Οπτικός Έλεγχος Ποιότητας με Computer Vision στη Γραμμή Παραγωγής

Ο οπτικός έλεγχος ποιότητας υπάρχει σε κάθε γραμμή παραγωγής. Το ερώτημα δεν είναι αν θα γίνει, αλλά σε πόσα τεμάχια. Ο ανθρώπινος έλεγχος γίνεται σε δείγμα, γιατί δεν υπάρχει άλλος τρόπος: η προσοχή κουράζεται, η ταχύτητα της γραμμής δεν περιμένει και το κόστος δεν επιτρέπει έναν ελεγκτή ανά θέση. Η υπολογιστική όραση (computer vision) αλλάζει ακριβώς αυτό — ο έλεγχος γίνεται σε κάθε τεμάχιο, με το ίδιο κριτήριο, χωρίς κόπωση.

Αυτό το άρθρο περιγράφει πώς δουλεύει ένα τέτοιο σύστημα στην πράξη: τι μπορεί να ελέγξει, τι χρειάζεται για να είναι αξιόπιστο, πού συνήθως αποτυγχάνει, και γιατί η αξία του πολλαπλασιάζεται όταν συνδεθεί με το ERP.

Τι είναι ο αυτόματος οπτικός έλεγχος;

Είναι η χρήση καμερών και λογισμικού για την αξιολόγηση προϊόντων πάνω στη γραμμή, χωρίς ανθρώπινη παρέμβαση. Μια κάμερα καταγράφει κάθε τεμάχιο, το λογισμικό αναλύει την εικόνα σε σχέση με προκαθορισμένα κριτήρια, και το σύστημα αποφασίζει αν το προϊόν συνεχίζει ή απορρίπτεται. Η απόφαση παίρνεται σε χιλιοστά του δευτερολέπτου, ώστε να μη διακόπτεται η ροή.

Στη βιομηχανία ο όρος machine vision χρησιμοποιείται συχνά για τα κλασικά συστήματα κανόνων, ενώ computer vision για τις προσεγγίσεις που βασίζονται σε μοντέλα μηχανικής μάθησης. Η διάκριση έχει πρακτική σημασία, όπως θα δούμε παρακάτω.

Τι μπορεί να ελέγξει ένα σύστημα υπολογιστικής όρασης;

Οι έλεγχοι χωρίζονται σε κατηγορίες με πολύ διαφορετικό βαθμό δυσκολίας:

• Παρουσία και απουσία. Υπάρχει το καπάκι; Μπήκε το φυλλάδιο στο κουτί; Είναι όλα τα φιαλίδια στη συσκευασία; Είναι ο ευκολότερος και πιο αξιόπιστος τύπος ελέγχου.
• Θέση και ευθυγράμμιση. Είναι η ετικέτα ίσια; Είναι κεντραρισμένη; Έχει τσαλακωθεί ή σηκωθεί στην άκρη;
• Ανάγνωση κειμένου και κωδικών (OCR / barcode). Είναι τυπωμένη η παρτίδα και η ημερομηνία λήξης; Είναι ευανάγνωστες; Αντιστοιχούν στην τρέχουσα εντολή παραγωγής;
• Μετρήσεις διαστάσεων. Στάθμη πλήρωσης, ύψος, διάμετρος, απόσταση. Απαιτεί βαθμονόμηση και σταθερή γεωμετρία λήψης.
• Χρώμα και απόχρωση. Κρίσιμο σε καλλυντικά και τρόφιμα, όπου η απόκλιση παρτίδας είναι ορατή στον τελικό καταναλωτή. Απαιτεί ελεγχόμενο φωτισμό, αλλιώς μετράτε τον φωτισμό και όχι το προϊόν.
• Ελαττώματα επιφάνειας. Γρατζουνιές, φυσαλίδες, εγκλείσματα, ανομοιομορφίες. Ο δυσκολότερος τύπος, γιατί το «ελάττωμα» δεν έχει σταθερή μορφή.

Χρειάζεται πάντα τεχνητή νοημοσύνη;

Όχι — και αυτή είναι η πιο συχνή παρανόηση. Για ελέγχους με σαφή, σταθερό κριτήριο, ένα σύστημα κανόνων είναι απλούστερο, ταχύτερο, φθηνότερο και ευκολότερο να εξηγηθεί σε έναν επιθεωρητή. Αν το ερώτημα είναι «υπάρχει καπάκι στη θέση του», δεν χρειάζεται μοντέλο μηχανικής μάθησης.

Η μηχανική μάθηση αξίζει όταν το ελάττωμα δεν περιγράφεται με κανόνες: ανομοιομορφίες υφής, ελαττώματα με μεταβλητό σχήμα, φυσική διακύμανση του υλικού που δεν πρέπει να θεωρηθεί σφάλμα. Εκεί ένα μοντέλο μαθαίνει τη διαφορά από παραδείγματα, εκεί όπου ένας κανόνας θα απέτυχε.

Στην πράξη τα περισσότερα συστήματα είναι υβριδικά: κανόνες για τα απλά και σταθερά, μοντέλα για τα δύσκολα.

Τι χρειάζεται για να δουλέψει αξιόπιστα;

Ο φωτισμός είναι το σημαντικότερο κομμάτι

Αν πρέπει να συγκρατήσετε ένα μόνο πράγμα από αυτό το άρθρο, ας είναι αυτό: ο φωτισμός καθορίζει την επιτυχία περισσότερο από τον αλγόριθμο. Ένα μέτριο μοντέλο με σωστό φωτισμό αποδίδει καλύτερα από ένα εξαιρετικό μοντέλο με μεταβλητό φωτισμό.

Ο φωτισμός πρέπει να είναι σταθερός και ελεγχόμενος: ίδιος στη βάρδια της ημέρας και της νύχτας, ανεπηρέαστος από το φως που μπαίνει από τα παράθυρα, χωρίς αντανακλάσεις σε γυαλιστερές επιφάνειες. Σε γυάλινα ή μεταλλικά φιαλίδια —συνηθισμένα στα καλλυντικά— η αντανάκλαση είναι το κύριο τεχνικό πρόβλημα, και λύνεται με τη γεωμετρία και τον τύπο του φωτισμού, όχι με λογισμικό.

Σταθερή θέση και ταχύτητα

Το προϊόν πρέπει να περνά από την ίδια θέση με ανεκτή απόκλιση. Ο χρόνος έκθεσης της κάμερας πρέπει να ταιριάζει με την ταχύτητα της γραμμής, αλλιώς η εικόνα βγαίνει θολή. Αν η γραμμή είναι γρήγορη, χρειάζεται στροβοσκοπικός φωτισμός ή κάμερα με global shutter.

Δεδομένα που περιλαμβάνουν ελαττώματα

Εδώ εμφανίζεται ένα πρακτικό παράδοξο: όσο καλύτερη είναι η παραγωγή σας, τόσο λιγότερα παραδείγματα ελαττωμάτων έχετε για να εκπαιδεύσετε το μοντέλο. Μια γραμμή με ελάχιστα σφάλματα δίνει χιλιάδες σωστές εικόνες και ελάχιστες λανθασμένες.

Υπάρχουν δύο δρόμοι. Ο πρώτος είναι η συστηματική συλλογή ελαττωματικών δειγμάτων πριν την εγκατάσταση — αξίζει να ξεκινήσει νωρίς. Ο δεύτερος είναι η ανίχνευση ανωμαλίας (anomaly detection): το μοντέλο μαθαίνει μόνο πώς είναι το σωστό προϊόν και σημαίνει ό,τι αποκλίνει, χωρίς να χρειάζεται παραδείγματα κάθε πιθανού σφάλματος. Είναι συχνά η ρεαλιστικότερη αφετηρία.

Τι σημαίνει «ακρίβεια» και γιατί ένα ποσοστό δεν λέει τίποτα

Ένα σύστημα οπτικού ελέγχου κάνει δύο ειδών λάθη, και δεν κοστίζουν το ίδιο:

• False negative — ελαττωματικό προϊόν περνά ως σωστό. Φτάνει στον πελάτη. Σε καλλυντικά, τρόφιμα ή φάρμακα μπορεί να σημαίνει ανάκληση.
• False positive — σωστό προϊόν απορρίπτεται. Κοστίζει σε φύρα και, αν είναι συχνό, οδηγεί το προσωπικό να αγνοήσει ή να παρακάμψει το σύστημα.

Τα δύο βρίσκονται σε αντίστροφη σχέση: όσο αυστηρότερο το κατώφλι, τόσο λιγότερα ελαττωματικά περνούν και τόσο περισσότερα καλά απορρίπτονται. Δεν υπάρχει σωστή ρύθμιση γενικά — υπάρχει σωστή ρύθμιση για το δικό σας κόστος λάθους. Γι' αυτό ένα διαφημιστικό ποσοστό ακρίβειας χωρίς αναφορά στη σχέση των δύο σφαλμάτων δεν σημαίνει τίποτα.

Η ρύθμιση αυτή είναι επιχειρηματική απόφαση, όχι τεχνική. Ο προμηθευτής μπορεί να σας δείξει τη σχέση· την επιλογή πρέπει να την κάνετε εσείς, γνωρίζοντας τι κοστίζει η κάθε πλευρά στη δική σας περίπτωση.

Πού συνήθως αποτυγχάνουν αυτά τα έργα;

• Ο φωτισμός αντιμετωπίστηκε ως λεπτομέρεια. Το σύστημα δουλεύει στην επίδειξη και αστοχεί στη νυχτερινή βάρδια.
• Άλλαξε η συσκευασία και κανείς δεν ενημέρωσε το σύστημα. Νέο σχήμα ετικέτας σημαίνει επαναρύθμιση — η αλλαγή πρέπει να είναι μέρος της διαδικασίας, όχι έκπληξη.
• Το κατώφλι μπήκε πολύ αυστηρό. Οι πολλές λανθασμένες απορρίψεις κάνουν το προσωπικό να χάσει την εμπιστοσύνη του και να παρακάμψει τον έλεγχο.
• Τα αποτελέσματα δεν πήγαν πουθενά. Το σύστημα απορρίπτει σωστά, αλλά κανείς δεν βλέπει ποια παρτίδα, ποια βάρδια ή ποιο μηχάνημα παράγει τα περισσότερα σφάλματα.

Γιατί έχει σημασία η σύνδεση με το ERP;

Ένα αυτόνομο σύστημα οπτικού ελέγχου απορρίπτει προϊόντα. Ένα συνδεδεμένο σύστημα παράγει πληροφορία.

Όταν το αποτέλεσμα κάθε ελέγχου γράφεται στην παρτίδα του ERP, αλλάζουν πρακτικά πράγματα:

• Ο φάκελος ποιότητας της παρτίδας συμπληρώνεται αυτόματα, με τεκμηρίωση ανά τεμάχιο αντί για χειρόγραφο δελτίο δείγματος.
• Σε ανάκληση, η ιχνηλασιμότητα δείχνει ποιες παρτίδες πρώτης ύλης συμμετείχαν και σε ποιους πελάτες τιμολογήθηκαν — και τώρα και τι έδειξε ο οπτικός έλεγχος σε καθεμία.
• Η φύρα από απορρίψεις καταγράφεται στο κόστος της εντολής παραγωγής, αντί να χάνεται σε μια γενική διαφορά απογραφής.
• Τα ποσοστά σφάλματος γίνονται δείκτες σε dashboard — ανά βάρδια, ανά γραμμή, ανά προμηθευτή υλικού — και δείχνουν πού είναι η αιτία, όχι μόνο ότι υπάρχει.

Αυτό είναι το σημείο όπου ο οπτικός έλεγχος παύει να είναι ένα φίλτρο στο τέλος της γραμμής και γίνεται μέρος του συστήματος ποιότητας.

Πώς ξεκινά κανείς;

Όχι από την κάμερα. Από το ερώτημα: ποιο συγκεκριμένο ελάττωμα σας κοστίζει περισσότερο σήμερα; Ένας έλεγχος που λύνει ένα πραγματικό πρόβλημα αποδίδει πολύ περισσότερο από μια γενική εγκατάσταση που ελέγχει τα πάντα μέτρια.

Μια ρεαλιστική σειρά βημάτων:

1. Επιλέξτε έναν έλεγχο, με μετρήσιμο κόστος αν αποτύχει.
2. Συλλέξτε εικόνες από την πραγματική γραμμή — και σωστών και ελαττωματικών τεμαχίων, σε όλες τις βάρδιες.
3. Λύστε πρώτα τον φωτισμό και τη σταθερότητα θέσης.
4. Δοκιμάστε παράλληλα με τον υπάρχοντα έλεγχο, χωρίς να απορρίπτει, ώσπου να συμφωνούν οι αποφάσεις.
5. Ρυθμίστε το κατώφλι με βάση το δικό σας κόστος λάθους.
6. Συνδέστε τα αποτελέσματα με την παρτίδα στο ERP.

Πώς μπορεί να βοηθήσει η DGSOFT

Η DGSOFT συνδυάζει δύο πράγματα που συνήθως αγοράζονται χωριστά: την υλοποίηση του Soft1 ERP με πλήρη διαχείριση παρτίδων και ιχνηλασιμότητα, και την ανάπτυξη λύσεων AI και IoT για τη γραμμή παραγωγής. Ο οπτικός έλεγχος αποδίδει πολλαπλάσια όταν τα δεδομένα του καταλήγουν στην παρτίδα και στο κόστος, και αυτό απαιτεί να μιλούν τα δύο συστήματα.

Αν εξετάζετε τέτοιο έργο, το πρώτο βήμα είναι μια συζήτηση πάνω στη δική σας γραμμή: τι ελέγχεται σήμερα, με τι κόστος και τι θα άξιζε να ελέγχεται σε κάθε τεμάχιο.