Inspekcja wizualna nowej generacji – jak Computer Vision wykrywa to, czego nie widzi ludzkie oko

Wprowadzenie – Computer Vision w kontroli jakości

W motoryzacji każdy detal ma znaczenie. Jeden źle zszyty fotel może uruchomić lawinę: reklamacje, dodatkowe koszty, utratę klienta. W świecie, gdzie konkurencja jest bezlitosna, a marże coraz niższe, kontrola jakości nie jest już opcją tylko koniecznością.

Z tego też powodu firmy sięgają po systemy z wykorzystaniem wizji komputerowej (Computer Vision). Obecnie dzięki nowoczesnym algorytmom możliwe jest nie tylko wykrywanie defektów, ale i pełna automatyzacja inspekcji wizualnej.

Jednym z najbardziej wymagających przykładów są fotele samochodowe, czyli produkt, który świetnie pokazuje nam, jak trudne sytuacje może rozwiązać Computer Vision.

Dlaczego inspekcja wizualna to twardy orzech do zgryzienia?

Inspekcja wizualna w automotive jest prostą kontrolą jakości. To walka z takimi wyzwaniami jak, np.:

• Szwalnia i szwy w fotelu, których przesunięcie o milimetr lub luźna nitka mogą zdyskwalifikować produkt.
• Materiał i jego struktura skłonna do marszczenia, ale także odchylenia w odcieniach kolorów oraz drobne różnice w fakturze.
• Rzadkość defektów, ponieważ wad jest stosunkowo niewiele, przez co klasyczne podejścia wymagające dużych datasetów mogą zawodzić.
• Zmienność wariantów foteli – zmieniają się modele, kolory i tkaniny, a to uniemożliwia stworzenie uniwersalnej „checklisty”.

To część problemów, która sprawiają, że Computer Vision staje się podstawą dzisiejszej nowoczesnej kontroli jakości.

Trzy podejścia AI w kontroli jakości

1. Anomaly detection, czyli uczenie się na poprawnych próbkach

Modele AI, takie jak autoencodery, VAE czy GAN, uczą się wyłącznie na zdjęciach przedstawiających prawidłowo wykonane fotele bez uszkodzeń i samodzielnie wykrywają dane anomalie.

To podejście eliminuje potrzebę tworzenia ogromnych zbiorów wadliwych przykładów. Efektem tego są mapy odchyleń, które pokazują, gdzie materiał lub szew odbiegają od zakodowanego wzorca.

2. Few-shot learning – szybka adaptacja do nowych wad

W toku produkcji dane defekty nie powtarzają się aż tak często jakby mogło się wydawać.

Dzięki few-shot learning system potrzebuje zaledwie kilku zdjęć nowego problemu, aby nauczyć się go wykrywać. Dzięki temu błyskawicznie dostosowuje się inspekcję do nowych serii produkcyjnych oraz tkanin.

3. Porównanie z ideałem, czyli integracja z modelem CAD

Tutaj komputer dosłownie patrzy na produkt tak, jak zrobiłby to doświadczony inżynier jakości. System porównuje rzeczywisty obraz fotela z jego cyfrowym modelem 3D i sprawdza, czy wszystko jest tam, gdzie powinno. Algorytmy dopasowują oba obrazy, a następnie mierzą różnice w kształcie i położeniu elementów. Dzięki temu wychwytuje się nawet te minimalne przesunięcia szwów, np. kilku dziesiątych milimetra. Takiej dokładności żadne ludzie oko nie byłoby w stanie utrzymać.

Pipeline inspekcji foteli samochodowych

Poniżej przedstawiamy przykładowy proces inspekcji wizualnej z użyciem Computer Vision:

1. Kamera wykonuje zdjęcie fotela.
2. Obraz jest dopasowywany do modelu CAD.
3. Algorytmy anomaly detection szukają defektów.
4. Tworzona jest heatmapa, która wskazuje potencjalne wady.
5. System automatycznie podejmuje decyzję o zakwalifikowaniu produktu.

W praktyce takie podejście pozwala wykrywać: przesunięte szwy, wgniecenia w materiale, luźne nici czy niewielkie różnice w odcieniach kolorów.

Porównuje rzeczywisty obraz fotela z jego cyfrowym modelem 3D CAD, sprawdzając, czy każdy element znajduje się dokładnie tam, gdzie powinien.

Efekt biznesowy inspekcji wizualnej z Computer Vision

Wdrożenie systemu inspekcji wizualnej z wykorzystaniem CV przekłada się na konkretne rezultaty, m.in.:

• redukcję ilości reklamacji nawet o kilkadziesiąt procent,
• skrócenie czasu inspekcji z kilku minut do kilku sekund,
• pełną kontrolę 100% produktów zamiast wyrywkowych testów jakosci,
• czas zwrotu z inwestycji (ROI) często nawet poniżej 12 miesięcy.

Demo, które mówi samo za siebie

Najlepszym sposobem, żeby zobaczyć, jak naprawdę działa dane narzędzie z użyciem Computer Vision, są krótkie dema online. Wystarczy przesłać zdjęcie fragmentu fotela samochodowego, a system sam przeanalizuje je pod kątem możliwych defektów, tj. niepoprawne szwy, przetarcia, zarysowania czy marszczenie materiału.

Taki szybki test pozwala przekonać się, że wizja komputerowa faktycznie jest działającym rozwiązaniem, które realnie poprawia jakość produkcji. Firmy zainteresowane takim wdrożeniem mogą również otrzymać szczegółowy raport z analizy kilku zdjęć z rekomendacjami dotyczącymi integracji systemu w ich procesie produkcyjnym.

Wpisz swój adres e-mail poniżej i otrzymaj link do Demo!

Podsumowanie – kontrola jakości w erze AI

Inspekcja wizualna nowej generacji pokazuje, że użycie Computer Vision potrafi rozwiązać problemy, z którymi nawet najbardziej doświadczeni inżynierowie mogą sobie nie poradzić.

Przykład foteli samochodowych pokazuje, że nawet najmniejsze wady materiału czy przesunięcia szwów można wykryć automatycznie, zwiększając jakość i redukując tym samym koszty.

Oczywiście na tym możliwości wizji komputerowej się nie kończą. Era AI w przemyśle dopiero się zaczyna, a coraz częściej technologia ta znajduje zastosowanie także w zupełnie innych obszarach.

Zapowiedź kolejnego artykułu: jak wizja komputerowa rewolucjonizuje sport poprzez analizę ruchu zawodowych sportowców (i nie tylko).