Wykrywanie wad w produkcji z AI: przewodnik po studiach przypadku

Projekt wykrywania wad z użyciem AI w produkcji polega na tym, że kamery i wytrenowany model wizyjny sprawdzają każdą część na linii względem wyuczonego obrazu „dobrego” wyrobu i oznaczają odchylenia. Najbardziej użyteczne studia przypadku pokazują metodę, dane i metryki, a przy tym uczciwie przyznają, że o sukcesie decyduje pilotaż, a nie sam model.

Najważniejsze wnioski

• Kontrola wzrokowa wykonywana przez ludzi jest mniej niezawodna, niż zakłada większość zakładów: w badaniu Sandia przeszkoleni inspektorzy wychwycili 85% wadliwych części, a jednocześnie błędnie odrzucili 35% dobrych.
• Działający system składa się z pięciu elementów: kamery i oświetlenia, wstępnego przetwarzania obrazu, modelu detekcji, akcji odrzucenia lub alertu oraz pętli zwrotnej do ponownego trenowania.
• Studium przypadku oceniaj po liczbach sprzed i po wdrożeniu, zakresie wad, odsetku fałszywych odrzuceń i czasie trwania pilotażu. Każdą wartość bez punktu odniesienia traktuj jak marketing.
• Włącz inspektorów od pierwszego dnia. Wiedzą, jak wady wyglądają naprawdę i w czym obraz może wprowadzać w błąd, a model jest tak dobry, jak ich etykiety.
• Zaplanuj zmianę platformy: AWS wycofał Amazon Lookout for Vision 31 października 2025 r., więc zadbaj o przenośność swoich obrazów i etykiet.

Co tak naprawdę dowodzi studium przypadku wykrywania wad z AI?

Dobre studium przypadku dowodzi, że konkretny model wychwycił konkretne wady na konkretnej linii w porównaniu ze zmierzonym punktem odniesienia. Nie dowodzi, że ten sam wynik przeniesie się na Twoje części, oświetlenie czy prędkość linii.

Wiele publikowanych „studiów przypadku” pomija to, co ważne. Podają skuteczność wykrywania, nie mówiąc, ile wadliwych próbek było w zbiorze testowym, albo raportują ROI bez podstawy kosztowej. Zanim zaufasz jakiejś liczbie, zadaj cztery pytania:

• Jaki był punkt odniesienia? Kontrola ręczna, próbkowanie czy system kamer oparty na regułach. Każdy daje inny punkt wyjścia.
• Jakie klasy wad objęto zakresem? Zarysowania i wgniecenia są łatwiejsze niż pęknięcia włosowate czy zanieczyszczenia.
• Co działo się z dobrymi częściami? Model, który odrzuca zbyt wiele dobrych części, przenosi koszt z wad przepuszczonych na braki i poprawki.
• Jak długo system pracował na produkcji? Dwutygodniowy pilotaż przy kontrolowanym oświetleniu niewiele mówi o szóstym miesiącu, gdy nowy dostawca zmienia wykończenie powierzchni.

Dlaczego kontrola ręczna zostawia pole do poprawy

Kontrola ręczna jest elastyczna, ale niespójna, a ta niespójność objawia się zarówno przeoczonymi wadami, jak i zbędnymi brakami.

Najwyraźniejsze publiczne dowody pochodzą z badania niezawodności kontroli wzrokowej przeprowadzonego przez Sandia National Laboratories. Osiemdziesięciu dwóch inspektorów sprawdziło 140 części pod kątem ośmiu typów wad. Poprawnie odrzucili 85% wadliwych elementów, ale odrzucili też 35% części akceptowalnych. Autorzy zauważają, że skuteczność wykrywania nie była wiele wyższa od średniej branżowej wynoszącej około 80%, a samo zadanie było obciążające psychicznie.

Te liczby dotyczą precyzyjnych części w środowisku o wysokiej stawce, więc nie są uniwersalnym wzorcem. Pokazują jednak dwa rodzaje błędów, które musi pokonać każdy system automatyczny: wady przepuszczone i fałszywe odrzucenia. Zmęczenie, zmiany obsady i różne osobiste progi inspektorów przesuwają te wartości.

Statystyczna kontrola procesu (SPC) pomaga w wykrywaniu trendów, ale działa na próbkowanych pomiarach, po fakcie. Mówi, że proces dryfuje, a nie że część nr 4312 ma pęknięcie. Kontrola kamerowa wypełnia tę lukę, sprawdzając każdą sztukę z prędkością linii.

Przykład publiczny: platforma AIQX firmy BMW

BMW Group opisuje swoją wewnętrzną platformę AIQX („Artificial Intelligence Quality Next”) jako kluczowy element systemu produkcyjnego. Według artykułu BMW o AIQX kamery i czujniki wzdłuż przenośnika zasilają modele AI, które analizują dane w czasie rzeczywistym i przekazują informacje zwrotne pracownikom linii na inteligentne urządzenia.

Przykłady podawane przez BMW są praktyczne, a nie efektowne:

• Potwierdzanie, że zbudowano właściwy wariant i że zespół jest kompletny.
• Wychwytywanie brakującego elementu, na przykład trójkąta ostrzegawczego, i alarmowanie pracowników oraz systemów produkcyjnych.
• Acoustic Analytics w zakładzie w Dingolfing: mikrofony rejestrują dźwięk jazdy, a model AI klasyfikuje go jako końcową kontrolę przed przekazaniem pojazdu.

BMW nie podaje w tym artykule wskaźników wad ani ROI dla AIQX, więc my też żadnych nie cytujemy. Lekcja tkwi w projekcie: wiele wąskich, dobrze zdefiniowanych kontroli wpiętych w linię i w pracę załogi, a nie jeden model, który „widzi wszystko”.

Przykład z praktyki: kontrola ułożenia paneli słonecznych

Aby uczynić metodę konkretną, oto jak zwykle buduje się kamerowy potok kontroli montażu paneli słonecznych. Panele wymagają submilimetrowego ułożenia ogniw i taśm, a drobne pęknięcia lub przesunięcia obniżają później uzysk w terenie.

Zwróć uwagę, że kroki od 2 do 4 to klasyczna wizja komputerowa, a nie głębokie uczenie. Kontrole geometrii z jasnymi tolerancjami są często bardziej niezawodne i łatwiejsze do wyjaśnienia za pomocą reguł. Głębokie uczenie zyskuje swoje miejsce w kroku 5, gdzie wady są zbyt zróżnicowane, by opisać je regułami.

Jakie modele stosuje się do wykrywania wad?

Splotowe sieci neuronowe (CNN) są domyślnym wyborem do klasyfikowania i lokalizowania widocznych wad. Gdy masz mało wadliwych próbek, modele detekcji anomalii, takie jak autoenkodery, uczą się, jak wyglądają normalne części, i oznaczają wszystko, co odtwarzają słabo. Obrazy syntetyczne, na przykład z modeli generatywnych, mogą uzupełnić przykłady rzadkich wad, ale nigdy nie powinny być jedynymi danymi testowymi.

Jak przeprowadzić pilotaż, który da prawdziwe studium przypadku

Pilotaż powinien odpowiadać na jedno pytanie: czy ten model na tej linii pokonuje obecną kontrolę pod względem wad przepuszczonych i fałszywych odrzuceń przy akceptowalnym koszcie?

1. Wybierz jedno stanowisko i dwie lub trzy klasy wad. Wybierz te, które kosztują realne pieniądze w brakach, poprawkach lub zwrotach.
2. Najpierw zmierz punkt odniesienia. Zapisuj bieżący odsetek wad przepuszczonych, fałszywych odrzuceń i czas kontroli na sztukę przez co najmniej kilka tygodni.
3. Dopracuj optykę przed modelem. Oświetlenie, obiektyw i montaż powodują więcej porażek niż wybór modelu. Testuj przy rzeczywistej prędkości przenośnika.
4. Zbuduj oznaczony zbiór danych razem z inspektorami. Uzgodnijcie katalog wad ze zdjęciami każdej klasy i przypadków granicznych.
5. Uruchom w trybie cienia. Pozwól systemowi oznaczać części, podczas gdy decyzje nadal podejmują ludzie. Porównaj obie strony na tych samych sztukach.
6. Ustal progi wspólnie z jakością i produkcją. Każdy próg to kompromis między wadami przepuszczonymi a brakami.
7. Spisz wyniki razem z punktem odniesienia. Ten dokument jest Twoim wewnętrznym studium przypadku i podstawą skalowania.

Dlaczego inspektorzy mają największe znaczenie

Zespół, który buduje system bez inspektorów, prawdopodobnie przeoczy, jak wady są faktycznie rozpoznawane i gdzie obrazy bywają błędnie odczytywane. Inspektorzy wiedzą, które ślady są nieszkodliwe, które kąty ukrywają pęknięcia i które „wady” to zwykłe odbicia. Włącz ich w etykietowanie i przeglądy progów oraz daj im prosty sposób na zakwestionowanie decyzji modelu. Takie spory stają się Twoimi najlepszymi danymi do ponownego trenowania.

Wybory dotyczące chmury, edge i platformy

Inferencja zwykle działa na brzegu (edge), obok linii, ponieważ decyzja o odrzuceniu często musi zapaść w milisekundy, a linia musi pracować dalej, gdy sieć zawiedzie. Chmura jest właściwym miejscem na przechowywanie obrazów, etykietowanie, trenowanie i monitorowanie dokładności modeli w całej flocie.

Zadbaj o przenośność danych. AWS zamknął Amazon Lookout for Vision dla nowych klientów w październiku 2024 r. i wycofał go 31 października 2025 r., kierując użytkowników do Amazon SageMaker, Amazon Bedrock i rozwiązań partnerskich, jak opisano w wytycznych AWS dotyczących migracji. Zespoły, które trzymały własne obrazy i etykiety w otwartych formatach, mogły się przenieść. Zespoły, które miały tylko model wewnątrz usługi, musiały zaczynać od nowa.

Typowe powody, dla których projekty utykają

• Za mało obrazów wad. Dobre linie produkują mało wad. Zacznij zbierać odrzucone części i obrazy na kilka miesięcy przed trenowaniem.
• Dryf oświetlenia. Wymieniona lampa albo światło słoneczne wpadające przez okno może zepsuć model, który działał w pilotażu.
• Zmiany produktu. Nowe warianty wymagają nowych etykiet. Zaplanuj budżet na ponowne trenowanie jako normalną eksploatację, a nie projekt.
• Brak właściciela po uruchomieniu. Ktoś musi co tydzień obserwować odsetek fałszywych odrzuceń i odpowiadać za pętlę ponownego trenowania, tak jak ktoś odpowiada za maszynę.
• Integracja zostawiona na koniec. Sygnał PLC, mechanizm odrzucania i logowanie w MES zajmują tyle samo czasu co model.

Jak pomaga Opsio

Opsio buduje i prowadzi systemy zautomatyzowanej kontroli wizyjnej oraz oferuje doradztwo w zakresie wizji komputerowej z zespołów w Karlstad i Bangalore. Zaczynamy od ograniczonego pilotażu na jednym stanowisku, mierzymy punkt odniesienia wraz z Twoim zespołem jakości i przygotowujemy stronę chmurową dla obrazów, trenowania i monitorowania modeli w ramach szerszych usług danych i AI. Porównanie narzędzi znajdziesz w naszym przewodniku porównanie systemów wykrywania wad na liniach produkcyjnych.

Najczęściej zadawane pytania

Jak dokładne jest wykrywanie wad z AI w porównaniu z inspektorami?

Zależy to od wady i konfiguracji, dlatego żądaj zbioru testowego stojącego za każdą deklaracją dokładności. Użyteczne porównanie to Twój własny punkt odniesienia: badanie Sandia wykazało, że przeszkoleni inspektorzy wychwycili 85% wadliwych części, odrzucając przy tym 35% dobrych, co pokazuje, ile miejsca ma dobrze zbudowany system.

Jakie typy wad potrafi wykrywać wizja komputerowa?

Wady powierzchni, takie jak zarysowania, wgniecenia, odpryski i plamy, wady geometryczne, takie jak nierówne ułożenie lub złe wymiary, oraz wady montażu, takie jak brakujące lub niewłaściwe komponenty. Wady wewnętrzne wymagają innych czujników, na przykład promieniowania rentgenowskiego, ultradźwięków lub kontroli akustycznej.

Ile obrazów potrzeba do wytrenowania modelu wykrywania wad?

Nie ma stałej liczby. Modele detekcji anomalii mogą startować wyłącznie z obrazów dobrych części, natomiast klasyfikatory potrzebują oznaczonych przykładów każdej klasy wad. Zaplanuj zbieranie obrazów przez kilka tygodni przed trenowaniem i dodawaj kolejne sporne przypadki później.

Jak długo trwa pilotaż kontroli wizyjnej z AI?

Większość czasu pochłaniają pomiar punktu odniesienia, optyka i etykietowanie, a nie trenowanie modelu. O wiarygodności wyniku decyduje praca w trybie cienia na tyle długa, by objąć normalną zmienność zmian, partii i dostawców.

Czym AWS zastąpił Lookout for Vision?

AWS nie wprowadził bezpośredniego następcy. Jego wytyczne wskazują Amazon SageMaker, w tym gotowe modele wykrywania wad w SageMaker JumpStart, Amazon Bedrock dla przypadków bez ścisłych wymagań dotyczących opóźnień oraz rozwiązania partnerskie.