Wizyjna kontrola jakości z AI. Projekt wygrywa się na świetle, nie na modelu

Trzy różne problemy sprzedawane jako jeden

Pod hasłem „kontrola jakości z AI” oferuje się zadania o zupełnie różnym progu wejścia. Rozdzielenie ich przed rozmową z dostawcą jest najtańszą rzeczą, jaką można w tym projekcie zrobić, bo cena i czas wdrożenia różnią się tu wielokrotnie.

• Pomiar i obecność. Czy otwór ma właściwą średnicę, czy uszczelka jest na miejscu, czy etykieta jest przyklejona prosto, czy kod da się odczytać. To klasyczne systemy wizyjne, znane w przemyśle od dekad, oparte na regułach geometrycznych. Nie wymagają uczenia na przykładach, są przewidywalne i w razie błędu da się wskazać przyczynę. Jeśli Wasz problem mieści się w tej kategorii, nie potrzebujecie AI — potrzebujecie dobrze ustawionej kamery.
• Wady o znanym katalogu. Rysa, wgniecenie, pęknięcie spoiny, brak lakieru, zaciek. Powtarzalne, nazwane, możliwe do pokazania na zdjęciach. To właściwe miejsce na uczenie maszynowe i zdecydowanie najczęstszy sensowny zakres pierwszego wdrożenia.
• Wszystko, co odbiega od normy. Model uczy się wyglądu dobrego detalu i zgłasza każde odstępstwo. Brzmi najatrakcyjniej, bo nie wymaga zbierania zdjęć wad — i jest jednocześnie największym generatorem fałszywych odrzutów, ponieważ „odbiega od normy” to także nowa partia materiału, inny odcień powłoki, kurz na obiektywie i słońce wpadające przez świetlik o piętnastej.

Test, który rozstrzyga projekt w jeden dzień

Zanim ktokolwiek zacznie mówić o modelach, trzeba odpowiedzieć na jedno pytanie: czy wada jest widoczna na obrazie. Nie „czy jest widoczna dla człowieka trzymającego detal w ręku i obracającego go pod lampą”, bo to zupełnie inna sytuacja — człowiek ma dwa oczy, zmienia kąt, dotyka i wie, czego szuka. Kamera ma jedną klatkę z jednego punktu w jednym oświetleniu.

Test wygląda tak: zbierzcie dwadzieścia detali z wadą i dwadzieścia dobrych, zróbcie zdjęcie każdego w warunkach, w jakich ma stać kamera, i pokażcie te zdjęcia — tylko zdjęcia, bez detali — kontrolerowi jakości. Jeśli on nie potrafi wskazać wady na obrazie, żaden model tego nie zrobi. To nie jest ograniczenie dzisiejszej technologii, to brak informacji w danych. W takiej sytuacji praca nie polega na szukaniu lepszego dostawcy, a na zmianie oświetlenia, optyki albo kąta, aż wada zacznie być widoczna.

Ta jedna próba oszczędza najwięcej pieniędzy w całym projekcie i da się ją zrobić telefonem oraz lampą warsztatową. Jeśli dostawca proponuje pominięcie tego etapu i przejście od razu do pilotażu na linii, warto zapytać, dlaczego.

Światło jest projektem, kamera jest dodatkiem

W systemach wizyjnych istnieje zasada, która konsekwentnie zaskakuje firmy kupujące je po raz pierwszy: większość czasu wdrożenia zajmuje dobranie oświetlenia i stabilizacja obrazu, nie konfiguracja algorytmu. Typowy projekt zamyka się w kilku do kilkunastu tygodni, a instalacja sprzętu jest w nim najkrótszym etapem.

Rodzaj światła zmienia to, co widać. Podświetlenie od tyłu pokazuje kontur i brakujące elementy, ale nie pokaże rysy. Światło padające pod małym kątem do powierzchni wydobywa wgniecenia i zadrapania, których nie widać w oświetleniu równomiernym. Powierzchnie błyszczące wymagają światła rozproszonego, inaczej kamera widzi głównie odbicia lamp. Dla wad podpowierzchniowych w tworzywach czasem jedynym rozwiązaniem jest zupełnie inne pasmo światła niż widzialne. To decyzje, których nie podejmuje model i których nie da się poprawić później po stronie oprogramowania.

Druga połowa pracy to powtarzalność. Detal musi trafiać przed kamerę zawsze w tym samym położeniu, z tą samą tolerancją, w tym samym świetle. Najczęstszą przyczyną systemu, który „działał na pilotażu, a teraz się myli”, jest obluzowane mocowanie kamery, zmiana wysokości transportera, inny operator wkładający detal pod innym kątem albo światło dzienne, które w czerwcu wygląda inaczej niż w listopadzie. Osłona odcinająca światło zewnętrzne jest w tym projekcie tańsza i skuteczniejsza niż dowolna poprawka w modelu.

Ile zdjęć wad naprawdę trzeba

Pytanie o liczbę przykładów pada na każdym spotkaniu i prawie zawsze dostaje złą odpowiedź, bo liczy się nie suma zdjęć, a liczba przykładów na każdy typ wady w każdym wariancie wykonania. Praktyczny punkt odniesienia: dla wady o wyraźnym, powtarzalnym wyglądzie kilkadziesiąt dobrze wykonanych zdjęć bywa wystarczające do pierwszej wersji; dla wady subtelnej albo mocno zmiennej potrzeba wielokrotnie więcej. Jeśli produkujecie detal w pięciu kolorach i trzech rozmiarach, to osiem wariantów, nie jeden.

Tu pojawia się paradoks dobrze prowadzonej produkcji, identyczny jak w predykcyjnym utrzymaniu ruchu: im lepsza jakość, tym trudniej zebrać materiał. Przy poziomie braków rzędu promila zebranie pięćdziesięciu zdjęć jednej wady oznacza miesiące zbierania. Dlatego pierwszą rzeczą do zorganizowania nie jest kamera, a pojemnik na braki z kartką, na której ktoś zapisuje, co było nie tak — i decyzja, że braki nie idą do kosza, dopóki nie zostaną sfotografowane.

Istnieją obejścia tego problemu i warto o nie zapytać wprost. Pierwsze: uczenie wyłącznie na dobrych detalach i wykrywanie odstępstw — tanie na start, droższe w utrzymaniu z powodu fałszywych odrzutów. Drugie: sztuczne generowanie wad na zdjęciach dobrych detali, które działa dla wad geometrycznych i prostych rys, a zawodzi dla wad wynikających z właściwości materiału. Trzecie, najbardziej niedoceniane: model wytrenowany wcześniej na podobnej klasie detali u innego klienta, dostrajany na Waszych kilkudziesięciu zdjęciach. To ostatnie jest realnym powodem, dla którego warto wybierać dostawcę z doświadczeniem w Waszej branży, a nie najtańszego.

Zdjęcia trzeba jeszcze oznaczyć, i to robi kontroler jakości, nie dostawca. Przy wadach subtelnych wychodzi przy tym rzecz niewygodna: dwóch doświadczonych kontrolerów często nie zgadza się co do połowy przypadków granicznych. Jeśli ludzie nie mają spójnej definicji wady, model nie ma się czego nauczyć — a uzgodnienie tej definicji na piśmie jest korzyścią, która zostaje w firmie niezależnie od losów wdrożenia. Szerzej o tym, co trzeba uporządkować przed projektem, pisaliśmy w tekście o danych gotowych na AI.

Dlaczego „99% dokładności” nic nie znaczy

Przy poziomie braków jednego procenta model odpowiadający zawsze „dobry” ma dokładność dziewięćdziesięciu dziewięciu procent i zerową wartość. Dlatego jedna liczba nie opisuje tego systemu. Opisują go dwie, które zawsze idą w przeciwnych kierunkach: ile wad system wyłapał z tych, które faktycznie wystąpiły, i ile dobrych detali niesłusznie odrzucił.

Przesunięcie progu czułości w jedną stronę wyłapuje więcej wad i zwiększa liczbę fałszywych odrzutów; w drugą — odwrotnie. Nie istnieje ustawienie optymalne technicznie, istnieje decyzja biznesowa: co kosztuje więcej, brak u klienta czy wyrzucony dobry detal. W branżach, w których brak oznacza reklamację, przestój u odbiorcy albo ryzyko dla bezpieczeństwa, odpowiedź jest oczywista. W produkcji masowej o niskiej marży jednostkowej — wcale nie.

Praktyczna konsekwencja: w umowie i w protokole odbioru muszą stać obie liczby, zmierzone na ustalonej z góry próbce detali, której dostawca nie widział na etapie uczenia. Bez tej próbki odbiór jest oceną wrażeń. O tym, jak budować taki zestaw testowy i dlaczego jest on aktywem, a nie etapem projektu, pisaliśmy w tekście o testowaniu wdrożeń AI.

Fałszywy odrzut, czyli jak wdrożenie umiera cicho

Przeoczona wada jest kosztem, który pojawia się później i gdzie indziej. Fałszywy odrzut jest kosztem natychmiastowym i widocznym dla ludzi na linii — i właśnie on decyduje o losie wdrożenia. Mechanizm jest zawsze ten sam: system zatrzymuje dobre detale, operator musi je przejrzeć ręcznie, po tygodniu przestaje je przeglądać i puszcza wszystko dalej, po miesiącu alarm jest wyłączony „do czasu, aż ktoś to poprawi”. Nikt tego nie zgłasza, bo linia działa.

Dlatego liczbę fałszywych odrzutów trzeba traktować jako wskaźnik pierwszej kategorii, mierzony od pierwszego dnia i przeglądany co tydzień przez pierwszy kwartał. I dlatego warto rozważyć wariant, w którym system w ogóle nie zatrzymuje produkcji: zamiast odrzucać, oznacza detale do kontroli przez człowieka i porządkuje kolejkę. Taki tryb jest mniej efektowny, nie wymaga żadnej integracji z automatyką, daje się uruchomić w kilka tygodni i zbiera przy okazji materiał, na którym dopiero można budować wersję decydującą samodzielnie.

Jest też wariant odwrotny, wart sprawdzenia przy wysokiej jakości produkcji: system nie decyduje o braku, a wyłącza z kontroli ręcznej detale, co do których jest pewny. Kontroler dostaje wtedy nie całą partię, a jej część budzącą wątpliwości. Oszczędność bierze się z czasu, nie z wyłapywania wad, a ryzyko błędnej decyzji jest nieporównanie mniejsze.

Rachunek na własnej linii

Opłacalność tego projektu prawie nigdy nie bierze się z tego, że „AI wyłapie więcej wad”. Bierze się z czterech pozycji, które trzeba policzyć dla swojej produkcji, bo w każdej firmie mają inne proporcje.

• Koszt braku, który wyjechał do klienta: reklamacja, transport zwrotny, wymiana, czas handlowca, w gorszym wariancie audyt u odbiorcy albo utrata pozycji dostawcy. To zwykle największa pozycja i najtrudniejsza do oszacowania, bo nikt jej dotąd nie liczył łącznie.
• Koszt wykrycia wady za późno w procesie. Detal z wadą, który przeszedł przez trzy kolejne operacje i lakierowanie, kosztuje wielokrotnie więcej niż ten zatrzymany na pierwszym stanowisku. Przesunięcie kontroli w górę procesu bywa tu całą korzyścią z wdrożenia.
• Czas kontroli ręcznej, który da się przesunąć na zadania, których nikt inny nie wykona. Uczciwie: w małych firmach rzadko oznacza to redukcję zatrudnienia, częściej zdjęcie z kontrolera pracy monotonnej i męczącej wzrok, przy której skuteczność spada po godzinie.
• Dokumentacja. System wizyjny zapisuje zdjęcie i wynik dla każdego detalu. Dla części odbiorców — motoryzacja, medycyna, lotnictwo — to wartość sama w sobie, czasem wymóg, a przy sporze o jakość partii rozstrzygający dowód.

Kiedy tego nie wdrażać

Są sytuacje, w których uczciwa odpowiedź brzmi „nie teraz”, i lepiej usłyszeć je przed zakupem niż po.

• Wady nie widać na zdjęciu z ustalonego punktu i nie da się tego zmienić oświetleniem ani optyką. Projekt nie ma podstawy.
• Kontrolerzy nie zgadzają się między sobą, co jest wadą. Najpierw definicja, potem technologia.
• Produkcja jest krótkoseryjna i każdy detal wygląda inaczej. Koszt przygotowania modelu na serię przewyższa korzyść; sensowniejsze są wtedy reguły geometryczne albo pomiar.
• Problem jest wąski i opisywalny liczbami — średnica, obecność, odczyt kodu. Klasyczny system wizyjny będzie tańszy, szybszy i przewidywalny, a wyjaśnienie błędu zajmie minutę, nie tydzień.
• Braków jest tak mało, że zebranie materiału zajmie rok, a koszt braku jest niski. Pieniądze lepiej pracują w innym miejscu procesu.

Jak wygląda sensowne wdrożenie

Kolejność, która w praktyce najrzadziej kończy się wyłączonym alarmem, jest nudna i zaczyna się daleko od modelu.

1. Jeden detal, jedna wada, jedno stanowisko. Nie cała linia i nie cały katalog wad. Zakres szerszy niż to jest w tym projekcie najczęstszą przyczyną porażki.
2. Test widoczności na czterdziestu detalach, zdjęciami, bez sprzętu docelowego. Jeden dzień, koszt pomijalny, rozstrzyga o całości.
3. Dobór oświetlenia i optyki na stanowisku, z osłoną odcinającą światło zewnętrzne i stabilnym mocowaniem. Tu zostaje większość czasu wdrożenia i to jest właściwe miejsce na wydanie pieniędzy.
4. Zbieranie i oznaczanie zdjęć przez kontrolera jakości, z pisemną definicją wady i rozstrzygnięciem przypadków granicznych.
5. Pierwsza wersja w trybie podpowiedzi: system oznacza, człowiek decyduje. Bez integracji z automatyką, bez zatrzymywania linii.
6. Pomiar na próbce odłożonej na początku: ile wad wyłapano, ile dobrych detali odrzucono. Porównanie z kontrolą ręczną na tych samych detalach.
7. Decyzja o trybie automatycznym — albo o pozostaniu w trybie podpowiedzi, jeśli to on daje większość korzyści przy ułamku ryzyka.
8. Przegląd co kwartał: nowe warianty detali, zmiana dostawcy materiału, przesunięcie kamery, zabrudzona optyka. System wizyjny degraduje się po cichu, dokładnie jak każde inne wdrożenie AI po uruchomieniu.

Co zapisać w umowie

Oferty na systemy wizyjne są trudne do porównania, bo opisują różne zakresy tym samym słownictwem. Kilka punktów, które warto wymusić na piśmie: obie liczby skuteczności mierzone na próbce odłożonej przez Was i nieudostępnionej na etapie uczenia; jasny podział, kto odpowiada za oświetlenie, mocowanie i osłony; cena i czas dodania nowego wariantu detalu po wdrożeniu, bo to się zdarzy; prawo do zdjęć i oznaczeń, które powstały w Waszej firmie, oraz zasady ich wykorzystania przez dostawcę u innych klientów; wreszcie co się dzieje, gdy skuteczność spadnie po zmianie materiału. Szerzej o konstrukcji takich zapisów pisaliśmy w tekście o umowie z dostawcą AI.

Dwie kwestie formalne na koniec. Jeśli system samodzielnie decyduje o odrzuceniu i jest elementem bezpieczeństwa maszyny albo wyrobu, wchodzą obowiązki wynikające z przepisów o produktach i z AI Act — kontrola jakości wyrobu sama w sobie nie jest zastosowaniem wysokiego ryzyka, ale bywa częścią maszyny, która już nim jest. Jeśli kamery obejmują stanowiska pracy i rejestrują ludzi, to osobny temat: podstawa prawna, informacja dla załogi i ustawienie kadru tak, żeby obejmował detal, a nie operatora. Ten projekt da się też zwykle sensownie wpasować w dostępne dofinansowania, bo ma wyraźną część inwestycyjną — pod warunkiem że zakres powstaje pod produkcję, nie pod wniosek.

Od czego zacząć

Wybierzcie jedną wadę, która generuje najwięcej reklamacji albo najdroższe straty, i policzcie, ile kosztowała w ostatnim roku. Potem zróbcie test widoczności: dwadzieścia detali z tą wadą, dwadzieścia dobrych, zdjęcia, kontroler jakości oceniający same obrazy. Te dwie informacje — koszt problemu i to, czy wada jest w ogóle widoczna — wystarczą, żeby rozmawiać z dostawcami o konkretach, a nie o możliwościach technologii.

Takie projekty prowadzimy właśnie w tej kolejności: najpierw koszt wady i test widoczności, potem oświetlenie i stanowisko, dopiero na końcu model — i pierwsza wersja zwykle w trybie podpowiedzi, bez zatrzymywania linii. Jeśli macie wadę, która wraca w reklamacjach, umówcie bezpłatną konsultację albo zobaczcie, jak wygląda nasz konsulting i wdrożenia AI.