AI kontrola jakości: odrzut na linii

AI kontrola jakości na przenośniku to kamera, która widzi wadę, i model, który decyduje w ułamku sekundy. Technologia już pracuje na liniach przetwórstwa warzyw, orzechów i snacków. W tym artykule omawiamy, jak zbudowany jest system odrzutu oparty na wizji maszynowej, co realnie daje i ile kosztuje.

Jak działa inspekcja AI na przenośniku

Zasada jest prosta w opisie i złożona w realizacji. Nad przenośnikiem inspekcyjnym montuje się kamerę i równomierne oświetlenie. Każdy obiekt w strumieniu jest fotografowany, model AI klasyfikuje go — „dobry” lub „odrzut” — i na komendę systemu mechanizm wykonawczy usuwa odrzut: dysza pneumatyczna, zrzutka lub rynna odprowadzająca.

Kluczowa jest tutaj prędkość. Na linii o wydajności kilku sztuk na sekundę model musi podjąć decyzję, zanim obiekt dotrze do punktu odrzutu. Dlatego system pracuje w czasie rzeczywistym, a przenośnik porusza się ze stałą, dokładnie znaną prędkością.

Ważna jest też mechanika samego przenośnika. Obiekt w momencie ujęcia musi być w strefie ostrego ogniska, nie wibrować i nie być przesłonięty przez sąsiadów. Dlatego pod inspekcję AI projektujemy odcinek rozdzielający produkt w strumieniu: wąski przenośnik lub przenośnik rolkowy, który rozkłada produkt w jedną warstwę. Bez tego nawet najlepszy model „widzi” sklejone obiekty i się myli.

Jakie wady widzi AI

Wizja maszynowa rozpoznaje wady trudne do wykrycia innymi metodami. Dla różnych produktów krytyczne są różne cechy.

Produkt	Co klasyfikuje AI	Typowy wynik
Orzechy	łupina, pleśń, rozbite jądra	odrzut 95–98% wadliwych
Warzywa	zgnilizna, deformacja, kolor	sortowanie na 3–4 kategorie
Chipsy	przypalenie, rozmiar, kształt	wyrównanie jakości partii
Suszone owoce	obce wtrącenia, odcień	oczyszczenie z domieszek
Jagody	pomięcie, niedojrzałość	delikatne sortowanie

W odróżnieniu od klasycznego sortera optycznego reagującego tylko na kolor, model AI uczy się kształtu, tekstury i kombinacji cech — dlatego łapie złożone wady, które czujnik koloru pomija.

Oświetlenie i optyka — połowa sukcesu

Inżynierowie spotykający wizję maszynową po raz pierwszy nie doceniają oświetlenia. W rzeczywistości światło to połowa jakości rozpoznawania. Niestabilne lub nierównomierne oświetlenie daje cienie i odblaski, które model odbiera jako wadę — i odwrotnie. Dlatego nad strefą inspekcji montujemy panele LED o stałym spektrum i osłaniamy odcinek od światła zewnętrznego z okien i lamp halowych.

Do różnych produktów pasuje różna optyka. Obiekty błyszczące — pomidory, jagody — dają odblaski, które gasi się filtrem polaryzacyjnym. Dla wtrąceń przezroczystych czasem stosuje się podświetlenie od dołu lub zakres podczerwieni. Kamerę mocujemy na sztywnym wsporniku, izolowanym od drgań napędu: nawet mikrodrżenie rozmywa kadr przy szybkim strumieniu.

Uczenie modelu — główna praca

AI nie działa „od razu z pudełka”. Model trzeba nauczyć na konkretnym produkcie konkretnego producenta. Oznacza to zebranie i oznaczenie kilku tysięcy zdjęć: gdzie produkt jest dobry, gdzie to odrzut, gdzie sytuacja graniczna. Im lepsze oznaczenie, tym dokładniejsza klasyfikacja.

Warto też uwzględnić, że produkt zmienia się z sezonu na sezon. Orzechy nowego zbioru mogą różnić się odcieniem, warzywa kształtem. Dlatego model nie „uczy się raz na zawsze” — okresowo douczany jest na świeżych danych. To normalna część eksploatacji systemu AI i należy ją zakładać w planie obsługi obok czyszczenia optyki kamery i sprawdzania oświetlenia.

Wskazówka inżyniera. Nie zaczynaj od AI tam, gdzie wystarczy prostsze rozwiązanie. Jeśli wada to wyraźna różnica koloru, klasyczny sorter optyczny jest tańszy i pewniejszy. AI jest uzasadnione, gdy wada jest złożona: kształt, tekstura, kombinacja cech. Najpierw sformułuj, co dokładnie klasyfikujesz — i dopiero potem wybieraj technologię.

Ile to kosztuje i kiedy się zwraca

System inspekcji AI jest droższy niż prosta taśma inspekcyjna z operatorami, ale zwraca się na kilku rzeczach: obniża udział braków trafiających do konsumenta, usuwa czynnik ludzki i uwalnia operatorów. Na linii, gdzie wcześniej sortowało ręcznie 6–8 osób, węzeł AI często zwraca się w 12–18 miesięcy dzięki płacom i spadkowi reklamacji.

Ważne: AI nie zastępuje całej inspekcji w pełni. Zwykle zostawiamy jedno stanowisko kontroli ręcznej na sytuacje niestandardowe. Więcej o rozwiązaniach inspekcyjnych — w artykułach z tagiem inspekcja.

Integracja węzła AI z linią

Inspekcja AI to nie osobna maszyna, lecz węzeł, który musi organicznie wejść w strumień. Na etapie projektowania rozwiązujemy kilka kwestii integracji. Po pierwsze, uzgodnienie prędkości: model ma określony budżet czasu na kadr, i prędkość przenośnika dobiera się pod wydajność jednostki obliczeniowej, a nie odwrotnie. Po drugie, punkt odrzutu: dysza pneumatyczna lub zrzutka działa z opóźnieniem, dlatego odległość od kamery do mechanizmu wykonawczego oblicza się dokładnie pod prędkość taśmy.

Po trzecie, statystyka. Nowoczesny węzeł AI nie tylko odsiewa braki, ale prowadzi ewidencję: ile wad jakiego typu, o jakiej porze, na jakiej partii. Dane te wyświetlamy na panelu operatora — pokazują nie tylko jakość produktu, ale i problemy wyżej w strumieniu, na przykład usterkę na kalibratorze czy myjce. Przenośnik z inspekcją AI staje się nie tylko filtrem, ale i źródłem diagnostyki całej linii.

Podsumowanie

AI kontrola jakości na przenośniku to realna, działająca technologia odrzutu złożonych wad, których nie widzi czujnik koloru. Jej skuteczność w 80% zależy od jakości uczenia modelu, a zwrot — od ilości pracy ręcznej, którą zastępuje. Myślisz o automatycznej inspekcji? Skontaktuj się z nami — ocenimy, czy AI jest uzasadnione dla Twojego produktu.