
Poin Utama
- Inspeksi gambar berbasis AI untuk memantau variabilitas inspeksi dan mencegah kesalahan yang terlewatkan.
- Mari kita kurangi beban kerja para inspektor dan tingkatkan efisiensi kerja secara keseluruhan.
Keterbatasan dan risiko dari inspeksi visual
Dalam industri manufaktur, inspeksi mutu, khususnya inspeksi visual produk, telah lama bergantung pada mata manusia untuk "inspeksi visual." Namun, seperti yang terlihat dari berbagai kasus kecelakaan kualitas yang terjadi baru-baru ini, keterbatasan kemampuan jaminan kualitas sangat jelas, karena inspeksi visual, yang bergantung pada perhatian dan keterampilan manusia, tidak dapat sepenuhnya mendeteksi ketidaksesuaian (Gambar 1).
Sebagai contoh, seperti yang terlihat dalam kasus insiden panas berlebih pada baterai lithium-ion, terdapat kebutuhan yang semakin meningkat akan produk yang memerlukan kemampuan inspeksi yang presisi yang tidak dapat dipenuhi hanya dengan inspeksi visual oleh manusia. Salah satu cara untuk mengatasi masalah ini dan meningkatkan kemampuan penjaminan mutu adalah dengan mengotomatiskan inspeksi dan penilaian gambar menggunakan AI.
Mekanisme inspeksi gambar AI
Sistem inspeksi gambar berbasis AI adalah mekanisme di mana AI menganalisis dan menilai data gambar yang dikumpulkan serta mengukur item inspeksi atas nama manusia.
Secara spesifik, ketika memeriksa tampilan suatu produk, sistem dilatih menggunakan sejumlah besar data gambar (gambar diam dan video) dari produk yang baik untuk secara otomatis mengekstrak keberadaan atau ketiadaan cacat yang sulit dinilai secara jelas oleh manusia. Sistem ini secara akurat mendeteksi cacat yang sulit dilihat oleh mata manusia, seperti pewarnaan yang tidak merata, goresan kecil, dan masuknya benda asing, serta secara otomatis menentukan apakah suatu produk lulus atau gagal.
Berbeda dengan manusia, AI melakukan inspeksi menggunakan kriteria yang konsisten, tidak terpengaruh oleh kelelahan atau emosi, sehingga menghilangkan variasi dalam hasil inspeksi. Waktu inspeksi juga berkurang secara signifikan, memungkinkan inspeksi 100% yang sangat akurat untuk semua produk. Akibatnya, risiko produk cacat mencapai pasar berkurang secara signifikan (Gambar 2).

Item | Dampak spesifik |
|---|---|
Inspeksi presisi tinggi dan seragam | Inspeksi dapat dilakukan dengan akurasi yang konsisten, terlepas dari tingkat keahlian atau kondisi fisik inspektur pada hari tertentu. |
Peningkatan kecepatan inspeksi | Memungkinkan inspeksi berkecepatan tinggi hingga puluhan lembar per detik. |
Pemanfaatan data uji | Hasil pengujian disimpan sebagai data digital dan digunakan untuk perbaikan, dan lain sebagainya. |
Studi kasus: otomatisasi inspeksi pengelasan di pabrik suku cadang otomotif
Dalam proses pengelasan komponen roda gigi yang digunakan dalam transmisi, daya rekat percikan (material yang tersebar) yang dihasilkan selama pengelasan secara konvensional diperiksa dengan inspeksi visual. Karena lokasi dan jumlah kontaminasi tidak konsisten, terjadi kelalaian dan kesalahan penilaian, yang menyebabkan peningkatan keluhan pelanggan. Sebagai langkah perbaikan, kami memperkenalkan dua kamera beresolusi tinggi dan perangkat lunak pengenalan gambar AI untuk mengotomatiskan inspeksi visual sepenuhnya. Dengan melatih AI menggunakan ratusan ribu data gambar, dimungkinkan untuk mendeteksi bahkan percikan terkecil kurang dari 1 mm, sehingga secara drastis mengurangi tingkat produk cacat yang dikirim. Risiko kesalahan akibat kelelahan inspektur juga berkurang secara signifikan (Gambar 3).

Langkah-langkah untuk mengimplementasikan inspeksi gambar berbasis AI
Pengenalan inspeksi gambar berbasis AI tidak boleh dilakukan secara sembarangan, melainkan secara bertahap dan terencana.
Pemilihan proses inspeksi yang akan ditargetkan
Prioritaskan proses berdasarkan faktor-faktor seperti proses di mana inspeksi visual oleh manusia seringkali melewatkan kesalahan, proses yang memberikan beban berat pada inspektur, dan proses di mana dampak pelepasan produk cacat akan signifikan.
Pengumpulan dan penandaan data gambar
Kumpulkan sejumlah besar gambar produk yang baik dan cacat dari proses yang dipilih dan beri tag pada gambar-gambar tersebut untuk melatih AI (manusia mengidentifikasi area yang cacat dan menetapkannya sebagai data pelatihan).
Pengenalan peralatan inspeksi (termasuk sistem)
Dengan menggabungkan kamera, pencahayaan, dan peralatan pengangkut, serta melakukan uji lapangan di lokasi sebenarnya, kami akan menentukan kondisi yang diperlukan (akurasi, kecepatan, pencahayaan, dll.) sebelum memulai operasi skala penuh. Dengan kemajuan AI, jumlah proses inspeksi yang dapat diimplementasikan akan meningkat di masa mendatang. Kami ingin secara aktif memperkenalkan hal ini kepada lokasi manufaktur kecil dan menengah untuk meningkatkan daya saing mereka di bidang manufaktur.
Baca Juga
Evolusi Jaminan Mutu dan Pemanfaatan Teknologi Digital
Pemantauan Status secara Real-time dan Prediksi Anomali Menggunakan IoT
Pabrik Kami Juga Bisa Bersinar! Mengembangkan Sendiri Teknologi dalam Pemanfaatan Robot







