Med computer vision kvalitetskontrol kan I automatisere den visuelle inspektion af emner på produktionslinjen. Men før I vælger kamera og software, skal I have styr på noget mere jordnært: Hvilken fejl skal findes, hvordan ser den ud, og hvad skal der ske med emnet bagefter?
Manuel kontrol afhænger af tempo, lys, træthed og medarbejderens vurdering. Automatisk kontrol bruger de samme vurderingskriterier for hvert emne og kan gemme billeder, så I bagefter kan undersøge, hvorfor noget blev afvist.
Her får I en praktisk guide til at vælge kontrolopgave, etablere en stabil inspektionsstation og gennemføre en pilot. I får også et grundlag for at vælge mellem klassisk machine vision og AI-baseret billedgenkendelse.
Hvad er computer vision kvalitetskontrol?
Computer vision betyder, at software analyserer billeder eller video. I kvalitetskontrol bruges det til at vurdere et emne ud fra synlige egenskaber, eksempelvis overflade, farve, etiket eller forsegling.
En samlet løsning består af kamera, belysning, placering på linjen og software, der vurderer emnet. Dertil kommer handlingen: Skal emnet afvises, skal en medarbejder have en alarm, skal linjen stoppe, eller skal vurderingen blot registreres?
Automatisk kvalitetskontrol er derfor mere end billedgenkendelse. Et korrekt fund skal knyttes til det rigtige emne og udløse den aftalte handling. Ellers mangler forbindelsen mellem inspektionen og driften.
Begreberne computer vision og machine vision bruges ofte om hinanden. Den praktiske forskel er, om vurderingen bygger på faste regler eller på en AI-model, der lærer af eksempelbilleder.
Start med kontrolopgaven, ikke med teknologien. Skal I kontrollere et præcist mål på ensartede emner, er opgaven en anden end at finde ridser, som varierer i form og placering. Det bør styre både billedoptagelsen og valget af metode.
Vælg en fejltype, og gør kvalitetskravet konkret
Begynd med en afgrænset fejltype med høje omkostninger. Undgå at samle alle kvalitetsproblemer i samme projekt. Ridser, forkert etiket og mangelfuld forsegling kræver forskellige billeder og forskellige definitioner af, hvad der er acceptabelt.
Lav en fælles billedsamling med kvalitetsmedarbejdere og operatører. Sortér billederne i acceptable emner, fejlbehæftede emner og grænsetilfælde, der kræver en beslutning. Uenighed om et billede er et tegn på, at kvalitetskravet skal præciseres.
| Kontrolopgave | Det skal I afklare | Betydning for opsætningen |
|---|---|---|
| Ridser eller misfarvning | Hvilke variationer er acceptable? | Lyset skal gøre forskellen synlig. |
| Forkert etiket | Hvilken etiket hører til produktvarianten? | Vurderingen skal have den rette produktkontekst. |
| Mangelfuld forsegling | Hvordan ser en synlig fejl ud? | Det relevante område skal kunne ses tydeligt. |
| Mål eller kanter | Hvilket mål og hvilken tolerance gælder? | Stabil placering og faste måleregler er centrale. |
Skriv også ned, hvad kontrollen ikke omfatter. Et billede af overfladen dokumenterer ikke egenskaber inde i emnet. Den afgrænsning gør det tydeligt, hvilken del af kvalitetskontrollen I automatiserer, og hvilke øvrige kontroller der fortsat er nødvendige.
Få lys, placering og handling på linjen på plads
Belysning og stabil placering betyder ofte mere end kameraet. En fejl skal være synlig i billedet, før software kan vurdere den. Derfor bør I undersøge billeder fra den faktiske linje frem for kun at fotografere emner ved et skrivebord.
Afklar, hvilken side af emnet der skal ses, og om det relevante område er synligt på det valgte sted. Hvis kontrollen kræver flere synsvinkler, skal det indgå i stationens opbygning fra begyndelsen.
Gennemgå derefter de forhold, der ændrer billederne i hverdagen:
- Skiftende lys fra vinduer eller omkringliggende arbejdspladser.
- Støv på optik eller belysning.
- Vibrationer og variation i emnernes placering.
- Nye produktvarianter med andre farver, former eller overflader.
Beslut samtidig, hvad der skal ske efter vurderingen. Ved afvisning skal det være tydeligt, hvilket emne der fjernes. Ved en alarm skal der være en aftalt modtager og en handling, så beskeden ikke blot bliver endnu en registrering.
Aftal også, hvem der holder stationen ren og følger op på ændringer i lys og placering. Det er en del af driftsopgaven, ikke noget der bør stå uden ejer efter installationen.
Hvor hjælper AI, og hvornår er machine vision nok?
Klassisk machine vision bruger faste regler for eksempelvis mål, kanter og farvegrænser. Det er velegnet til ensartede emner og præcise målinger. Her er der ingen grund til at vælge AI alene for at bruge AI.
AI-baseret computer vision lærer derimod af eksempelbilleder. Det er relevant ved synlige fejl, der varierer i form og udseende, såsom ridser, misfarvning og fremmedlegemer. Forudsætningen er billeder, der viser både produktets variation og den relevante kvalitetsforskel.
Når I har billeder af både gode og dårlige emner
Klassifikation og detektion kan trænes på billeder af acceptable og fejlbehæftede emner. Klassifikation vurderer billedets kategori, mens detektion også kan udpege, hvor i billedet fejlen findes. Billedmærkningen skal følge de kvalitetskriterier, I har aftalt.
Når fejlene er sjældne
Anomalidetektion lærer primært af gode emner og finder afvigelser fra det normale udseende. Tilgangen er nyttig, når I har få fejlbilleder. Samlingen af gode billeder skal stadig rumme de variationer, I accepterer i produktionen.
AI er ikke den rette kontrolmetode til en fejl, som ikke kan ses på den fotograferede overflade. Her skal I vælge andre metoder. Ved faste målinger med snævre tolerancer bør I først undersøge klassisk machine vision.
Balancér oversete fejl og unødig kassation
En automatisk vurdering skal håndtere forskellige konsekvenser. En falsk afvisning betyder, at et godt emne bliver afvist. En overset fejl betyder, at et fejlbehæftet emne slipper gennem kontrollen.
De skal vurderes hver for sig. En samlet opgørelse over korrekte vurderinger fortæller ikke nok om den praktiske betydning. I skal kunne se, om afvigelserne giver unødig kassation eller sender fejl videre i processen.
Grænsen for afvisning sættes efter, hvad hver fejltype koster. Hvis en synlig fejl har alvorlige konsekvenser senere i forløbet, skal det indgå i kvalitetsbeslutningen. Omvendt skal acceptable variationer ikke automatisk behandles som kassation.
Brug konkrete billeder af grænsetilfælde, når I fastlægger grænsen. Lad kvalitetsansvarlige tage stilling til dem, og gem beslutningerne sammen med eksemplerne. Så bliver grundlaget fælles, også når produktvarianter eller medarbejdere skifter.
Skeln desuden mellem afvisning og kassation i registreringen. Et emne, der sendes til manuel vurdering, er ikke nødvendigvis kasseret. Ellers bliver det svært at vurdere både kontrollens kvalitet og dens betydning for spild.
Brug billederne til at finde årsagen til fejlene
Gevinsten ligger ofte også i dataene bag kontrollen. Et gemt billede med tidsstempel viser, hvad der blev vurderet, og hvornår det skete. Det giver et konkret grundlag for at undersøge fejl frem for at være afhængig af hukommelse.
Knyt vurderingerne til den relevante produktvariant og placering på linjen. Når registreringen er konsekvent, kan I undersøge, om bestemte fejl optræder omkring skift i produkt eller ændringer i processen.
Forestil jer eksempelvis, at misfarvning bliver registreret i et afgrænset produktionsforløb. Billederne kan bruges i en rodårsagsanalyse, hvor I sammenholder fejlens udseende og tidspunkt med det, der skete tidligere i processen. Sammenfaldet er et spor, ikke i sig selv en forklaring.
Registreringerne kan også understøtte arbejdet med OEE, udstyrets samlede effektivitet, ved at gøre kvalitetsafvigelser mere konkrete. Hold dog falske afvisninger adskilt fra reelle fejl, så registreringen ikke giver et misvisende billede af produktionen.
Aftal derfor på forhånd, hvilke billeder og oplysninger I vil gemme, og hvem der følger op. Data skaber først praktisk værdi, når nogen bruger dem til at undersøge og håndtere årsagerne.
Kør en pilot parallelt med den manuelle kontrol
En pilot bør begynde med billeder fra linjen i den virkelige belysning. Brug både acceptable emner, kendte fejl og de grænsetilfælde, der har krævet en kvalitetsbeslutning. Lad materialet afspejle den produktion, kontrollen skal indgå i.
Kør derefter den automatiske vurdering parallelt med den manuelle kontrol. Det giver mulighed for at sammenligne vurderingerne, mens den eksisterende kvalitetskontrol fortsætter.
Gennemgå især de emner, hvor vurderingerne er forskellige. Afgør ud fra de aftalte kvalitetskriterier, om der er tale om en falsk afvisning, en overset fejl eller en manuel vurdering, der skal korrigeres. Uenighed skal undersøges, ikke blot tælles.
Pilotens evaluering bør omfatte:
- Hvilke fejl der findes, og hvilke der overses.
- Hvilke acceptable emner der afvises.
- Hvordan lys, placering og produktvarianter påvirker billederne.
- Hvordan afvisning, alarmer og registrering fungerer i arbejdsgangen.
Brug resultaterne til at fastlægge vurderingsgrænser, ansvar og arbejdsinstruktioner før overgangen til automatisk kontrol. Så bygger beslutningen på jeres egne emner og kvalitetskrav frem for en demonstration med udvalgte billeder.
Sådan kommer I i gang
Start ved den kontrolopgave, der fylder i driften. Find fejlbeskrivelsen, eksemplerne og den nuværende arbejdsgang frem. Det er et bedre udgangspunkt end en ønskeliste til kamera og software.
- Afgræns opgaven. Vælg en fejltype med høje omkostninger, og beskriv acceptable emner, fejl og handlingen efter en afvisning.
- Analysér jeres egne data. Hos Norvell er første fase altid analyse og business case på jeres egne data. Vi undersøger billedgrundlag, kvalitetskrav og den relevante metode.
- Gennemfør piloten, og mål før og efter. Vi sammenligner med den eksisterende kontrol og følger både oversete fejl, falske afvisninger og betydningen for arbejdsgangen.
- Planlæg indførelsen. Aftal ansvar for drift, opfølgning og nye produktvarianter. I får en fast pris pr. fase, så opgaven og beslutningsgrundlaget er tydeligt.
Målet er ikke blot at sortere emner automatisk, men at bruge kontrollen og dens data til færre fejl og mindre spild. Det er dér, gevinsten kan mærkes på bundlinjen.
Book et gratis afklaringsmøde på 30 minutter med Norvell om jeres kvalitetskontrol.
Spørgsmål og svar
Hvad er computer vision kvalitetskontrol?
Computer vision kvalitetskontrol bruger software til at analysere billeder af emner og vurdere synlige kvalitetsafvigelser. En samlet løsning omfatter også kamera, belysning og en handling, eksempelvis afvisning, alarm eller registrering.
Hvad er forskellen på machine vision og AI-baseret billedgenkendelse?
Klassisk machine vision bruger faste regler for blandt andet mål, kanter og farvegrænser. AI-baseret billedgenkendelse lærer af eksempelbilleder og er relevant ved fejl, der varierer i form og udseende.
Hvilke fejl kan automatisk visuel inspektion finde?
AI-baseret vision kan bruges til synlige fejl som ridser, misfarvning, fremmedlegemer, forkert etiket og mangelfuld forsegling. Fejlen skal kunne ses i billedet med den valgte belysning og kameravinkel. Fejl, som ikke er synlige på overfladen, kræver andre kontrolmetoder.
Skal man have billeder af fejl for at komme i gang?
Det afhænger af metoden. Klassifikation og detektion kan trænes på billeder af både gode og fejlbehæftede emner, mens anomalidetektion primært lærer af gode emner. Sidstnævnte er nyttig, når fejlene er sjældne, men billederne skal stadig vise den acceptable variation i produktionen.
Hvordan tester man automatisk kvalitetskontrol i produktionen?
Start med en afgrænset fejltype, og indsaml billeder fra den faktiske linje. Kør en pilot parallelt med den manuelle kontrol, og sammenlign både oversete fejl og falske afvisninger. Brug sammenligningen til at fastlægge vurderingsgrænser og arbejdsgange.
Vil I vide, hvad det kan betyde hos jer?
På et gratis afklaringsmøde på 30 minutter ser vi på jeres proces og jeres data, og I får en ærlig vurdering af, om og hvor det giver mening at starte.