Systemy wizyjne z AI na liniach produkcyjnych: praktyczne zastosowania

Po co ci system wizyjny z AI na linii produkcyjnej?

Jakie problemy realnie rozwiązuje wizja maszynowa?

Jeśli myślisz o systemie wizyjnym z AI, prawdopodobnie coś już „nie domaga” w obecnym procesie. Jakie masz dziś największe problemy: reklamacje, fluktuacja jakości, przestoje, czy brak ludzi do kontroli? Od odpowiedzi na to pytanie zależy, czy inwestycja w inspekcję wizyjną na linii produkcyjnej ma sens.

Ręczna kontrola jakości i proste sensory bardzo szybko dochodzą do ściany. Człowiek męczy się, po kilku godzinach patrzenia na niemal identyczne detale przestaje widzieć drobne wady. Z kolei zwykłe czujniki fotoelektryczne czy indukcyjne są świetne do sprawdzenia „coś jest / czegoś nie ma”, ale kompletnie nie radzą sobie z subtelnymi defektami typu zarysowanie, przebarwienie, delikatna deformacja czy zabrudzenie powierzchni.

Typowe objawy, że obecne rozwiązania nie wystarczają:

• wady są wykrywane dopiero u klienta lub na końcu linii, gdy koszty przeróbek są najwyższe,
• operatorzy i kontrolerzy jakości mają różną „wrażliwość” – jednego dnia partia przechodzi, innego jest odrzucana,
• reklamacje rosną, ale przyczyna nie jest jasno zlokalizowana,
• kontrola jakości jest wąskim gardłem – detale czekają na inspekcję, a linia stoi.

System wizyjny z AI rozwiązuje te problemy na dwa sposoby. Po pierwsze, wprowadza ciągłą, obiektywną inspekcję – każdy produkt jest oceniany takimi samymi kryteriami, z tą samą „czujnością”, bez zmęczenia, bez gorszego dnia. Po drugie, pozwala wykrywać takie defekty, których człowiek nie zdążyłby nawet zarejestrować przy dużej prędkości linii: mikropęknięcia na kapslach, minimalne przesunięcia etykiet, niejednorodności barwy, delikatne deformacje.

Jak system wizyjny zmienia sposób myślenia o procesie? Zamiast polegać na okresowych próbkach, masz pełny, wizyjny monitoring procesu produkcyjnego. Widzisz, jak parametry jakości zmieniają się w czasie, możesz szybko powiązać ujawnione defekty z konkretną zmianą, partią surowca, operatorem czy ustawieniem maszyny. Przestajesz gasić pożary, zaczynasz zarządzać procesem na podstawie danych.

Jaki masz cel – oszczędność, jakość, bezpieczeństwo, dane?

Co jest twoim numerem jeden: mniej braków, mniej reklamacji, więcej danych o procesie, czy podniesienie bezpieczeństwa i ergonomii pracy? Bez jasnej odpowiedzi bardzo łatwo zbudować zbyt drogi, przekombinowany system wizyjny, który nie rozwiązuje kluczowego bólu.

Jeżeli celem jest redukcja braków, kluczowe stają się: skuteczność wykrywania defektów (czułość), flase positive (odrzucanie dobrych sztuk) i miejsce inspekcji w procesie. Gdy stawiasz na redukcję reklamacji, może się okazać, że celem nie jest „zero braków”, tylko „zero zwrotów” – czyli dopuszczasz minimalne wady, które nie wpływają na funkcjonalność, ale eliminujesz te, które klient zauważy lub które wpływają na bezpieczeństwo.

Przy zwiększaniu bezpieczeństwa priorytetem może być np. wizyjna weryfikacja poprawności montażu elementów odpowiedzialnych za bezpieczeństwo (poduszki powietrzne, mocowania foteli, komponenty wysokiego napięcia), albo monitoring stref niebezpiecznych wokół maszyn. Wtedy kluczowa jest niezawodność i jednoznaczność decyzji systemu, często z redundancją i dodatkowymi zabezpieczeniami hardware’owymi.

Gdy celem jest dostęp do danych, na pierwszy plan wysuwa się gromadzenie i analiza historii obrazów: archiwum zdjęć, statystyki typów wad, dashboardy dla inżyniera procesu, integracja z MES czy ERP. Samo wykrywanie defektów jest ważne, ale tak samo ważna staje się możliwość „cofnięcia taśmy” – sprawdzenia, kiedy coś zaczęło się psuć.

Przykład? Linia pakowania, w której celem nie jest „zero braków”, tylko „zero zwrotów”. Dopuszczalne są mikroskopijne niedoskonałości kartonu czy nadruku, ale niedopuszczalne są np. błędne kody EAN, złe daty przydatności, brak ulotki lub niekompletny zestaw w opakowaniu. System wizyjny z AI można w takim przypadku „nauczyć” rozróżniać defekty kosmetyczne od krytycznych, a logika decyzyjna może być ustawiona tak, by odrzucać opakowania z błędnymi kodami, a jednocześnie nie zatrzymywać linii z powodu nieistotnych rys na kartonie.

Jak chcesz to rozegrać u siebie? Wypisz trzy najważniejsze cele w kolejności ważności – to pomoże dobrać odpowiedni rodzaj systemu, architekturę i budżet.

Z czego składa się nowoczesny system wizyjny z AI?

Warstwa sprzętowa: kamera, obiektyw, oświetlenie, montaż

Najpierw hardware. Co już masz na linii: miejsce na montaż kamer, szafę sterowniczą, dostęp do zasilania, stabilne mocowania? Bez poprawnego „oczujnikowania” nic dalej nie zadziała, nawet najlepszy model AI.

Kamera jest tylko jednym z elementów. Czasem wystarczy kompaktowa kamera „smart”, która ma wbudowany procesor i proste algorytmy. Świetnie sprawdza się przy prostszych zadaniach: detekcja obecności, odczyt OCR, prosta weryfikacja kształtu. Przy bardziej złożonych zastosowaniach – np. wykrywanie złożonych tekstur, subtelnych wad powierzchni czy analiza wideo z wielu kamer – częściej stosuje się kamery przemysłowe podłączone do zewnętrznego komputera przemysłowego (IPC) lub serwera GPU.

Obiektyw decyduje o polu widzenia, ostrości i skali odwzorowania. Zbyt szeroki kąt? Detal będzie mały, a defekty znikną w kilku pikselach. Zbyt wąski? Trzeba będzie robić kilka zdjęć jednego produktu. Brak odpowiedniej przysłony? Głębokość ostrości okaże się za mała i część produktu będzie nieostra. Dobrany obiektyw to często różnica między modelem, który „widzi” wady, a takim, który ich nie „zauważa”, bo na obrazie ich po prostu nie ma.

Oświetlenie to najczęściej niedoceniany element. System wizyjny z AI potrzebuje powtarzalnych warunków oświetleniowych. Zmienność światła dziennego, odbicia od błyszczących powierzchni, cienie od elementów maszyny – wszystko to utrudnia zarówno tradycyjne algorytmy, jak i deep learning w systemach wizyjnych.

Najczęstsze typy oświetlenia w systemach wizyjnych:

• światło pierścieniowe – równomierne oświetlenie obiektu od frontu, dobre do wykrywania krawędzi, nadruków, ogólnego kształtu,
• światło rozproszone (kopułowe, „dome light”) – idealne do redukcji odbić na błyszczących powierzchniach, analiza tekstur,
• backlight (podświetlenie od tyłu) – tworzy silny kontrast sylwetki obiektu, świetne do pomiarów wymiarów zewnętrznych, konturów, szczelin.

Na koniec montaż i stabilność mechaniczna. Drgania przenoszone z maszyny, luźne ramiona, źle dobrane uchwyty – to prosta droga do rozmytych, niepowtarzalnych zdjęć. Przy prędkościach linii, gdzie produkt „płynie” z kilkoma metrami na sekundę, nawet drobne wibracje potrafią zniweczyć pracę algorytmów. Zanim zaczniesz myśleć o AI, odpowiedz sobie: czy sposób mocowania kamery i oświetlenia daje powtarzalny obraz?

Warstwa obliczeniowa: edge, serwer, chmura

Gdzie chcesz liczyć model AI: przy samej kamerze, w szafie sterowniczej, na centralnym serwerze w fabryce, czy w chmurze? Jaka jest akceptowalna latencja między przejściem produktu pod kamerą a decyzją „OK / NOK”?

Edge computing (liczenie na krawędzi, np. w kamerze smart lub małym komputerze przy linii) sprawdza się, gdy potrzebujesz bardzo szybkich reakcji: odrzucenie produktu na bieżąco, sterowanie wyrzutnikiem, blokada maszyny w przypadku krytycznych błędów. Zaletą jest niskie opóźnienie i brak zależności od sieci fabrycznej – wszystko dzieje się lokalnie. Wadą może być ograniczona moc obliczeniowa i pamięć, co wymusza kompaktowe modele i ograniczoną rozdzielczość obrazu.

Serwer w fabryce pozwala obsłużyć wiele kamer i linii jednocześnie, wykorzystać mocniejsze GPU oraz łatwiej zarządzać aktualizacjami modeli. Opóźnienie jest nadal niewielkie, jeśli sieć jest szybka, a dystans fizyczny niewielki. To kompromis między edge a chmurą – często najlepszy wybór przy rozbudowanych systemach wizyjnych z AI obejmujących całą halę.

Chmura ma sens tam, gdzie nie jest wymagana decyzja w czasie rzeczywistym lub gdy część zadań to analiza offline (np. trenowanie modeli, batchowa analiza defektów, raportowanie trendów). Przesyłanie strumienia wideo lub pełnych obrazów z wielu kamer do chmury w celu bieżącej inferencji zwykle się nie sprawdza: problemem jest przepustowość i opóźnienia, a także kwestie bezpieczeństwa danych.

Moc obliczeniowa musi być dopasowana do prędkości linii i rozdzielczości obrazu. Im wyższa rozdzielczość i im więcej detali musi być widocznych, tym większy ciężar obliczeniowy. Jeśli linia produkuje setki czy tysiące sztuk na minutę, trzeba bardzo precyzyjnie policzyć, ile czasu ma model na przeanalizowanie pojedynczego obrazu. Tu często warto zadać sobie pytanie: czy potrzebujesz pełnych obrazów w wysokiej rozdzielczości, czy wystarczą mniejsze ROI (regiony zainteresowania) lub obraz zeskalowany?

Warstwa aplikacyjna: modele AI, logika decyzyjna, interfejs

Warstwa aplikacyjna to miejsce, gdzie system wizyjny z AI „spotyka się” z realnym procesem produkcyjnym. Co chcesz, aby system robił: tylko wykrywał wady, czy także klasyfikował je, liczył statystyki, wysyłał alarmy, raportował zmiany trendów?

Model AI to serce wykrywania defektów. Zwykle korzysta się z sieci konwolucyjnych (CNN) do analizy obrazu, w tym z modeli nadzorowanych (uczenie na przykładach dobrych i złych produktów) lub nienadzorowanych (uczenie na przykładach dobrych produktów i wykrywanie anomalii). Często model AI nie działa samodzielnie, lecz w połączeniu z klasycznymi przekształceniami obrazu – filtrami, progami, segmentacją. Taka hybryda umożliwia szybsze działanie i lepszą kontrolę nad logiką systemu.

Logika decyzyjna może być rozproszona. Część może siedzieć w samym systemie wizyjnym (np. definicja progów dla wyników modelu), część w sterowniku PLC (reakcja na sygnał „NOK”, zatrzymanie linii, sterowanie wyrzutnikiem), część w systemie MES/SCADA (rejestrowanie wyników inspekcji, analiza trendów, powiązanie z partiami produkcyjnymi). W praktyce dobrze się sprawdza jasny podział: inspekcja i klasyfikacja w systemie wizyjnym, decyzje procesowe w PLC/MES.

Interfejs dla operatora i inżyniera procesu jest krytyczny. Jak chcesz, by operator „rozmawiał” z systemem? Zwykle potrzebuje:

• prostej wizualizacji: aktualny obraz z kamery, zaznaczone wady, status OK/NOK,
• podglądu odrzuconych sztuk i przyczyny odrzutu,
• podstawowych parametrów do regulacji (tam, gdzie to bezpieczne),
• alarmów w przypadku pogorszenia jakości lub awarii systemu.

Inżynier procesu, automatyk, technolog potrzebują natomiast dostępu do szerszych narzędzi: konfiguracji receptur, statystyk wad, eksportu danych, przeglądu historii obrazów. Jeśli system jest czarną skrzynką, którą można tylko „włączyć/wyłączyć”, szybko pojawia się frustracja i opór w zespole.

Jakie masz doświadczenia z interfejsami maszyn? Lubisz proste ekrany z kilkoma przyciskami, czy raczej rozbudowane narzędzia analityczne? To też warto uwzględnić przy wyborze platformy.

Klasyczne systemy wizyjne vs systemy oparte na AI – co się zmieniło?

Punkt wyjścia: reguły i progi kontra modele uczone na danych

Klasyczny system wizyjny działa w oparciu o reguły: ustawiasz progi jasności, kontrastu, trackujesz krawędzie, liczysz piksele w danym obszarze. Inspekcja jest deterministyczna – przy tych samych ustawieniach i tych samych obrazach zawsze dostaniesz te same wyniki. To ogromna zaleta przy powtarzalnych, dobrze zdefiniowanych zadaniach.

Gdzie klasyka działa świetnie?

• obiekty o wysokim kontraście, np. ciemny produkt na jasnym tle,
• sprawdzenie obecności/nieobecności części (śruba jest/nie ma śruby),
• dokładne pomiary wymiarów z użyciem backlightu,
• odczyt kodów kreskowych, DataMatrix, prosty OCR na wysokim kontraście.

Gdzie klasyczne podejście zaczyna się „rozsypywać”?

Problemy zaczynają się tam, gdzie produkt nie jest idealnie powtarzalny, a obraz zmienia się w sposób trudny do opisania prostymi progami. Masz na linii elementy z naturalnym materiałem (drewno, skóra, tkanina), odlewy, spoiny, powierzchnie szczotkowane lub polerowane? Klasyczne reguły szybko kończą się dziesiątkami wyjątków i „łatania” algorytmów.

Typowe symptomy, że klasyczny system doszedł do ściany:

• każda zmiana partii materiału wymaga korekty progów,
• fałszywe odrzuty rosną po kilku godzinach pracy (zmiana temperatury, zabrudzenie),
• operatorzy znają „patenty”, jak przełączyć recepturę lub poluzować ustawienia, żeby linia „jakoś szła”,
• próba dodania kolejnych kryteriów powoduje spadek stabilności całego systemu.

Zadaj sobie pytanie: czy więcej czasu spędzasz na utrzymaniu istniejących algorytmów niż na rozwijaniu procesu? Jeśli tak, to zwykle jest moment, kiedy AI zaczyna mieć biznesowy sens.

Co wnosi AI do systemów wizyjnych?

Systemy oparte na AI nie polegają na ręcznie strojonych progach, tylko na wzorach wyuczonych z danych. Nie opisujesz reguł typu „jeśli plamka ma 10 pikseli i jest ciemniejsza od tła”, tylko pokazujesz modelowi setki lub tysiące przykładów tego, co uznajesz za „OK” i „NOK”.

Główne zmiany w praktyce:

• elastyczność – model lepiej radzi sobie z naturalną zmiennością produktu (odcienie materiału, drobne różnice w fakturze, nieidealne pozycjonowanie),
• wykrywanie subtelnych wad – drobne rysy, wgniecenia, nierówności powierzchni, które trudno uchwycić prostymi filtrami,
• mniejsza liczba reguł „if-else” – logika przenosi się z warstwy kodu do warstwy danych (jak uczysz model, takie zachowanie otrzymujesz),
• łatwiejsza adaptacja do nowych wariantów – zamiast przepisywać algorytmy, dogrywasz nowe dane i retrenujesz model.

Zastanów się: czy twoje problemy są głównie geometryczne (wymiary, odległości, obecność elementów), czy raczej „wizualne” (tekstura, rysy, plamy, kolor)? AI najwięcej zysku daje w tej drugiej grupie.

Modele nadzorowane vs wykrywanie anomalii

Przy wdrażaniu systemu z AI jedno z kluczowych pytań brzmi: czy masz dane o wadach? A dokładniej: czy masz ich wystarczająco dużo i czy są dobrze opisane.

Modele nadzorowane potrzebują przykładów zarówno dobrych, jak i wadliwych produktów, oznaczonych etykietami (czasem też z zaznaczeniem obszaru wady na obrazie). Dają bardzo dobrą kontrolę nad tym, co jest wykrywane, ale:

• musisz mieć reprezentatywny zestaw wad (różne typy, różne warianty),
• musisz te dane opisać – a to zwykle najbardziej pracochłonny etap,
• przy pojawieniu się nowych typów wad trzeba model douczyć lub przeuczyć.

Modele anomalii działają inaczej. Uczą się, jak wygląda „dobry” produkt, a potem wychwytują odchylenia od tego wzorca. Ich zalety:

• nie potrzebujesz dużej liczby przykładów wad,
• model może wykryć nowy typ defektu, którego wcześniej nie widział,
• łatwiej je uruchomić w procesach, gdzie wady są rzadkie lub trudno je od razu skatalogować.

Cena za tę elastyczność jest taka, że czasem trudno precyzyjnie nazwać „typ wady”: system mówi „coś jest nie tak”, ale nie zawsze od razu powie „to rysa, to wtrącenie, to przebarwienie”. Dla wielu procesów to jednak wystarczające – najważniejsze, by w ogóle wyłapać różnicę.

Jak jest u ciebie: masz bogate archiwum zdjęć wad, czy raczej kilka przykładów i dużo nieoznaczonych danych? Od tego w dużej mierze zależy wybór podejścia.

Zmiana roli inżyniera: z „tunera progów” na „kuratora danych”

W klasycznych systemach inżynier spędza czas na ustawianiu filtrów, progów, stref zainteresowania. W systemach z AI bardziej przypomina kuratora danych i projektanta procesu uczenia.

Na czym to polega w praktyce:

• dbasz o dobre zbiory zdjęć – reprezentatywne, ostre, bez sztucznych artefaktów,
• organizujesz etykietowanie: kto oznacza wady, jakimi kategoriami, według jakich zasad,
• tworzysz reprezentatywne zestawy walidacyjne – aby mierzyć jakość modelu w warunkach zbliżonych do realnej produkcji,
• ustalasz zasady aktualizacji modelu: kiedy douczamy, kiedy zamrażamy, kiedy wprowadzamy nową wersję na linię.

Czy masz już w zakładzie właściciela danych jakościowych? Jeśli nie, wdrożenie systemu wizyjnego z AI często jest dobrym pretekstem, żeby taką rolę zdefiniować.

Utrzymanie systemu: serwis progów vs cykl życia modelu

Klasyczny system najczęściej „żyje” poprzez okresowe korekty ustawień: nowy materiał, inny dostawca, zmiana oświetlenia – i znowu korekta progów. System z AI ma inny cykl życia: wersje modelu, retrening, zmiany w pipeline przetwarzania.

Typowy cykl można opisać tak:

1. Zbierasz dane w warunkach rzeczywistej pracy linii.
2. Trenujesz model i testujesz go na wydzielonym zbiorze.
3. Wprowadzasz model w trybie „shadow” – działa na żywo, ale nie podejmuje decyzji procesowych, tylko loguje wyniki.
4. Porównujesz jego decyzje z rzeczywistą klasyfikacją jakościową.
5. Gdy wyniki są stabilne, przełączasz model w tryb produkcyjny.
6. Co pewien czas aktualizujesz model, dokładając nowe dane (np. nowe typy wad).

Masz już w organizacji proces zarządzania zmianą w systemach sterowania? Model AI powinien być objęty podobnym reżimem: wersjonowanie, testy, akceptacja, dokumentacja. Bez tego „magia AI” szybko zmienia się w chaos, którego nikt nie chce dotykać.

Bezpieczeństwo, audytowalność i „wyjaśnialność” decyzji

Przy systemach klasycznych łatwo wyjaśnić, dlaczego produkt został odrzucony – próg jasności przekroczony, brak krawędzi w danym obszarze, itd. Przy AI pytanie „dlaczego model tak zadecydował?” pojawia się dużo częściej, zwłaszcza przy audytach jakości.

Jak to rozwiązać praktycznie:

• loguj obrazy źródłowe oraz wynik detekcji (mapy ciepła, bounding boxy, maski wad),
• łącz każdy wynik z identyfikatorem partii i parametrami procesu (zmiana, operator, ustawienia maszyny),
• zapewnij narzędzie do przeglądu decyzji – inżynier jakości musi mieć możliwość wglądu w historię,
• ustal procedurę ręcznej weryfikacji dla przypadków spornych (np. powyżej określonego poziomu ufności modelu).

Pytanie do ciebie: jak często jesteś proszony o „udowodnienie”, że dana partia została odrzucona słusznie? Jeśli to codzienność, system z AI musi być zbudowany tak, by takie udowodnienie nie było polowaniem na dane po całej fabryce.

Główne typy zastosowań systemów wizyjnych z AI w przemyśle

Inspekcja jakościowa powierzchni i detekcja defektów

To najczęstszy scenariusz. Powierzchnie obrabiane, lakierowane, powlekane, tłoczone – wszędzie tam, gdzie szukasz rys, wgnieceń, wtrąceń, przebarwień, pęknięć. Klasyczne progi jasności zwykle są tu zbyt toporne, bo same produkty mają naturalne zróżnicowanie wyglądu.

Typowe przykłady:

• blachy stalowe i aluminiowe – wykrywanie wtrąceń, zarysowań, śladów po rolkach,
• elementy plastikowe z form wtryskowych – wycieki, zapady, niedolewy, ślady wypychaczy,
• powierzchnie lakierowane – skórki pomarańczy, pyłki, zacieki, niedomalowania,
• szyby i szkło – pęknięcia, odpryski, rysy, zanieczyszczenia.

W takich aplikacjach AI często łączy się z nietypowym oświetleniem (ciemne pole, strukturalne, UV) oraz szybkim transportem produktów. Dobrze ustawiony system potrafi zastąpić żmudne oględziny wzrokowe, a dodatkowo jest powtarzalny i „nie męczy się” po kilku godzinach.

Zastanów się: czy masz dziś procesy, gdzie operator przez kilka godzin dziennie patrzy na produkt i zaznacza wady markerem? To zwykle pierwsze miejsca, gdzie inspekcja z AI przynosi największy zwrot.

Weryfikacja kompletności i montażu złożonych komponentów

Kolejny duży obszar to sprawdzanie, czy produkt jest kompletny i czy wszystko jest na swoim miejscu. Klasyczne podejście radzi sobie dobrze przy prostych obecnościach/nieobecnościach, ale przy złożonych montażach zaczynają się schody.

Przykładowe scenariusze:

• montaż elektryczny i elektroniczny – weryfikacja obecności złączy, przewodów, złączek, oznaczeń biegunowości,
• zmontowane podzespoły mechaniczne – sprawdzanie, czy wszystkie śruby są wkręcone i dociągnięte, czy są podkładki, zabezpieczenia, pierścienie,
• moduły automotive – kontrola konfiguracji wariantów (np. różne kolory wtyczek, różne opcje wyposażenia),
• opakowania wieloelementowe – czy każdy slot w pudełku jest zapełniony właściwym elementem.

AI dobrze radzi sobie z różnymi wariantami tej samej konfiguracji: drobnymi różnicami w ułożeniu kabli, kosmetycznymi zmianami koloru, niewielkimi różnicami w geometrii kolejnych dostawców. Uczenie modeli na reprezentatywnym zestawie gotowych wyrobów pozwala „złapać” ogólny obraz poprawnego montażu.

Jak wiele masz wariantów produktu na jednej linii? Jeśli liczysz je w dziesiątkach, ręczne definiowanie reguł dla każdego wariantu szybko robi się nie do utrzymania, a AI wchodzi w naturalny sposób.

Komentarz i weryfikacja nadruków, etykiet, znakowania

Kontrola nadruków to nie tylko OCR. W praktyce trzeba sprawdzić obecność, poprawność i jakość znakowania: daty, numery partii, kody 2D, etykiety logistyczne, piktogramy.

Klasyczne biblioteki OCR działają dobrze, gdy masz wysoki kontrast i powtarzalny font. Rzeczywistość bywa mniej łaskawa: druk na zakrzywionej powierzchni, na folii, na kartonie o zmiennej fakturze, czasem lekko rozmazany.

AI można użyć na kilku poziomach:

• lokalizacja nadruku – wyszukanie obszaru, gdzie w ogóle jest tekst lub kod, nawet przy zmiennym pozycjonowaniu,
• wstępne oczyszczanie obrazu przed podaniem do klasycznego OCR (usuwanie szumów, wyrównanie kontrastu, prostowanie perspektywy),
• klasyfikacja poprawności nadruku – czy znak jest kompletny, czytelny, w dobrym miejscu,
• kontrola etykiety jako całości – czy właściwa etykieta trafiła na właściwy produkt (np. rozróżnianie etykiet po ich „obrazie” zamiast po kodzie tekstowym).

Masz problem z reklamacjami typu „brak daty ważności” czy „nieczytelne oznaczenie partii”? System AI, który wykrywa nie tylko sam tekst, ale i jego jakość, często redukuje takie przypadki do zera.

Segmentacja i pomiary skomplikowanych kształtów

Są procesy, gdzie prosty pomiar odległości między dwiema krawędziami nie wystarcza. Potrzebujesz dokładnej segmentacji obiektu, pomiaru skomplikowanych konturów, powierzchni, kątów, promieni.

Przykłady:

• elementy gumowe i z tworzyw – kształt uszczelek, złożone profile, miejsca podcięć,
• tłoczone elementy metalowe – kontrola odkształceń, sprężynowania, krzywizny,
• produkty spożywcze o nieregularnych kształtach – np. wypieki, gdzie trzeba ocenić kształt, objętość, stopień wypieczenia.

Sieci segmentacyjne (np. U-Net i ich odmiany) pozwalają na pikselową klasyfikację obrazu. Dzięki temu możesz najpierw precyzyjnie „wyciąć” obiekt z tła, a dopiero potem na tej masce robić pomiary geometryczne. To połączenie AI (segmentacja) z klasyczną metrologią obrazu (pomiary) daje zupełnie nową jakość przy złożonych detalach.

Sortowanie, klasyfikacja i kierowanie strumienia materiału

Systemy wizyjne z AI świetnie sprawdzają się tam, gdzie trzeba podjąć szybką decyzję: gdzie skierować dany element. Nie chodzi już tylko o „dobry/zły”, ale o wiele klas jakościowych lub produktowych.

Gdzie to zwykle wychodzi na pierwszy plan:

• sortowanie produktów spożywczych – klasy jakości owoców, pieczywa, mięsa,
• sortowanie tworzyw sztucznych i surowców wtórnych – rozróżnianie typów materiałów, kolorów, zanieczyszczeń,
• linia z kilkoma odpływami – rozdział na różne rynki, klientów, przeznaczenia (np. „premium”, „standard”, „do przerobu”),
• sortowanie półproduktów według wymiaru, kształtu, typu wariantu.

Klasyczne podejścia zwykle działają na prostych cechach: kolor, długość, jeden wymiar. AI pozwala na klasyfikację złożonego „obrazu” produktu – wyglądu całości, subtelnych różnic faktury, kombinacji cech.

Zadaj sobie pytanie: czy twoja linia już dziś dzieli produkty na więcej niż dwie klasy? Jeśli tak, każdy „ręczny wyjątek” (np. operator przesuwający produkt na inny tor) jest potencjalnym kandydatem do automatyzacji z AI.

Technicznie kluczowa jest tu integracja z mechaniką: klapy, zrzutnie, roboty pick&place, sortery pneumatyczne. Model AI podejmuje decyzję w ułamku sekundy, ale jeśli mechanika nie nadąża lub jest niepowtarzalna, cały efekt się rozmywa.

Śledzenie produktu, identyfikacja i łączenie danych procesowych

Coraz częściej system wizyjny nie jest tylko „oczyma” na jednym stanowisku, ale elementem większego systemu traceability. AI pomaga identyfikować produkt w ruchu, nawet gdy nie ma czytelnego kodu lub gdy jest wiele podobnych wariantów.

Typowe zastosowania:

• identyfikacja detali po kształcie lub konfiguracji, gdy etykieta nie jest dostępna,
• śledzenie produktu przez wiele stanowisk – dopasowanie obrazu z kolejnych kamer do tego samego elementu,
• łączenie informacji o wadach z konkretnymi parametrami procesu (głowica, gniazdo, forma, numer maszyny),
• weryfikacja, czy właściwy komponent trafił do właściwego gniazda montażowego.

Jak dziś odpowiadasz na pytanie klienta: „pokaż historię tej konkretnej sztuki”? Jeżeli musisz przekopywać kilka systemów lub ręczne notatki, AI + wizyjny system śledzenia produktu może radykalnie uprościć takie zapytania.

Praktyczny wariant: kamera nad buforem międzyoperacyjnym rozpoznaje produkt po wzorze geometrii i przypisuje go do konkretnej partii, nawet jeśli w międzyczasie zgubił etykietę. Dzięki temu nie musisz zatrzymywać linii ani przepinać ręcznie numerów partii.

Wsparcie operatorów i setup linii z pomocą AI

System wizyjny z AI nie musi od razu podejmować decyzji „za człowieka”. Często bardziej opłacalne jest wsparcie operatora lub ustawiacza linii, szczególnie na etapie przezbrojeń i uruchomień.

Gdzie to ma sens:

• ustawianie głowic drukujących/znakujących – weryfikacja położenia nadruku względem produktu,
• regulacja kamer i oświetlenia – AI podpowiada, czy obraz ma odpowiedni kontrast, ostrość, kąt,
• asysta przy przezbrojeniu – system „rozpoznaje”, czy właściwe formatki, narzędzia i komponenty wariantu są faktycznie na linii,
• szkolenie nowych operatorów – wizualne wskazanie typowych błędów ustawień.

Zastanów się: ile czasu tracisz na „dokręcanie” ustawień po starcie partii? Jeśli po każdej zmianie formatu przez pierwsze pół godziny zbierasz reklamacje z wewnętrznej logistyki, to miejsce dla prostego asystenta wizyjnego z AI.

Przykładowy scenariusz: kamera nad formatką pakującą analizuje ułożenie produktu i podpowiada operatorowi: „produkt za blisko krawędzi”, „niepoprawny kierunek włożenia”. System nie blokuje linii, ale znacząco zmniejsza ilość błędnie zapakowanych sztuk.

Systemy wizyjne z AI a robotyka: chwytanie, orientacja, paletyzacja

Tam, gdzie w grę wchodzi robot, widzenie maszynowe staje się kluczowe. AI pomaga w zadaniach, których klasyczne algorytmy nie „rozumieją” – nieregularne kształty, nieuporządkowane ułożenie, duża zmienność asortymentu.

Typowe zastosowania kombinacji robot + AI + wizyjny system 2D/3D:

• pick&place z luźnych pojemników (bin picking) – rozpoznawanie obiektów w nieuporządkowanej masie,
• orientacja detali o nieregularnych kształtach przed kolejną operacją (np. zgrzewanie, lutowanie, skręcanie),
• paletyzacja i depaletyzacja mieszanego asortymentu – różne kartony, worki, skrzynki na jednej linii,
• roboty inspekcyjne – kamera na ramieniu robota, który dojeżdża do trudno dostępnych miejsc.

Czy twoi integratorzy robotyki mówią, że „z tym detalem się nie da, za duża zmienność”? W takich przypadkach modele detekcji obiektów (np. oparte na sieciach typu YOLO czy SSD) często otwierają nowe możliwości: robot nie potrzebuje powtarzalnego ułożenia, tylko przybliżonej pozycji i orientacji obiektu.

Ważne jest tu planowanie całego łańcucha: czas inferencji modelu + czas ruchu robota + czas cyklu linii. Jeżeli model liczy się 500 ms, a masz dla niego 80 ms, trzeba szukać uproszczeń: lżejszej architektury, mniejszej rozdzielczości, wydajniejszego sprzętu lub zmiany punktu wpięcia w proces.

Systemy wizyjne a procesy ciągłe i analiza trendów

W wielu branżach (papier, folia, tekstylia, walcowanie, druk) kontrolujesz proces ciągły, a nie pojedyncze sztuki. System z AI może wtedy pracować jak „inteligentny czujnik trendów” – zamiast pojedynczych decyzji, analizuje ciągły strumień obrazu.

Typowe wyzwania:

• detekcja wad rozciągniętych wzdłuż procesu – rysy, pasy, smugi, powtarzalne defekty narzędzia,
• powiązanie położenia wady z konkretną szerokością wstęgi, pozycją rolki, urządzeniem,
• analiza częstości i rozkładu defektów w czasie – nie tylko „czy jest wada”, ale „jak się zmienia charakter wady w ciągu zmiany”,
• wczesne wykrywanie dryfu procesu – zanim produkt wejdzie w obszar niezgodności.

Zadaj sobie pytanie: czy dziś potrafisz pokazać operatorowi, że proces „się rozjeżdża”, zanim zaczną się reklamacje? AI, połączone z analizą obrazu w czasie, potrafi sygnalizować subtelne zmiany faktury, koloru czy struktury, które są jeszcze „w normie”, ale odbiegają od stabilnej historii.

Praktyczne podejście to połączenie lokalnej decyzji (wykrycie pojedynczej wady) z analizą statystyczną (jak często, gdzie na szerokości, w jakich warunkach procesowych). Tu system wizyjny z AI naturalnie łączy się z MES/SCADA i narzędziami typu SPC.

AI wizyjna jako element systemu prewencji błędów (poka-yoke)

W klasycznych podejściach poka-yoke dominują czujniki binarne: jest/nie ma, dobrze/źle. AI pozwala zbudować bardziej „miękkie” zabezpieczenia, które wychwytują nie tylko ewidentne pomyłki, ale też nietypowe sytuacje na linii.

Przykłady zastosowań:

• kontrola poprawności załadunku stanowiska – czy w polu pracy robota/maszyny nie ma obcych obiektów (rękawica, narzędzie, inny detal),
• weryfikacja, czy operator używa właściwych komponentów (np. rozróżnienie dwóch bardzo podobnych śrub czy uszczelek po kształcie),
• monitorowanie poprawnego zamknięcia osłon, drzwi, klap linii – nie tylko czujnik krańcowy, ale też obraz, czy nic nie blokuje zamknięcia,
• wykrywanie „dziwnych” sytuacji – np. nietypowej pozycji rąk operatora w pobliżu niebezpiecznej strefy.

Pytanie do ciebie: gdzie dziś opierasz się na zaufaniu do operatora, bo „czujnik by się nie sprawdził”? Tam często da się podpiąć prosty system wizyjny z AI, który nie blokuje pracy, ale sygnalizuje ryzyko lub wymusza dodatkowe potwierdzenie.

Takie rozwiązania wymagają szczególnie przemyślanej strategii fałszywych alarmów. Jeśli system co chwilę zatrzymuje linię bez powodu, po kilku dniach każdy będzie szukał sposobu, żeby go wyłączyć. W wielu przypadkach lepiej zacząć od trybu „asystenta” (tylko alarmy wizualne/dźwiękowe), a dopiero później, gdy zrozumiesz charakter błędów, przejść do twardego blokowania cyklu.

Optymalizacja procesów technologicznych na bazie obrazu

System wizyjny z AI może służyć nie tylko do akceptacji/odrzutu, ale do ciągłego strojenia parametrów procesu. Obraz produktu jest wtedy traktowany jak rozbudowany czujnik stanu procesu.

Gdzie to szczególnie pomaga:

• procesy termiczne – stopień wypieczenia, przepieczenia, spieczenia (np. piekarnie, piece tunelowe, suszarnie),
• procesy chemiczne i powłokowe – grubość i równomierność powłoki, połysk, barwa,
• druk i nadruki dekoracyjne – stabilność koloru, rejestr, pasowanie,
• spawanie, zgrzewanie, lutowanie – kształt jeziorka, ilość materiału, wygląd spoiny.

Jak dziś dobierasz parametry: temperatura, czas, prędkość, moc? Jeśli opierasz się głównie na eksperckiej wiedzy kilku osób i ręcznych próbkach, system wizyjny z AI może pomóc tę wiedzę „zautomatyzować”. Model uczy się związku między wyglądem produktu a parametrami procesu i podpowiada korekty jeszcze w trakcie partii.

Przykład z praktyki: kamera nad wylotem pieca obserwuje każdy produkt. Model ocenia stopień wypieczenia w skali ciągłej, a nie tylko „dobry/zły”. Jeśli przez kilka minut widać trend w kierunku „za jasne”, system wysyła rekomendację: obniż prędkość taśmy o kilka procent lub podnieś temperaturę w strefie środkowej. Decyzję nadal podejmuje technolog, ale ma konkretny sygnał oparty na danych.

AI w systemach wizyjnych a standaryzacja między zakładami

W firmach z wieloma fabrykami często pojawia się problem: każdy zakład ma „swoje” ustawienia i „swoje” kryteria. System wizyjny z AI daje szansę na ujednolicenie oceny jakości przy zachowaniu lokalnych różnic w procesie.

Jak to wygląda w praktyce:

• tworzysz wspólny model referencyjny dla całej grupy zakładów,
• lokalnie dostrajasz tylko warstwę preprocessingu obrazu (oświetlenie, kamery, kalibracja),
• uczysz zespół jakości pracować na wspólnym języku wad, klas defektów, kryteriów akceptacji,
• zbierasz i porównujesz statystyki jakości z różnych lokalizacji na jednym poziomie odniesienia.

Zastanów się: czy dziś porównujesz reklamacje klientów między zakładami tylko po ilości sztuk? Jeśli nie masz spójnego kryterium wizualnego, taka statystyka bywa myląca. Model AI, który „widzi” produkt tak samo w każdym zakładzie, pozwala realnie ocenić, kto produkuje stabilniej, a kto pracuje „na krawędzi” specyfikacji.

Kluczem jest tu proces zarządzania wspólnym repozytorium modeli: kto może wprowadzać zmiany, jak wygląda walidacja między zakładami, jak testujesz nową wersję na różnych liniach, zanim stanie się standardem globalnym.

Najczęściej zadawane pytania (FAQ)

Po czym poznać, że na mojej linii produkcyjnej faktycznie potrzebny jest system wizyjny z AI?

Najprostszy test: gdzie dzisiaj „boli” najbardziej? Jeśli wady są wykrywane dopiero u klienta albo na końcu linii, masz rosnącą liczbę reklamacji, a kontrola jakości jest wąskim gardłem – to pierwszy sygnał, że ręczna inspekcja i proste sensory przestają wystarczać. Problemem bywa też duża rozbieżność decyzji między kontrolerami: jednego dnia partia przechodzi, drugiego jest odrzucana, choć proces się nie zmienił.

Zadaj sobie kilka pytań: czy operatorzy są w stanie utrzymać tę samą „czujność” przez całą zmianę? Czy trzeba zatrzymywać linię, żeby dokładnie obejrzeć produkt? Czy czujniki fotoelektryczne/indukcyjne dają tylko informację „jest/nie ma”, a ty potrzebujesz oceny jakości powierzchni, nadruku, geometrii? Jeśli na większość z nich odpowiadasz „tak”, system wizyjny z AI ma realną przestrzeń, żeby coś poprawić, a nie tylko być drogim gadżetem.

Jakie konkretne problemy na produkcji rozwiązuje system wizyjny z AI?

System wizyjny z AI przede wszystkim stabilizuje jakość. Wprowadza ciągłą, obiektywną kontrolę każdego produktu – bez zmęczenia, bez „gorszego dnia”, z taką samą czułością na pierwszej i na ostatniej godzinie zmiany. Dzięki temu wady nie uciekają do klienta, a odrzuty pojawiają się jak najbliżej miejsca ich powstania, kiedy koszt reakcji jest jeszcze akceptowalny.

Druga grupa problemów to defekty, których człowiek nie jest w stanie wychwycić przy pełnej prędkości linii: mikropęknięcia, delikatne deformacje, minimalne przesunięcia etykiet, niejednorodności barwy czy zabrudzenia powierzchni. AI radzi sobie z takimi subtelnościami dużo lepiej niż klasyczne czujniki. Dodatkowo taki system buduje historię procesu – dzięki archiwum obrazów i statystykom możesz szukać przyczyn źródłowych, a nie tylko wyłapywać skutki.

Jak ustalić, czy system wizyjny ma się opłacać – od czego zacząć kalkulację?

Na start odpowiedz sobie na jedno pytanie: co jest celem numer jeden – redukcja braków, zmniejszenie reklamacji, poprawa bezpieczeństwa, czy dostęp do danych o procesie? Inna będzie architektura systemu, jeśli chcesz „zero zwrotów od klienta”, a inna, gdy walczysz z przestojami i wąskim gardłem w kontroli jakości.

Przy kalkulacji policz główne koszty i korzyści: ile dziś tracisz na przeróbkach, złomowaniu, reklamacjach, przestojach, nadgodzinach w kontroli jakości? Zderz to z szacunkową inwestycją w sprzęt (kamery, oświetlenie, montaż), wdrożenie modelu AI i utrzymanie. Dobre pytanie pomocnicze: po ilu miesiącach lub latach chcesz zobaczyć zwrot? To pozwala ocenić, czy opłaca się robić rozbudowany system od razu, czy zacząć od prostszego pilota na jednej linii.

Jak wybrać miejsce montażu kamer i oświetlenia na linii produkcyjnej?

Najpierw odpowiedz: w którym punkcie procesu wykrycie wady da ci największą korzyść? Czy lepiej łapać defekt zaraz po krytycznej operacji (np. nadruku, montażu), czy na końcu linii? Gdy to ustalisz, sprawdź warunki fizyczne: czy jest stabilne miejsce na uchwyty, dostęp do zasilania, ochrona przed drganiami i dostęp serwisowy dla czyszczenia optyki.

Potem przychodzi czas na optykę i światło. Obiektyw musi „widzieć” dokładnie to, co jest istotne dla jakości – ani za szeroko, ani za wąsko. Oświetlenie powinno być powtarzalne i kontrolowane, bez przypadkowego światła dziennego, odbić i cieni. Często lepiej zainwestować w porządny montaż, osłony i dobre źródło światła niż w „mocniejszą” kamerę – bez stabilnego, czytelnego obrazu nawet najlepszy model AI sobie nie poradzi.

Czym różni się prosty system wizyjny od systemu z AI i kiedy który wybrać?

Klasyczny system wizyjny bazuje na stałych regułach: progach jasności, prostych miarach kształtu, kontrastu, pozycji. Sprawdza się tam, gdzie produkt jest powtarzalny, a defekt jednoznaczny (np. brak elementu, brak etykiety, duże przesunięcie). System z AI jest potrzebny, gdy wady są subtelne, różnorodne lub trudne do opisania prostymi regułami – np. zarysowania, przebarwienia, nieregularne deformacje, złożone tekstury powierzchni.

Zastanów się: czy jesteś w stanie „opisać” reguły inspekcji w kilku logicznych krokach? Jeśli tak, zwykle wystarczy klasyczny system lub smart kamera. Jeśli kontroler jakości mówi raczej: „widzę, że to jest złe, ale trudno to ubrać w zasady”, wtedy wchodzimy w obszar, gdzie deep learning i uczenie na przykładach daje dużo lepsze efekty.

Gdzie lepiej liczyć model AI: na kamerze (edge), na serwerze w fabryce czy w chmurze?

Odpowiedź zależy od prędkości linii, wymagań czasowych i twojej infrastruktury. Jeśli potrzebujesz natychmiastowej reakcji – sterowania wyrzutnikiem, zatrzymania maszyny przy krytycznej wadzie – najbezpieczniej jest liczyć na krawędzi (kamera smart, IPC przy linii). Masz wtedy niskie opóźnienia i mniejszą zależność od sieci.

Serwer w fabryce sprawdza się, gdy chcesz obsłużyć wiele kamer/linii, korzystać z mocniejszych GPU i centralnie zarządzać modelami. Chmura ma sens głównie do analiz „po fakcie”, trenowania i testowania modeli na dużych zbiorach obrazów. Zadaj sobie pytanie: co jest krytyczne – czas reakcji, koszty sprzętu, czy elastyczność skalowania? To pomoże wybrać hybrydę: szybkie decyzje lokalnie, a cięższe przetwarzanie i analizy trendów – centralnie lub w chmurze.

Jak przygotować się do wdrożenia systemu wizyjnego z AI – od czego zacząć w praktyce?

Na początek nie kupuj sprzętu, tylko zdefiniuj cel i zakres: co dokładnie ma być wykrywane, w którym miejscu procesu i z jaką konsekwencją (odrzut, alarm, zatrzymanie linii). Wypisz trzy najważniejsze cele w kolejności ważności: redukcja braków, redukcja reklamacji, bezpieczeństwo, dane o procesie. To będzie twoje kryterium, gdy pojawią się propozycje „złotych” funkcji.

Kolejny krok to zebranie reprezentatywnych próbek: dobrych i wadliwych produktów, zdjęć lub fizycznych detali. Bez tego trudno będzie sensownie dobrać kamerę, oświetlenie i zweryfikować, czy AI faktycznie „widzi” to, czego potrzebujesz. Dobrą praktyką jest mały pilotaż na fragmencie linii – daje on odpowiedź, gdzie są realne ograniczenia mechaniczne i procesowe, zanim podejmiesz decyzję o skali całego projektu.

Kluczowe Wnioski

• System wizyjny z AI ma sens wtedy, gdy dziś „coś nie domaga”: rosną reklamacje, wady wychodzą dopiero u klienta, kontrola jakości jest wąskim gardłem, a ludzie nie wyrabiają lub różnie oceniają te same detale – czy rozpoznajesz któryś z tych sygnałów u siebie?
• AI na linii produkcyjnej daje ciągłą, obiektywną inspekcję każdego produktu, bez zmęczenia i „gorszych dni”, a przy tym widzi subtelne defekty (mikropęknięcia, przesunięcia etykiet, przebarwienia), których człowiek przy dużej prędkości po prostu nie wychwyci.
• Bez jasno postawionego celu – redukcja braków, redukcja reklamacji, wzrost bezpieczeństwa czy lepsze dane o procesie – łatwo zbudować drogi, przekombinowany system, który nie uderza w główny problem; od czego chcesz zacząć u siebie?
• Różne priorytety oznaczają różną logikę działania: przy „mniej braków” liczą się czułość i poziom fałszywych odrzuceń, przy „zero zwrotów” dopuszczasz kosmetyczne wady, ale twardo eliminujesz defekty krytyczne (np. zły EAN, brak ulotki), a przy bezpieczeństwie stawiasz na niezawodność i redundancję decyzji.
• System wizyjny zmienia podejście z kontroli wyrywkowej na pełny wizyjny monitoring procesu: widzisz trendy jakości w czasie, możesz powiązać wady z konkretną zmianą, partią materiału czy ustawieniem maszyny i przestajesz „gasić pożary”, zaczynasz zarządzać procesem na podstawie danych.