AI-fejldetektering i produktion: en guide med casestudier

Et projekt med AI-fejldetektering i produktionen sætter kameraer og en trænet visionmodel på linjen, så hver enkelt del sammenlignes med et lært billede af "god" og markeres, når den afviger. De brugbare casestudier viser metoden, dataene og målingerne, og de er ærlige om, at det er pilotforløbet og ikke modellen, der afgør succesen.

Vigtigste pointer

• Manuel visuel inspektion er mindre pålidelig, end de fleste fabrikker går ud fra: I et studie fra Sandia fangede trænede inspektører 85 % af de defekte dele og kasserede fejlagtigt 35 % af de gode.
• Et fungerende system består af fem dele: kamera og belysning, billedforbehandling, en detektionsmodel, en afvisnings- eller alarmhandling og en feedbackløkke til gentræning.
• Bedøm en case ud fra tallene før og efter, de dækkede fejltyper, andelen af fejlagtige afvisninger og hvor længe piloten kørte. Behandl alle tal uden udgangspunkt som markedsføring.
• Inddrag inspektørerne fra første dag. De ved, hvordan fejl rent faktisk ser ud, og hvor billeder vildleder, og modellen er kun så god som deres labels.
• Planlæg for platformsskift: AWS lukkede Amazon Lookout for Vision den 31. oktober 2025, så sørg for, at dine billeder og labels kan flyttes.

Hvad dokumenterer en case om AI-fejldetektering egentlig?

En god case dokumenterer, at en bestemt model fandt bestemte fejl på en bestemt linje sammenlignet med et målt udgangspunkt. Den dokumenterer ikke, at det samme resultat kan overføres til dine dele, din belysning eller din linjehastighed.

Mange offentliggjorte "casestudier" springer netop de vigtige dele over. De angiver en detektionsrate uden at sige, hvor mange defekte prøver testsættet indeholdt, eller de oplyser ROI uden omkostningsgrundlaget. Før du stoler på et tal, bør du stille fire spørgsmål:

• Hvad var udgangspunktet? Manuel inspektion, stikprøver eller et regelbaseret kamerasystem. Hver giver et forskelligt startpunkt.
• Hvilke fejlklasser indgik? Ridser og buler er lettere end hårfine revner eller forurening.
• Hvad skete der med de gode dele? En model, der afviser for mange gode dele, flytter omkostningen fra fejl, der slipper igennem, til spild og omarbejde.
• Hvor længe kørte den i produktion? To ugers pilot under kontrolleret belysning siger meget lidt om måned seks, hvor en ny leverandør ændrer overfladefinishen.

Hvorfor manuel inspektion levner plads til forbedring

Manuel inspektion er fleksibel, men inkonsekvent, og inkonsekvensen viser sig både som oversete fejl og som unødvendigt spild.

Det tydeligste offentlige belæg kommer fra et studie af pålideligheden af visuel inspektion fra Sandia National Laboratories. Toogfirs inspektører kontrollerede 140 dele for otte fejltyper. De afviste korrekt 85 % af de defekte emner, men afviste også 35 % af de acceptable dele. Forfatterne bemærker, at hitraten ikke lå langt over et branchegennemsnit på omkring 80 %, og at opgaven var mentalt krævende.

Tallene stammer fra præcisionsdele i en situation med store konsekvenser og er derfor ikke en universel målestok. De viser dog de to fejlformer, som ethvert automatiseret system skal slå: fejl, der slipper igennem, og fejlagtige afvisninger. Træthed, skiftehold og forskellige personlige tærskler mellem inspektørerne flytter alle disse tal.

Statistisk proceskontrol (SPC) hjælper med at se tendenser, men arbejder med stikprøvemålinger bagefter. Den fortæller dig, at en proces driver, ikke at del nummer 4.312 har en revne. Kamerabaseret inspektion fylder det hul ved at kontrollere hver enkelt enhed i linjehastighed.

Et offentligt eksempel: BMW's AIQX-platform

BMW Group beskriver sin egen platform AIQX ("Artificial Intelligence Quality Next") som en central del af produktionssystemet. Ifølge BMW's egen artikel om AIQX leverer kameraer og sensorer langs transportbåndet data til AI-modeller, som analyserer dem i realtid og sender feedback til medarbejderne på linjen via smarte enheder.

BMW's eksempler er praktiske snarere end opsigtsvækkende:

• Bekræftelse af, at den rigtige variant er bygget, og at en samling er komplet.
• Opdagelse af en manglende detalje, for eksempel en advarselstrekant, og alarmering af medarbejdere og produktionssystemer.
• Acoustic Analytics på fabrikken i Dingolfing: Mikrofoner optager kørelyde, og en AI-model klassificerer dem som en afsluttende kontrol før overdragelse.

BMW offentliggør ikke fejlrater eller ROI-tal for AIQX i den artikel, så vi citerer ingen. Pointen ligger i designet: mange snævre, veldefinerede kontroller koblet ind i linjen og medarbejderne i stedet for én model, der "ser alt".

Eksempel fra praksis: inspektion af solpanelers justering

For at gøre metoden konkret viser vi her, hvordan en kamerabaseret inspektionspipeline til samling af solpaneler typisk bygges op. Paneler kræver justering af celler og ribbons på under en millimeter, og små revner eller forskydninger reducerer ydelsen senere i marken.

Bemærk, at trin 2 til 4 er klassisk computer vision og ikke deep learning. Geometrikontroller med klare tolerancer er ofte mere pålidelige og lettere at forklare med regler. Deep learning gør sig fortjent til sin plads i trin 5, hvor fejlene varierer for meget til at kunne beskrives med regler.

Hvilke modeller bruges til fejldetektering?

Convolutional neural networks (CNN'er) er standardvalget til at klassificere og lokalisere synlige fejl. Når du har få defekte prøver, lærer anomalidetektionsmodeller som autoencodere, hvordan normale dele ser ud, og markerer alt, de rekonstruerer dårligt. Syntetiske billeder, for eksempel fra generative modeller, kan tilføre eksempler på sjældne fejl, men de bør aldrig være dine eneste testdata.

Sådan kører du en pilot, der giver en ægte case

En pilot bør besvare ét spørgsmål: Slår denne model på denne linje den nuværende inspektion på fejl, der slipper igennem, og fejlagtige afvisninger til en acceptabel pris?

1. Vælg én station og to eller tre fejlklasser. Vælg dem, der koster rigtige penge i spild, omarbejde eller returvarer.
2. Mål udgangspunktet først. Registrér den nuværende andel af fejl, der slipper igennem, andelen af fejlagtige afvisninger og inspektionstid pr. enhed i mindst nogle uger.
3. Få optikken på plads før modellen. Belysning, linse og montering forårsager flere fejl end valget af model. Test med den reelle båndhastighed.
4. Byg et labelet datasæt sammen med inspektørerne. Aftal et fejlkatalog med billeder af hver klasse og grænsetilfælde.
5. Kør i skyggetilstand. Lad systemet markere dele, mens mennesker stadig afgør. Sammenlign begge på de samme enheder.
6. Fastlæg tærsklerne sammen med kvalitet og produktion. Hver tærskel afvejer fejl, der slipper igennem, mod spild.
7. Skriv resultaterne ned sammen med udgangspunktet. Dokumentet er din interne case og grundlaget for opskalering.

Hvorfor inspektørerne betyder mest

Et team, der bygger systemet uden inspektørerne, overser let, hvordan fejl faktisk genkendes, og hvor billeder ofte misforstås. Inspektørerne ved, hvilke mærker der er harmløse, hvilke vinkler der skjuler revner, og hvilke "fejl" der blot er refleksioner. Inddrag dem i labelling og gennemgang af tærskler, og giv dem en enkel måde at bestride en modelbeslutning på. Disse indsigelser bliver dine bedste gentræningsdata.

Valg af cloud, edge og platform

Inferens kører normalt på edge, tæt på linjen, fordi en afvisningsbeslutning ofte skal træffes på millisekunder, og fordi linjen skal fortsætte, hvis netværket falder ud. Cloud er det rigtige sted til billedlagring, labelling, træning og overvågning af modellens nøjagtighed på tværs af anlæg.

Hold dine data flytbare. AWS lukkede Amazon Lookout for Vision for nye kunder i oktober 2024 og nedlagde tjenesten den 31. oktober 2025 med henvisning til Amazon SageMaker, Amazon Bedrock og partnerløsninger, som beskrevet i AWS' vejledning til migrering. Teams, der selv havde deres billeder og labels i åbne formater, kunne flytte. Teams, der kun havde en model inde i tjenesten, måtte starte forfra.

Almindelige årsager til, at projekter går i stå

• For få billeder af fejl. Gode linjer producerer få fejl. Begynd at indsamle afviste dele og billeder måneder før træningen.
• Drift i belysningen. En udskiftet lampe eller sollys gennem et vindue kan ødelægge en model, der virkede i piloten.
• Produktændringer. Nye varianter kræver nye labels. Budgettér med gentræning som normal drift, ikke som et projekt.
• Ingen ejer efter go-live. Nogen skal følge andelen af fejlagtige afvisninger hver uge og eje gentræningsløkken, på samme måde som nogen ejer en maskine.
• Integrationen udskudt. PLC-signal, afvisningsmekanisme og MES-logning tager lige så lang tid som modellen.

Sådan hjælper Opsio

Opsio bygger og driver systemer til automatiseret visuel inspektion og tilbyder rådgivning inden for computer vision fra teams i Karlstad og Bangalore. Vi starter med en afgrænset pilot på én station, måler udgangspunktet sammen med dit kvalitetsteam og sætter cloud-delen op til billeder, træning og modelovervågning som en del af vores bredere data- og AI-tjenester. Hvis du vil se værktøjerne side om side, kan du læse vores guide til at sammenligne systemer til fejldetektering på produktionslinjer.

Ofte stillede spørgsmål

Hvor nøjagtig er AI-fejldetektering sammenlignet med menneskelige inspektører?

Det afhænger af fejlen og opsætningen, så bed om testsættet bag ethvert nøjagtighedskrav. Den brugbare sammenligning er dit eget udgangspunkt: Sandia-studiet fandt, at trænede inspektører fangede 85 % af de defekte dele, mens de afviste 35 % af de gode, hvilket viser, hvor meget et velbygget system kan forbedre.

Hvilke typer fejl kan computer vision opdage?

Overfladefejl som ridser, buler, afskalninger og pletter, geometriske fejl som skæv justering eller forkerte mål og samlefejl som manglende eller forkerte komponenter. Indre fejl kræver andre sensorer, for eksempel røntgen, ultralyd eller akustiske kontroller.

Hvor mange billeder skal der til for at træne en model til fejldetektering?

Der er intet fast tal. Anomalidetektionsmodeller kan starte med billeder af gode dele alene, mens klassifikatorer kræver labelede eksempler på hver fejlklasse. Regn med at indsamle billeder i flere uger før træningen og blive ved med at tilføje de omstridte tilfælde bagefter.

Hvor lang tid tager en pilot med AI-visuel inspektion?

Det meste af tiden går med måling af udgangspunktet, optik og labelling frem for modeltræning. Det er en kørsel i skyggetilstand, der er lang nok til at vise normal variation mellem skift, batches og leverandører, som gør resultatet troværdigt.

Hvad erstattede AWS Lookout for Vision med?

AWS lancerede ikke en direkte efterfølger. Vejledningen peger på Amazon SageMaker, herunder færdigtrænede modeller til fejldetektering i SageMaker JumpStart, Amazon Bedrock til anvendelser uden strenge krav til latenstid og partnerløsninger.

Mere fra vores vidensbank: Transform produktion: AI-drevet overfladedefektdetektion revolutionerer kvalitetskontrol