A gépi látásos minőségellenőrzés kamerával és képfeldolgozó, egyre gyakrabban mesterséges intelligenciára épülő szoftverrel vizsgálja a terméket a gyártósoron, és emberi szem helyett, vagy mellett, dönti el, hogy egy darab megfelel-e. Egy hazai kis- vagy középvállalatnál nem az a kérdés, hogy létezik-e erre technológia, hanem az, hogy melyik hibatípusnál térül meg, milyen adat kell hozzá, és hogyan vezethető be úgy, hogy a minőségügy és a műszak is megbízzon benne. Ebben az útmutatóban ezt vesszük végig: a technológia típusaitól a mérőszámokon és az uniós szabályokon át a pilot projektig.

Stratify
stratify.hu
Találja meg a gépi látás üzleti értékét
A Stratify üzleti célokból indul ki, és segít felmérni, hol adhat mérhető értéket az AI, mielőtt bevezetési döntés születik.

Ismerje meg a Stratifyt

TL;DR

  • A gépi látás akkor éri meg, ha jól körülhatárolt, gyakori és drága hibatípusra céloz, nem akkor, ha “mindent” ellenőrizni akar.
  • A legnagyobb kockázat nem a kamera, hanem az adat: reprezentatív, pontosan címkézett képek nélkül a modell a gyártósoron elbukik.
  • A pontosság (accuracy) ritka hibáknál félrevezető; a döntést a téves selejtezés és a kiengedett hibás darab költségére kell hangolni.
  • A tisztán minőségügyi, nem biztonsági célú ellenőrzéshez nem kell harmadik feles megfelelőségértékelés, a biztonsági funkciót ellátó rendszerekhez viszont igen.
  • Kis pilot, mért alapállapot, ember a döntési körben: ez a sorrend csökkenti a kockázatot.

Tartalomjegyzék

Mit jelent a gépi látásos minőségellenőrzés a gyakorlatban

Egy tipikus rendszer négy részből áll: ipari kamera és optika, megvilágítás, feldolgozó egység (ipari PC vagy okoskamera), valamint a szoftver, amely a képből döntést hoz és azt továbbítja a gép vezérlésének, például egy kiválasztó szerkezetnek. A döntés lehet egyszerű (megfelel / nem felel meg), de ennél sokkal értékesebb, ha a rendszer a hiba típusát is rögzíti.

Ez utóbbit sok cég alábecsüli. Az ipari minőségellenőrzésről szóló szakirodalmi áttekintés is kiemeli, hogy a gépi látás a puszta kiszűrésen túl adatot ad a folyamatról. Ha tudja, hogy a karcok 70 százaléka a hétfő reggeli műszakban, egy adott szerszámmal készült darabokon jelenik meg, akkor nem csak kiszűri a hibát, hanem megszünteti az okát.

Szabályalapú és mélytanulásos rendszerek

A piacon két alapvető megközelítés létezik, és a választás a hibatípuson múlik, nem a divaton.

Szempont Szabályalapú képfeldolgozás Mélytanulásos (AI) gépi látás
Hogyan dönt Előre megadott szabályok: méret, szín, él, pozíció Példaképekből tanult minták alapján
Mire jó Méretellenőrzés, jelenlét, pozíció, kódolvasás Változatos megjelenésű hibák: karc, folt, repedés, felületi anomália
Adatigény Kevés minta, sok mérnöki beállítás Sok, pontosan címkézett kép
Termékváltáskor Szabályok újraírása Modell újratanítása, új képekkel
Átláthatóság Magas: a szabály olvasható Alacsonyabb, külön magyarázhatósági eszközök kellenek

A gyakorlatban a jó megoldás gyakran hibrid: a geometriai méréseket szabályalapú logika végzi, a nehezen leírható felületi hibákat egy tanított modell. A gyártási vizuális minőségbiztosítás AI-módszereit összegző áttekintés külön foglalkozik a magyarázható AI szerepével, mert a minőségügyi vezető joggal kérdezi meg, miért dobott ki a rendszer egy darabot.

Hol térül meg leginkább

A gépi látás ott hozza a legtöbbet, ahol a kézi ellenőrzés lassú, fárasztó és ingadozó minőségű, a hibás darab kijutása pedig drága. Néhány jellemző terület iparáganként:

Hazai példa is van arra, hogy a téma nem csak a multik ügye: a Nemzeti Kutatási, Fejlesztési és Innovációs Hivatal beszámolója szerint a Knorr-Bremse magyarországi vállalata állami támogatással, a BME-vel és egy hazai szoftvercéggel közösen fejlesztett digitális megoldásokat többek között a minőségellenőrzés területén.

A magyar vállalatok érdeklődése is mérhető. Egy hazai autonóm rendszerekről készült 2023-as felmérés szerint a válaszadó cégek 21 százalékának volt aktív projektje a minőségbiztosításban, ugyanakkor saját fejlesztőcsapat az ilyen rendszerekhez a cégek kevesebb mint 3 százalékánál volt. Ugyanez a kutatás azt találta, hogy a vállalatok 80 százaléka külső segítséget igényel a folyamatai hatékonysági felméréséhez, a gyártók 44 százaléka pedig az információhiányt és a magas bevezetési költséget nevezte meg fő akadályként.

Miért buknak el a gépi látás projektek

A kudarc ritkán a kamerán múlik. Három visszatérő ok van.

Az adat nem tükrözi a valóságot

A gyártó KKV-k gépi látás alkalmazásait áttekintő tanulmány szerint a legnagyobb akadály az adat: pontos címkézés és reprezentatív képanyag nélkül a modell nem működik megbízhatóan. Ha a tanítóképek egyetlen műszakból, egyetlen alapanyag-tételből és tökéletes megvilágításban készültek, a modell az első délutáni napsütésnél vagy beszállítóváltásnál hibázni kezd. Az azonos típusú termékek közötti természetes eltérés (szín, textúra, tűrésen belüli méret) külön figyelmet kér, mert a modellnek meg kell tanulnia, mi a még elfogadható változatosság és mi a hiba.

Fekete doboz a gyártósoron

Ha a megoldást úgy veszik meg, hogy senki sem érti a működési logikáját, a műszakvezető nem tudja megmondani, miért nőtt meg hirtelen a kidobott darabok száma, és új termékváltozatnál sem tudják a modellt finomítani. A már említett hazai felmérés is a belső tudás hiányát nevezi meg az egyik legnagyobb gátként. A megoldás nem az, hogy mindenki adattudós legyen, hanem hogy legyen dokumentált döntési logika, naplózás és egy belső gazda, aki érti a rendszert.

Rossz mérőszám, rossz döntés

A harmadik ok a legkevésbé látványos, de a legdrágább: a projektet olyan számon mérik, amely nem a valós üzleti kárt mutatja. Ezt érdemes egy példán végigvenni.

A pontosság csapdája: precision és recall egy példán

Az ipari hibadetektálási adatkészleteket elemző kutatás rámutat, hogy ritka hibák esetén a pontosság félrevezető mutató. Nézzünk egy szemléltető, kitalált számokkal dolgozó esetet.

Egy sor naponta 10 000 darabot gyárt, ebből 50 hibás (0,5 százalék).

  • A modell, amely egyetlen darabot sem jelöl hibásnak, 9950 esetben “eltalálja” a választ: pontossága 99,5 százalék. Közben minden hibás darab kijut a vevőhöz.
  • B modell a 50 hibásból 49-et kiszűr, de a jó darabok 1 százalékát, napi 100 darabot, tévesen selejtnek jelöl. Pontossága csak 99 százalék körüli, mégis összehasonlíthatatlanul hasznosabb.

Ezért két mutatót érdemes figyelni:

  • Recall (felidézés): a hibás darabok mekkora részét találja meg a rendszer. Ez védi a vevői kapcsolatot és a hírnevet.
  • Precision (precizitás): a hibásnak jelölt darabok közül mennyi valóban hibás. Ez védi a költséget, mert a tévesen kidobott jó darab pénz.

A kettő között a döntési küszöb állításával lehet egyensúlyozni. Ha egy kijutott hibás darab reklamációja ezerszer többe kerül, mint egy jó darab újraellenőrzése, a küszöböt a magas recall felé kell tolni, és a gyanús darabokat ember nézze meg. Ha a termék olcsó és a hiba csak esztétikai, a precizitás fontosabb. Ez üzleti döntés, nem algoritmikus: a minőségügy, a termelés és a pénzügy együtt hozza meg. A fogalmakat egyébként AI szakszótárunkban is összefoglaltuk.

Ember a döntési körben

A KKV-k gépi látását vizsgáló áttekintés a nagy termékváltozatosságú, kis sorozatú gyártásban a hibrid modellt tartja reálisnak: az AI jelzi az anomáliát, a végső döntést ember hozza. A hazai KKV-k jelentős része pont ilyen környezetben dolgozik.

Bizonytalan alkatrészek ellenőrzése és visszajelzése

Ez nem kompromisszum, hanem jó tervezés. A rendszer a darabok nagy részét magabiztosan átengedi, a bizonytalan eseteket egy ellenőrző állomásra irányítja, az ember döntése pedig visszakerül a tanítóadatba. Így a modell hónapról hónapra jobb lesz, az ellenőrök pedig a monoton nézegetés helyett a valóban kérdéses darabokkal foglalkoznak. Az ellenőrzési stratégia egyébként a minőségköltségek egyik fő meghatározója, és az Ipar 4.0 minőségköltségeit modellező kutatás szerint időről időre felül kell vizsgálni, nem egyszer kell beállítani.

Mit mond az uniós szabályozás

A jogi besorolás a rendszer céljától függ, nem a technológiától. Az Európai Bizottság AI Act ügyfélszolgálati oldala szerint egy AI-rendszer akkor sorolódik a szabályozott termékek miatt magas kockázatúba, ha egy termék biztonsági alkotóeleme, és a termékre harmadik feles megfelelőségértékelés vonatkozik.

A gyakorlatban ez két esetet jelent:

  1. Tisztán minőségügyi ellenőrzés, például esztétikai hibák, méreteltérés vagy címkehiba keresése: nem biztonsági funkció, így nem kell hozzá harmadik feles, magas kockázatú megfelelőségértékelés.
  2. Biztonsági funkció, például annak észlelése, hogy ember lépett-e egy robot veszélyzónájába: ez biztonsági alkotóelemnek minősül. A gépekről szóló (EU) 2023/1230 rendelet 2027. január 20-tól alkalmazandó, és az ilyen alkotóelemekre szigorúbb megfelelőségértékelési szabályokat ír elő.

Ha a tervezett kamerarendszer egyszerre végez minőségellenőrzést és figyeli a dolgozók biztonságát, ne egyedül döntsön a besorolásról: kérje ki a gép CE-megfelelőségéért felelős szakember vagy egy szabályozási tanácsadó véleményét még a beszerzés előtt. A dokumentációs és naplózási igényeket pedig érdemes a tervezés elején rögzíteni, mert utólag drága pótolni. Ebben AI compliance szolgáltatásunk is segít.

A bevezetés lépései

Egy hazai középvállalatnál a következő sorrend vált be.

  1. Hibatípus kiválasztása. Ne “a minőségellenőrzést” automatizálja, hanem egy konkrét hibát egy konkrét állomáson. A legjobb jelölt gyakori, drága és vizuálisan jól látható.
  2. Alapállapot mérése. Hány hibás darab jut ki havonta, mennyi a reklamáció, hány órát visz el a kézi ellenőrzés, mennyi a téves selejt? Mért kiindulópont nélkül a megtérülés nem igazolható.
  3. Adatgyűjtés valós körülmények között. Képek több műszakból, alapanyag-tételből és termékváltozatból, a minőségügy által egységesen címkézve. Ez gyakran a projekt legnagyobb munkája.
  4. Megvilágítás és képalkotás tervezése. Egy jól megválasztott megvilágítás sok szoftveres bonyodalmat megspórol. Itt próbafelvételek kellenek, nem katalógus.
  5. Pilot egyetlen soron. Több hétig párhuzamosan fut a kézi ellenőrzéssel, így a két eredmény összevethető. Hogyan érdemes ilyet felépíteni, arról AI pilot projekt útmutatónkban írtunk részletesen.
  6. Küszöb és munkafolyamat hangolása. Precision és recall a valós költségek alapján, bizonytalan esetek emberi ellenőrzésre.
  7. Integráció. Kapcsolat a gép vezérlésével, a minőségügyi nyilvántartással és a gyártásirányítással, hogy a hibaadat ne egy kamerás PC-n ragadjon.
  8. Üzemeltetés és felügyelet. Teljesítményfigyelés, rendszeres újratanítás termékváltáskor, naplózás és felelős gazda kijelölése.

Költség és megtérülés: hogyan számoljon

Általános árat nem érdemes mondani, mert a költség a felbontástól, a ciklusidőtől, a termékváltozatok számától és az integráció mélységétől függ. A megtérülést viszont mindenki ki tudja számolni a saját számaiból, ha három tételt összead:

  • Kiváltott vagy átcsoportosított ellenőrzési munkaidő, óradíjjal szorozva.
  • Elkerült reklamációs és visszahívási költség: a kijutó hibás darabok csökkenése szorozva egy reklamáció átlagos költségével.
  • Selejtcsökkenés a hibaok feltárásából: ez az a tétel, amely a hibatípus-adatok nélkül elveszik.

Ebből vonja le a rendszer bekerülési és éves üzemeltetési költségét, beleértve a tanítóadat előállítását és a későbbi újratanítást is. Ha a számítás csak az első tételre épül, a projekt gyakran nem éri meg; ha mindhárom benne van, sokszor igen. Hazai fejlesztési pályázatok is szóba jöhetnek, de a kiírások gyakran változnak, ezért a feltételeket mindig az aktuális felhívásban ellenőrizze.

A mi nézőpontunk

Gépi látás projektekben azt látjuk, hogy a cégek többnyire eszközzel kezdenek: kamerát, okosszenzort vagy szoftvercsomagot választanak, és utána keresik hozzá a problémát. Mi fordítva dolgozunk. Először azt nézzük meg, melyik hiba mennyibe kerül, hol a legnagyobb az operatív hatás, és van-e hozzá elég jó adat. Ha a válasz az, hogy egy egyszerű szabályalapú ellenőrzés vagy egy folyamatmódosítás jobban megéri, akkor azt mondjuk.

A mi nézőpontunk — overview diagram

Vendorfüggetlenek vagyunk, így a technológiát a feladathoz választjuk, nem fordítva. Az üzleti stratégiát, az AI és adattudományi szakértelmet és a vállalati rendszerintegrációt egy csapatban kezeljük, mert egy gépi látás modell önmagában keveset ér, ha a hibaadat nem jut el a minőségügyi és gyártásirányítási rendszerekbe.

A governance nálunk nem utólagos kiegészítés. Emberi felügyelet, naplózás, auditálhatóság és kontrollált, fokozatos élesítés: ezek nélkül a gyártósoron senki sem fog megbízni egy AI-döntésben, és ez így van rendjén. A sikeres bevezetés szervezeti változás is, nem csak egy technológiai kísérlet.

— Zsolt

Honnan érdemes indulni

Ha még csak azt próbálja eldönteni, hogy a gépi látás egyáltalán megéri-e az Ön gyártásában, az AI Discovery Workshopunk erre való: egyszeri, 390 000 Ft-os alkalom, amelyen a vezetőkkel és a minőségüggyel közösen azonosítjuk és rangsoroljuk a legígéretesebb felhasználási területeket. Ha már konkrét hibatípus van a fejében, a kontrollált AI-bevezetés keretében lehetőségfelméréssel és pilottal haladunk tovább, az egyedi fejlesztést pedig AI megoldásfejlesztés szolgáltatásunk fedi le.

Gyakori kérdések

Kiváltja a gépi látás a minőségellenőröket?

Ritkán teljesen, és többnyire nem is ez a cél. A jellemző eredmény az, hogy a rendszer a darabok nagy részét automatikusan kezeli, az ellenőrök pedig a bizonytalan esetekre és a hibaokok feltárására koncentrálnak. Kis sorozatú, változatos gyártásnál az emberi végső döntés tartósan a folyamat része marad.

Hány kép kell egy AI-modell betanításához?

Ez a hibatípustól és a termék változatosságától függ, ezért egy általános szám félrevezető lenne. A mennyiségnél fontosabb, hogy a képek minden műszakot, alapanyag-tételt és termékváltozatot lefedjenek, és a címkézés egységes legyen. A ritka hibákra külön figyelni kell, mert ezekből jellemzően kevés minta van.

Mennyi idő alatt működik egy pilot?

Egy jól körülhatárolt hibatípusra épülő pilot hetekben mérhető, nem években, de a pontos időt az adatgyűjtés és a megvilágítás tervezése határozza meg. Érdemes a pilotot a kézi ellenőrzéssel párhuzamosan futtatni, hogy az eredmény valós számokkal legyen összevethető.

Kell-e megfelelőségértékelés egy minőségellenőrző kamerarendszerhez?

Ha a rendszer tisztán minőségügyi célt szolgál, például esztétikai hibát keres, nem kell hozzá harmadik feles, magas kockázatú megfelelőségértékelés az AI Act szerint. Ha viszont biztonsági funkciót is ellát, például ember jelenlétét figyeli egy veszélyzónában, akkor biztonsági alkotóelemnek minősülhet. Ilyenkor még a beszerzés előtt kérje ki szakember véleményét.

Források

Ajánlott

Tags: