Keď kamera kontroluje každý výrobok, stále potrebuje dobrý príklad
AI pomáha nájsť škrabanec, chýbajúcu súčasť alebo zle vytlačený kód aj tam, kde sa chyba ťažko opisuje pevným pravidlom. Spoľahlivá kontrola však začína svetlom, optikou a jasnou definíciou kvality.
Človek vie pohľadom rozoznať, že povrch „nevyzerá správne“, aj keď nevie chybu presne zmerať. Tradičné strojové videnie je naopak silné tam, kde možno určiť hranu, rozmer, farbu alebo polohu. Moderné systémy tieto dva prístupy kombinujú: pravidlá merajú to, čo poznáme, a model sa učí vzhľad z príkladov.
Obraz nie je iba fotografia
Lesklý kov, priehľadný plast, čierna guma a potlačený obal odrážajú svetlo úplne inak. Kamera môže mať vysoké rozlíšenie, no bez vhodného uhla, osvetlenia a času expozície bude vidieť odlesk namiesto chyby. Preto kvalitná aplikácia vzniká spoločne z optiky, mechaniky, svetla, spúšťania a softvéru.
Presný rozmer a poloha
Klasické nástroje sú vhodné na meranie hrán, kruhov, vzdialeností, počtu súčastí alebo čitateľného kódu.
Vzhľad a nečakaná odchýlka
Model pomáha tam, kde sa dobrý a chybný povrch líšia nepravidelnou textúrou alebo množstvom drobných znakov.
Výška, objem a tvar
Priestorové dáta odhalia preliačinu, nesprávne osadenie alebo polohu predmetu, ktorú plochá fotografia nevysvetlí.
Keyence dáva AI a pravidlá do jedného pracovného postupu
Séria VS umožňuje použiť na tom istom obraze klasické kontrolné nástroje aj AI segmentáciu, detekciu, klasifikáciu a čítanie textu. Praktická výhoda je v kombinácii: systém môže najprv pravidlom overiť presný rozmer otvoru a následne modelom posúdiť nepravidelnú stopu na povrchu.
Výrobca zdôrazňuje jednoduchšie nastavenie obrazu a učenie z niekoľkých desiatok snímok. Takéto číslo je užitočná informácia o nástroji, nie záruka projektu. Počet potrebných príkladov rastie s rôznorodosťou výrobku, osvetlenia a typov chýb.
Cognex presúva učenie modelu do spoločného prostredia
OneVision bol v júni 2025 oznámený ako cloudová platforma pre tvorbu, učenie a škálovanie AI aplikácií strojového videnia. Zmyslom je, aby tím nemusel spravovať každý model a každú výrobnú lokalitu oddelene. Pri takomto prístupe však treba presne stanoviť, ktoré obrazy môžu opustiť závod, ako dlho sa uchovávajú a ktorá verzia modelu rozhodla o konkrétnom kuse.
In-Sight L38 spája 3D snímanie s vloženými AI nástrojmi priamo v priemyselnom kamerovom systéme. Lokálne spracovanie môže skrátiť odozvu a obmedziť tok obrazových dát mimo pracoviska. Ani edge výpočet však neodstraňuje potrebu zálohy konfigurácie a kontroly zmien.
MVTec rieši problém, ktorý príde po úspešnom spustení
Výroba sa mení: príde nový odtieň materiálu, iná povrchová úprava alebo nový variant obalu. Model, ktorý fungoval pri spustení, môže začať označovať dobré kusy ako chybné. HALCON 25.11 preto pridal priebežné doučenie klasifikačného modelu a verzia 26.05 zrýchlila AI detekciu aj pravidlové metódy.
Priebežné učenie je užitočné iba vtedy, keď sú nové príklady správne označené. Ak systém naučíme, že prehliadnutá chyba je dobrý kus, model sa môže zhoršiť veľmi efektívne. Aktualizácia preto potrebuje schválenú vzorku, porovnávací test a možnosť vrátiť sa k predchádzajúcej verzii.
Zebra približuje deep learning bežnej inšpekcii
Aurora kombinuje tradičné nástroje, čítanie textu a kódov s detekciou anomálií. Pri nej sa model môže učiť najmä z dobrých výrobkov a hľadať odlišnosti. To je zaujímavé v situácii, keď podnik nemá veľkú zbierku všetkých možných chýb.
Odlišnosť však nemusí znamenať chybu. Model môže upozorniť na neškodnú zmenu kresby, prach alebo posun osvetlenia. Preto je dôležité oddeliť „podozrivé“ od „nevyhovujúce“ a určiť, kedy rozhodne automatické vyradenie a kedy človek.
Päť otázok pred montážou kamery
- Čo presne je chyba?Kontrolný plán potrebuje rozmery, prípustné varianty a príklady hraničných kusov.
- Je chyba na obraze vôbec viditeľná?Treba preveriť svetlo, rozlíšenie, rýchlosť pohybu a prístup ku všetkým stranám výrobku.
- Čo sa stane pri neistote?Systém má poznať bezpečný postup pre nejasný výsledok, výpadok kamery alebo chýbajúci obraz.
- Ako sa meria úspech?Samostatne sa sledujú prehliadnuté chyby, nesprávne vyradené dobré kusy aj stabilita medzi zmenami.
- Kto môže model zmeniť?Nové učenie a hranice rozhodovania potrebujú verziu, schválenie, test a auditnú stopu.
Dobrá skúšobná prevádzka zahŕňa viac než reprezentatívne fotografie. Potrebuje celé zmeny, rozbeh linky, čistenie, výmenu materiálu aj prirodzené kolísanie okolitého svetla. Až potom možno nastaviť hranicu medzi automatickým rozhodnutím, opakovanou kontrolou a odovzdaním kusu človeku bez toho, aby systém zbytočne spomaľoval výrobu.
Najlepšia kamerová kontrola nie je tá, ktorá má v názve najviac AI. Je to pracovisko, pri ktorom vieme vysvetliť, čo vidí, ako rozhoduje a čo urobí, keď si nie je isté.
Primárne zdroje