zwykle w trzech obszarach. Przejdź po nich myślą w kontekście swojej linii.

1. Prędkość linii
   Deklaracje typu „do 2000 detali/min” bazują na idealnych warunkach. W realu dochodzi:
   • czas na ekspozycję (żeby zdjęcie nie było poruszone),
   • czas na obliczenia,
   • czas reakcji wyrzutnika lub robota.

   Jeśli prędkość jest dla ciebie krytyczna, zapytaj integratora: przy jakim czasie cyklu testowaliście to rozwiązanie na prawdziwych detalach, nie na broszurze?

2. Odporność na brud i zmiany warunków
   Kamera z brudną szybką „widzi” zupełnie inny świat. Zmiana jasności na hali o 30% (otwarte drzwi, dołożone lampy) potrafi wywrócić nawet dobrze strojone algorytmy. Czy w ofercie jest:
   • plan czyszczenia i inspekcji optyki,
   • monitorowanie jakości obrazu (alarm, gdy coś jest nie tak),
   • procedura ponownej kalibracji / dostrojenia modelu?

   Bez tego „bezobsługowy system AI” szybko przestaje być bezobsługowy.

3. Automatyczna adaptacja
   Slogany w stylu „system sam dostosuje się do zmian” trzeba demaskować jednym pytaniem: do jakich konkretnie zmian i w jakim zakresie? Zmiana odcienia materiału w granicach specyfikacji – ok. Zmiana dostawcy z inną fakturą powierzchni – to już zupełnie inne zadanie.

Jak czytać oferty dostawców wizji maszynowej

Gdy dostajesz ofertę lub prezentację, odejdź na chwilę od nazwy rozwiązania i skup się na kilku prostych kwestiach:

• Co jest gwarantowane, a co „docelowe”? – jaka jest minimalna deklarowana skuteczność (np. czułość/selektowność), a co jest „szacunkowe”?
• W jakich warunkach robiono benchmarki? – czy na twoich detalach, na twojej linii, czy na uniwersalnym demo?
• Ile czasu i pracy wymaga wdrożenie i strojenie? – tygodnie pracy inżynierów to też koszt, nawet jeśli nie pojawia się w pierwszej wycenie.
• Kto odpowiada za zmianę receptur / modeli? – czy twoi ludzie będą mogli sami dodać nowy typ detalu czy wad, czy za każdym razem wzywasz dostawcę?

Zanim klikniesz „zaakceptuj”, odpowiedz sobie szczerze: czy rozumiesz, za co płacisz – za gotowy produkt, czy za eksperyment na swojej linii?

Proste testy, które oddzielają marketing od realu

Zamiast wierzyć slajdom, poproś o pilotaż na prawdziwych danych. Kilka praktycznych kroków:

1. Zbierz reprezentatywną próbkę – zarówno dobrych, jak i złych detali. Nie „pokazowe wady”, tylko to, co faktycznie wychodzi z linii.
2. Wymuś test w warunkach zbliżonych do docelowych – te same prędkości, podobne oświetlenie, prawdziwy przenośnik.
3. Poproś o tabelę błędów – ile było fałszywych odrzutów (false positive), a ile przepuszczonych wad (false negative).
4. Zapytaj o scenariusz „co jeśli” – co jeśli zmieni się partia materiału, dostawca, wersja detalu?

Jeśli dostawca odmawia pilotażu lub unika rozmowy o liczbach błędów, zapala się lampka ostrzegawcza. Jakie pytania zadasz przy następnym spotkaniu handlowym?

Dane, dane i jeszcze raz dane – bez nich AI nie będzie działać

Jakie dane są naprawdę potrzebne do AI w wizji maszynowej

Modele oparte na deep learningu nie „magicznie uczą się widzieć”. Uczą się na bazie konkretnych przykładów. Im bardziej złożony problem, tym więcej rzetelnych danych trzeba przygotować.

Zastanów się, co już dzisiaj masz pod ręką:

• Zdjęcia dobrych detali – w różnych warunkach, z różnych zmian, z naturalną zmiennością procesu.
• Zdjęcia detali wadliwych – najlepiej z opisem, jaki to typ wady i czy klient ją reklamuje.
• Statystyki reklamacji i odrzutów – jaka jest struktura wad, które są krytyczne, które tylko „estetyczne”.
• Parametry procesu – powiązanie wad z temperaturą, prędkością, partią surowca, maszyną.

Im lepiej te dane są zorganizowane przed startem projektu, tym mniej „niespodzianek” w trakcie. Czy masz już dziś centralne miejsce, gdzie takie informacje spływają?

Jakość danych ważniejsza niż liczba zdjęć

Pokusą jest „natrzaskać jak najwięcej zdjęć” i liczyć, że model coś z tego wyciągnie. Tu pojawia się problem: jeśli dane są chaotyczne, źle podpisane albo niespójne z kryteriami jakości, AI nauczy się złych nawyków.

Kilka kluczowych zasad:

• Spójne kryteria oznaczania – ten sam typ wady zawsze oznaczaj tak samo. Jeśli trzech kontrolerów inaczej klasyfikuje tę samą rysę, model będzie „skołowany”.
• Wyklucz nieczytelne przykłady – zdjęcia poruszone, prześwietlone, z zasłoniętym defektem bardziej szkodzą niż pomagają.
• Równowaga klas – przy bardzo małej liczbie wad model może „nauczyć się”, że wszystko jest dobre. Wtedy z pozoru ma wysoką skuteczność, ale nie łapie prawdziwych defektów.

Jeśli dzisiaj nie jesteś w stanie spójnie dogadać się, co jest wadą a co nie – AI tylko przyspieszy chaos. Czy masz już wspólne standardy oceny między technologią, kontrolą jakości i działem handlowym?

Proces anotacji – kto, jak i kiedy opisuje dane

Najbardziej niedoszacowany koszt projektu AI w wizji to anotacja danych, czyli ręczne oznaczanie przykładów. To nie jest „praca dla stażysty”, jeśli mówimy o krytycznych wadach.

Przemyśl kilka kwestii:

• Kto ma prawo „decydować”, że coś jest wadą? – inżynier jakości, technolog, a może zespół, który uzgadnia zasady?
• Jaką masz procedurę przy sporach? – co jeśli dwie osoby ocenią ten sam detal inaczej?
• Jak utrzymasz spójność w czasie? – nowe osoby w zespole, nowe wymagania klientów, nowe wersje produktu.

Dobrym podejściem jest mały zespół „sędziów jakości”, który regularnie przegląda przykłady graniczne i ustala wspólne zasady. Czy ktoś u ciebie ma dziś formalnie taką rolę?

Uczenie wstępne vs. uczenie w trakcie produkcji

Model można szkolić jednorazowo przed wdrożeniem albo rozwijać go stopniowo na danych z bieżącej produkcji. Każdy wariant ma swoje konsekwencje.

• Uczenie wstępne
  • plusy: szybszy start, mniej zamieszania na linii, łatwiej zaplanować testy,
  • minusy: model „nie zna” wszystkich przyszłych wariantów wad, wymaga późniejszych aktualizacji.
• Uczenie przyrostowe (w trakcie produkcji)
  • plusy: model adaptuje się do nowych wariantów, można reagować na pojawiające się problemy,
  • minusy: trzeba mieć proces zbierania i weryfikacji nowych przykładów, a zmiany modelu trzeba kontrolować (walidacja przed wdrożeniem na linię).

Zadaj dostawcy proste pytanie: jak będziemy dodawać nowe typy wad za rok czy dwa? Jeśli odpowiedź brzmi „wezwiecie nas i zrobimy projekt od nowa”, koszty eksploatacji mogą cię zaskoczyć.

Łączenie danych wizualnych z danymi procesowymi

Po co łączyć obraz z danymi z maszyn

Zdjęcie detalu mówi ci co jest nie tak. Dane procesowe podpowiadają dlaczego. Dopiero połączenie tych dwóch światów zaczyna realnie obniżać ilość braków, a nie tylko je segregować.

Zadaj sobie pytanie: czy wizja ma tylko „łapać” wady, czy ma również pomóc je wyeliminować? Jeśli to drugie, sam obraz nie wystarczy.

Najprostszy schemat wygląda tak: kamera wykrywa wadę, a system jednocześnie zapisuje stan procesu z tego momentu. To mogą być:

• nastawy (temperatury, ciśnienia, prędkości),
• identyfikatory gniazda, formy, narzędzia,
• informacje o partii materiału i dostawcy,
• alarmy i krótkie zakłócenia (mikrozatrzymania, drgania, błędy serwonapędów).

Po miesiącu takiej rejestracji często wychodzi na jaw, że „losowe” wady wcale nie są losowe. Czy dziś jesteś w stanie połączyć konkretny reklamowany detal z warunkami, w jakich powstał?

Typowe sposoby integracji obrazu z systemami produkcyjnymi

Nie musisz od razu budować pełnego „smart factory”. Zacznij od prostych połączeń, które da się utrzymać w ruchu.

• Sygnalizacja dwustanowa – system wizyjny wysyła tylko OK/NOK i znacznik czasu. Resztę (parametry procesu) loguje PLC, SCADA lub MES. Kluczem jest wspólna „oś czasu”.
• Wspólny identyfikator detalu – kod 2D, RFID lub „numer slotu” z przenośnika. Każde zdjęcie i każda porcja danych procesowych mają ten sam ID.
• Wspólna baza danych – zdjęcia (lub ich cechy) i parametry procesu trafiają do jednej bazy. Na początku może to być nawet dobrze zorganizowany serwer plików z CSV, byle spójnie.

Zanim poprosisz IT o „zaawansowaną analitykę”, odpowiedz sobie: czy w ogóle masz stabilne i jednoznaczne mapowanie: detal → parametry procesu → obraz?

Jak wyciągać wnioski z połączonych danych

Połączenie obrazu z procesem bywa przytłaczające: dużo sygnałów, setki parametrów. Zamiast wchodzić od razu w machine learning na danych procesowych, zacznij od prostych pytań:

• czy określone wady pojawiają się częściej na konkretnych gniazdach / formach?
• czy defekty rosną przy określonej kombinacji prędkości i temperatury?
• czy wady korelują z konkretnymi partiami materiału lub zmianami operatorów?

Po kilku takich analizach zobaczysz, które sygnały są naprawdę istotne. Dopiero wtedy ma sens dorzucanie modeli predykcyjnych, zamiast „mieszać” w ciemno wszystkie dostępne dane. Czy masz już dzisiaj kogoś, kto potrafi zadać takie pytania na styku jakości i utrzymania ruchu?

Pułapki przy łączeniu wizji z danymi z linii

Najczęstszy błąd to nadmiar i bałagan. Integruje się „wszystko ze wszystkim” i po pół roku nikt nie wie, co dany sygnał oznacza. Drugi – brak dbałości o czas i synchronizację.

Przy planowaniu integracji dopytaj dostawcę i własne IT:

• Jak synchronizowany jest czas między kamerą, PLC i bazą danych? – różnica kilkuset milisekund przy szybkich liniach potrafi całkiem pomylić detale.
• Jak opisane są sygnały? – czy po roku nowa osoba zrozumie, co kryje się pod „AI_FLAG_23” albo „Q_ERR_7”, czy potrzebna będzie „legenda w głowie” jednego automatykia?
• Kto ma prawo zmieniać konfigurację? – nagłe wyłączenie logowania jakiegoś parametru może unieważnić całe porównania historyczne.

Zastanów się: kto w twojej firmie realnie jest „właścicielem” danych jakościowych? Bez tego odpowiedzialność rozpływa się między działami, a projekty wizyjne zamieniają się w kolejną „czarną skrzynkę”.

Projektowanie stanowiska wizyjnego: oświetlenie, optyka i mechanika ważniejsze niż AI

Dlaczego „dobra kamera” nie wystarczy

W dyskusjach o wizji maszynowej najwięcej emocji budzą algorytmy i AI. Tymczasem jakość zdjęcia częściej zabija mechanika i oświetlenie niż model sieci neuronowej. Kamera widzi tylko to, co „dostarczy” jej układ mechaniczno–optyczny.

Zadaj sobie pytanie: czy twoje stanowisko pozwoli w ogóle zobaczyć wadę, którą chcesz łapać? Jeśli rysa ma kilka dziesiątych milimetra, a detal drga kilka milimetrów, żaden model ci jej nie pokaże.

Stabilne pozycjonowanie detalu

Najpierw mechanika, potem AI. Jeżeli detal za każdym razem leży inaczej, ma inną orientację, wygina się lub podskakuje, to model musi kompensować chaos, zamiast skupiać się na wadach.

Sprawdź krytyczne elementy:

• Powtarzalność pozycjonowania – czy detal ma ustalone referencje (bazowanie), czy „płynie” na taśmie?
• Drgania i ugięcia – czy mechanika pod kamerą ugina się lub wpada w rezonans przy większych prędkościach?
• Czas na stabilizację – czy detal ma choć ułamek sekundy „spokoju” w polu widzenia kamery?

Przy pierwszym przeglądzie zadaj sobie proste pytanie: czy człowiek widziałby tę wadę gołym okiem, stojąc tam, gdzie patrzy kamera? Jeśli nie – dlaczego oczekujesz, że zrobi to algorytm?

Oświetlenie – najtańszy „upgrade” systemu wizyjnego

Oświetlenie decyduje, czy dana wada w ogóle istnieje na obrazie. Ten sam detal przy innym świetle może wyglądać jak dobry albo fatalny. Zamiast zastanawiać się, „jaką sieć zastosować”, najpierw odpowiedz na pytanie: co chcesz podkreślić światłem?

Przy typowych zadaniach rozważ kilka scenariuszy:

• Wady powierzchniowe (rysy, zadrapania) – często sprawdzi się oświetlenie skośne (dark field), które „wydobywa” nierówności, zamiast je maskować.
• Kontrola kształtu i wymiarów – dobrze działa podświetlenie tła (backlight), które zamienia detal w wyraźny kontur.
• Druk, etykiety, kody – równomierne, rozproszone światło, żeby uniknąć refleksów i „przepaleń”.

Zastanów się, w jakich warunkach pracuje twoja linia: otwarte bramy, światło dzienne, migające lampy LED? Im więcej zmiennych w otoczeniu, tym ważniejsze, by oświetlenie stanowiska było „silniejsze i stabilniejsze” niż reszta hali.

Dobór optyki i rozdzielczości kamery

Kolejny krok to zimna kalkulacja: jaką najmniejszą wadę musisz zobaczyć i ile pikseli chcesz jej poświęcić? Jeśli defekt ma rozmiar 0,2 mm, a na obrazie ma jeden piksel, model nie ma czego analizować.

Prosty tok myślenia:

1. Określ minimalny rozmiar wady, którą chcesz wykrywać.
2. Załóż, że taka wada powinna mieć co najmniej kilka pikseli na obrazie (np. 3–5 w jednym wymiarze).
3. Policz, jakiej rozdzielczości i powiększenia potrzebujesz, biorąc pod uwagę pole widzenia (obszar detalu, który musi wejść w kadr).

Tu wychodzi na jaw wiele „kreatywnych oszczędności”: jedna kamera ma „obsłużyć” zbyt duży obszar, żeby było taniej. Efekt – albo nie widać drobnych wad, albo trzeba iść w bardzo drogie matryce o ogromnej rozdzielczości. W którym miejscu ty dziś stoisz – jedna kamera „do wszystkiego” czy rozsądny podział na kilka pól inspekcji?

Kontrola tła i otoczenia pola widzenia

Nawet najlepiej dobrane oświetlenie i kamera polegną, jeśli w kadr wchodzi wizualny „śmietnik”: fragmenty maszyn, ręce operatorów, losowe odbłyski. AI zaczyna wtedy uczyć się przypadkowych wzorców.

Przy projektowaniu stanowiska zadbaj o proste rzeczy:

• jednolite, matowe tło o kolorze kontrastującym z detalem,
• ekrany, osłony lub obudowy ograniczające niekontrolowane światło,
• wyeliminowanie elementów ruchomych w tle (łańcuchy, rolki, taśmy).

Zapytaj integratora: jakie zmiany w otoczeniu kamery przewidzieliście – czy ktoś może „od tak” dołożyć tam lampę, lustro, monitor? Jeśli odpowiedzią jest „jakoś to będzie”, za kilka miesięcy czeka cię nieplanowane strojenie modelu.

Utrzymanie czystości optyki i stabilności stanowiska

Realna hala nie jest laboratorium. Pył, mgła olejowa, woda, wióry – wszystko to w końcu trafi na szybę ochronną kamery i lamp. Obraz będzie się pogarszał powoli, przez co nikt nie zauważy, kiedy system zaczyna „głupieć”.

Dlatego w projekcie stanowiska od razu odpowiedz sobie na kilka pytań:

• Jak często i kto ma czyścić optykę – i czy to jest wpisane w standardowe checklisty utrzymania ruchu?
• Czy szybę ochronną da się łatwo wymienić – bez rozkalibrowania całego układu?
• Czy masz monitoring jakości obrazu – np. automatyczny wskaźnik ostrości/kontrastu, który zgłosi alarm, gdy coś zaczyna się psuć?

Spójrz na swoje linie: które stanowiska „brudzą się” najszybciej? Czy planujesz tam wizję maszynową bez zmian w osłonach i odciągach?

Testy mechaniczne przed „dokręceniem” AI

Dobrym nawykiem jest etap, który wielu pomija: próby na sucho samej mechaniki i optyki, jeszcze bez pełnego modelu AI. Celem jest sprawdzenie, czy obraz jest stabilny przy różnych prędkościach i warunkach pracy.

Możesz poprosić integratora o prosty zestaw testów:

• nagranie serii zdjęć lub wideo przy minimalnej i maksymalnej prędkości linii,
• analizę drgań i rozmycia (czy krawędzie są ostre, czy „ciągną się”),
• sprawdzenie powtarzalności położenia detalu na obrazie (np. histogram pozycji krawędzi).

Dopiero gdy te testy przejdą pozytywnie, sensownie jest inwestować czas w dopieszczanie modelu AI. W przeciwnym razie pracujesz jak chirurg z trzęsącą się ręką – możesz mieć najlepsze narzędzia, ale baza jest niestabilna. Zastanów się: czy w twoich ostatnich projektach najpierw „łatałeś” mechanikę, gdy AI „nie dawało rady”?

Modularność stanowiska na przyszłe zmiany

Produkty zmieniają się szybciej niż linie. Nowy wariant długości, inna etykieta, zmiana koloru materiału – każda z tych rzeczy może wymusić korekty w wizji. Jeśli stanowisko jest zabetonowane na sztywno, każda modyfikacja kosztuje krocie.

Przy projektowaniu zadaj integratorowi kilka konkretnych pytań:

• czy oświetlenie i kamery mają regulowane położenie z możliwością powtarzalnego ustawienia (np. podziałki, pozycjonery)?
• czy przewidziano zapas rozdzielczości i pola widzenia na przyszłe, nieco większe detale?
• czy dokumentacja zawiera procedury przezbrajania stanowiska pod nowy wariant produktu?

Odpowiedz sobie szczerze: jak często zmieniasz asortyment na liniach, na których myślisz o wizji? Jeśli częściej niż raz na kilka lat, sztywne, nieprzestawne stanowisko będzie kulą u nogi, niezależnie od tego, jak „mądre” AI na nim postawisz.

Najczęściej zadawane pytania (FAQ)

Do czego realnie przydaje się wizja maszynowa w kontroli jakości?

Najpierw zadaj sobie pytanie: jaki masz cel – mniej braków, mniej reklamacji, krótszy czas inspekcji czy zdjęcie ludzi z monotonnej kontroli? Wizja maszynowa jest narzędziem, które przekłada się na konkretne KPI, a nie gadżetem „żeby mieć AI na linii”.

W praktyce systemy wizyjne służą głównie do: redukcji błędów ludzkich, ujednolicenia oceny jakości, skrócenia czasu kontroli, zapewnienia traceability (zdjęcie każdego detalu) oraz wyłapywania wad wcześniej w procesie, zanim produkt „obrośnie” w koszt. Bez jasno ustawionego priorytetu łatwo skończyć z drogim systemem, który „trochę pomaga”, ale nie poprawia kluczowego wskaźnika.

Kiedy wizja maszynowa ma sens, a kiedy wystarczy zwykły czujnik?

Dobre pytanie wyjściowe brzmi: czy potrzebujesz pełnego obrazu detalu, czy tylko odpowiedzi „tak/nie” z jednego punktu? Jeśli wystarczy informacja typu „jest / nie ma elementu” w jednym miejscu, często wygra prosty czujnik dyfuzyjny, indukcyjny, laserowy czy kontrastu.

Wizja maszynowa ma sens, gdy:

• musisz ocenić kształt, powierzchnię, nadruk, kilka cech naraz,
• wady są różnorodne i trudno je opisać jednym progiem,
• chcesz archiwizować obraz każdego detalu (traceability i obrona przy reklamacjach),
• ocena „na oko” jest dzisiaj subiektywna i różni się między kontrolerami.

Gdy pytasz sam siebie: „czy tu naprawdę potrzebuję zdjęcia?”, a odpowiedź brzmi „raczej nie” – system wizyjny to najpewniej przerost formy nad kosztem i serwisem.

Jak określić cele biznesowe dla projektu wizji maszynowej?

Najpierw odpowiedz na kilka prostych, ale konkretnych pytań: o ile chcesz zmniejszyć odsetek braków lub reklamacji? O ile skrócić czas inspekcji jednego detalu? Ile stanowisk ręcznej kontroli chcesz zautomatyzować i w jakim czasie? Jakie ryzyko biznesowe chcesz ściąć (kary, zwroty, utrata klienta)?

Dopiero z takimi liczbami możesz ocenić, czy inwestycja się spina. Usiądź z technologiem, kierownikiem produkcji, jakościowcem i automatykiem. Zapytaj: co już próbowaliście (czujniki, checklisty, kontrola off-line)? Jakie macie dane o wadach i reklamacjach? Jeśli w którymś miejscu zapada cisza – to znak, że najpierw trzeba doprecyzować proces i sposób liczenia KPI, a dopiero potem rozmawiać o kamerach czy AI.

AI vs klasyczne algorytmy w wizji maszynowej – co wybrać?

Kluczowe pytanie: czy potrafisz opisać swój problem prostymi, matematycznymi regułami? Jeśli tak – najczęściej wystarczą klasyczne algorytmy (progi jasności, dopasowanie wzorca, pomiary geometrii, krawędzie, kolory). Dają przewidywalne zachowanie, łatwą walidację i mniejsze wymagania sprzętowe, a do działania zwykle nie potrzebują tysięcy przykładów wad.

AI / deep learning opłaca się wtedy, gdy operatorzy mówią: „to widać na oko, ale ciężko to ubrać w jednoznaczne kryteria”. Sprawdza się przy złożonych defektach powierzchni, naturalnej zmienności wyglądu detalu czy w sytuacjach, gdzie klasyczne metody „głupieją” od drobnych zmian oświetlenia czy koloru materiału. W zamian musisz mieć dobrze zebrane i opisane dane (zdjęcia dobrych i wadliwych sztuk) oraz mocniejszy sprzęt do przetwarzania.

Jakie elementy są kluczowe w systemie wizyjnym do QA?

W praktyce każdy system wizyjny składa się z kilku wspólnych bloków: kamery, optyki (obiektyw), oświetlenia, jednostki przetwarzającej, oprogramowania oraz integracji z linią (PLC, wyrzutniki, roboty) i z systemami IT (MES, ERP, bazy danych, archiwizacja zdjęć). Gdzie dziś masz najsłabsze ogniwo?

Typowy błąd to skupienie się tylko na „inteligentnej kamerze”, przy przypadkowo dobranym oświetleniu czy obiektywie „bo był na magazynie”. Efekt: system działa jedynie przy idealnym ustawieniu produkcji. Dobrą praktyką jest rozpoczęcie od testów: różne warianty oświetlenia, odległości, obiektywów – i dopiero potem wybór kamer oraz algorytmów. Sprzęt AI nic nie da, jeśli obraz z kamery jest od początku słaby.

Jakie typy kamer wizyjnych stosuje się w kontroli jakości i kiedy którą wybrać?

Zacznij od odpowiedzi: co kontrolujesz – pojedynczy detal, długie profile, powierzchnie w ruchu, objętość? Dla większości klasycznych zadań (obecność elementów, nadruki, proste wymiary) w zupełności wystarcza kamera 2D „zdjęciowa”. Gdy detal jest mały, a wada subtelna, sięgasz po wyższą rozdzielczość zamiast „mocniejszego AI”.

Kamera linijkowa ma sens przy foliach, papierze, profilach i elementach ciągłych – buduje obraz linia po linii, gdy produkt się porusza. Kamery 3D wykorzystasz tam, gdzie kluczowa jest informacja o wysokości, objętości lub deformacji w osi Z (np. kształt lutów, objętość kleju, deformacje opakowań). Dobre pytanie pomocnicze: czy decyzja o OK/NOK zależy od kształtu w przestrzeni, czy tylko od „płaskiego” obrazu? To często od razu wskazuje, czy wchodzisz w 3D, czy zostajesz przy 2D.

Jak przygotować firmę do wdrożenia wizji maszynowej, zanim zaproszę dostawcę?

Na start zbierz dane i odpowiedzi, których integrator i tak będzie od ciebie wymagał. Zadaj wewnątrz zespołu pytania: jaki dokładnie masz cel liczbowy (braki, reklamacje, czas inspekcji, koszty pracy)? Jak dziś wygląda proces kontroli – krok po kroku? Jakie typy wad występują i czy masz ich zdjęcia lub próbki?

Drugi krok to ustalenie, jakie decyzje ma podejmować system: tylko odrzut na zrzutnię, czy też sortowanie na klasy jakości, przekierowanie na poprawki, zatrzymanie linii, a może regulacja parametrów procesu. Im lepiej to opiszesz przed pierwszym spotkaniem z dostawcą, tym mniejsze ryzyko, że projekt rozmyje się w ogólnikach typu „ma to sprawdzać jakość” i skończy się drogim POC bez realnego wpływu na KPI.

Co warto zapamiętać

• Zaczynaj od celu biznesowego, a nie od hasła „chcę AI” – sprecyzuj, czy chodzi o mniej braków, krótszy czas inspekcji, redukcję reklamacji, odciążenie ludzi czy mocniejszą pozycję w rozmowach z klientem.
• Przełóż oczekiwania na liczby: o ile chcesz zmniejszyć odsetek braków, skrócić czas kontroli jednego detalu, ile stanowisk ręcznej kontroli zastąpić i w jakim czasie – bez tego każda oferta systemu wizyjnego będzie strzałem na ślepo.
• Wizja maszynowa ma kilka typowych ról: eliminuje błędy i zmęczenie operatorów, standaryzuje ocenę jakości, zapewnia traceability (zdjęcie + dane partii), przyspiesza inspekcję i przesuwa kontrolę bliżej źródła problemu – który z tych efektów jest u ciebie numerem jeden?
• Nie wszędzie potrzeba kamery i AI – jeśli wystarczy odpowiedź „tak/nie” w jednym punkcie (obecność detalu, etykiety, prawidłowa wysokość), tańszy i prostszy będzie zwykły czujnik lub rozwiązanie mechaniczne; pytanie pomocnicze: czy naprawdę potrzebuję obrazu?
• Przed rozmową z dostawcą zrób „domowe zadanie”: z zespołem odpowiedz na pytania „jaki masz cel?”, „co już próbowałeś?”, „jakie masz dane o wadach i reklamacjach?” oraz „jakie decyzje system ma podejmować – tylko odrzut, czy np. sortowanie i sterowanie procesem?”. Cisza przy którejś odpowiedzi pokazuje, gdzie proces jest jeszcze niedoprecyzowany.

Bibliografia

• ISO 9001:2015 Quality management systems — Requirements. International Organization for Standardization (2015) – Wymagania dot. systemów jakości, kontekst redukcji braków i reklamacji
• ISO 2859-1:1999 Sampling procedures for inspection by attributes. International Organization for Standardization (1999) – Procedury kontroli jakości, inspekcja atrybutowa, powiązanie z KPI braków
• Machine Vision Handbook. Springer (2017) – Przegląd komponentów systemów wizyjnych: kamera, optyka, oświetlenie, integracja
• Handbook of Machine and Computer Vision: The Guide for Developers and Users. Wiley-VCH (2011) – Podstawy wizji maszynowej, typowe zastosowania w kontroli jakości
• Deep Learning for Vision Systems. Manning Publications (2020) – Porównanie klasycznych algorytmów i deep learningu w zadaniach inspekcji wizualnej
• Vision Systems – Fundamentals and Applications. Elsevier (2019) – Architektura systemów wizyjnych, jednostki przetwarzające, integracja z linią
• IEC 61496-1:2012 Safety of machinery – Electro-sensitive protective equipment. International Electrotechnical Commission (2012) – Wymagania bezpieczeństwa dla systemów czujników w maszynach, kontekst alternatyw do wizji