Inspeksi Visual AI di Lini Produksi: Data, Model, Batasan

Di ujung lini, seorang inspektor memeriksa ratusan sampai ribuan produk per shift: goresan, penyok, noda, cetakan yang bergeser, atau komponen yang tidak terpasang. Di jam pertama matanya masih tajam. Menjelang akhir shift, cacat kecil mulai lolos, dan dua inspektor bisa memberi keputusan berbeda untuk produk yang sama.

Inspeksi visual AI di produksi memakai kamera dan model computer vision untuk memeriksa setiap produk dengan kriteria yang sama sepanjang shift. Artikel ini membahas cara kerjanya, data gambar yang dibutuhkan, cara melatih dan menguji model, jebakan akurasinya, dan batasannya.

Cara kerja inspeksi visual AI di produksi

Sistemnya punya empat bagian:

1. Kamera dan pencahayaan di titik tetap, misalnya di atas konveyor. Sensor posisi memicu kamera saat produk tepat di bawahnya. Untuk material yang mengalir terus, seperti kain, kertas, atau film, biasanya dipakai kamera line-scan yang memotret baris demi baris.
2. Model computer vision yang memutuskan: lolos atau tidak (klasifikasi), di mana letak cacatnya (deteksi), atau seberapa luas area cacatnya (segmentasi).
3. Tindakan yang mengikuti keputusan: sinyal ke PLC untuk menyisihkan produk, lampu peringatan untuk operator, atau tanda untuk diperiksa ulang.
4. Pencatatan setiap hasil beserta gambarnya, sehingga cacat bisa dihitung per jenis, per jam, atau per batch.

Model bisa dilatih dengan dua cara. Model terawasi (supervised) belajar dari gambar cacat yang diberi label per jenis. Model deteksi anomali cukup belajar dari gambar produk bagus, lalu menandai apa pun yang berbeda. Cara kedua berguna saat cacat jarang terjadi, tapi lebih sering menandai variasi yang sebenarnya tidak masalah.

Kamera atau data proses?

Inspeksi visual bukan satu-satunya cara menekan cacat. Pendekatan lain adalah prediksi cacat produksi dari data proses seperti suhu, tekanan, dan kecepatan mesin. Keduanya menjawab pertanyaan berbeda:

Aspek	Inspeksi visual AI	Prediksi dari data proses
Yang diperiksa	Tampilan produk yang sudah terbentuk	Kondisi proses saat produk dibuat
Kapan peringatan muncul	Setelah produk terbentuk, per unit	Lebih awal, sebelum hasil uji keluar
Cocok untuk	Cacat permukaan: gores, penyok, noda, label, kelengkapan komponen	Cacat yang tidak terlihat: kadar air, kekentalan, kekuatan sambungan
Data latih	Gambar berlabel dari lini	Data sensor dan PLC yang dicocokkan dengan hasil mutu

Banyak pabrik akhirnya memakai keduanya: kamera menyaring produk cacat, data proses membantu menjelaskan kenapa cacat itu muncul.

Data gambar yang dibutuhkan

• Pencahayaan yang konsisten. Ini sering lebih menentukan daripada resolusi kamera. Cahaya dari sudut rendah menonjolkan goresan dan penyok, cahaya menyebar (diffuse) mengurangi silau pada permukaan mengilap, dan cahaya dari belakang (backlight) cocok untuk memeriksa bentuk dan lubang. Lindungi area kamera dari cahaya jendela yang berubah sepanjang hari.
• Resolusi yang sesuai dengan cacat terkecil. Cacat terkecil harus terwakili beberapa piksel. Sebagai ilustrasi, bidang pandang 200 mm yang dipotret dengan lebar 2.000 piksel memberi 0,1 mm per piksel, sehingga goresan selebar 0,3 mm hanya terwakili sekitar 3 piksel. Pada konveyor cepat, waktu pencahayaan kamera juga harus pendek agar gambar tidak kabur.
• Contoh cacat dengan label yang konsisten. Kumpulkan gambar dari lini yang sebenarnya, untuk setiap jenis cacat, varian produk, dan shift. Susun katalog cacat tertulis bersama QC, lengkap dengan sampel batas (contoh yang masih lolos dan yang sudah ditolak), supaya semua pemberi label memakai kriteria yang sama.

Langkah melatih dan menguji model

1. Pilih satu produk dan satu sampai tiga jenis cacat yang paling sering lolos atau paling mahal akibatnya.
2. Pasang kamera dan pencahayaan di lini, lalu kumpulkan gambar selama beberapa minggu agar variasi bahan, shift, dan setting mesin ikut terekam.
3. Beri label dan periksa kesepakatannya. Minta dua inspektor melabeli sebagian gambar yang sama. Kalau mereka sering tidak sepakat, perbaiki katalog cacatnya dulu. Model tidak bisa lebih konsisten daripada labelnya.
4. Pisahkan data uji berdasarkan waktu atau batch, bukan acak per gambar. Gambar dari menit yang sama nyaris kembar, sehingga pembagian acak membuat hasil uji terlihat lebih bagus daripada kenyataannya.
5. Jalankan berdampingan dengan inspektor selama beberapa minggu sebelum model diberi wewenang menyisihkan produk.
6. Tentukan ambang keputusan berdasarkan biaya, lalu latih ulang saat produk, bahan, atau pencahayaan berubah.

Jebakan akurasi yang sering ditemui

Satu angka akurasi hampir selalu menyesatkan karena produk cacat jumlahnya sedikit. Ukur dua kesalahan secara terpisah: cacat yang lolos (escape) dan produk bagus yang ditolak (false reject, sering disebut overkill). Harga keduanya berbeda. Sebagai ilustrasi, lini yang menghasilkan 10.000 unit per hari dengan false reject 1% menyisihkan 100 unit bagus setiap hari untuk diperiksa ulang.

Jebakan lain yang khas pada data gambar:

• Model belajar jalan pintas. Kalau sampel cacat difoto di meja atau jig yang berbeda, model bisa mengenali mejanya, bukan cacatnya. Foto produk bagus dan cacat dengan cara yang sama.
• Kondisi berubah diam-diam. Lampu yang meredup, lensa berdebu, atau kamera yang sedikit bergeser menurunkan kinerja tanpa ada yang sadar. Pantau rasio reject harian dan periksa kamera secara rutin.
• Cacat jenis baru. Model terawasi hanya mengenal cacat yang pernah dilihatnya. Cacat baru perlu dikumpulkan, diberi label, dan dilatihkan.

Batasan inspeksi visual AI

• Hanya melihat yang terlihat kamera. Sisi yang tertutup, cacat di dalam material, dan sifat mekanis tetap butuh uji lain atau data proses.
• Permukaan mengilap dan transparan sulit. Kaca, plastik bening, dan logam yang dipoles butuh desain pencahayaan khusus, kadang beberapa sudut kamera.
• Integrasi mekanis adalah pekerjaan tersendiri. Menyisihkan produk otomatis butuh sinyal ke PLC, mekanisme reject, dan pengaman yang dirancang bersama tim mesin.
• Tanggung jawab mutu tetap di QC. Inspektor beralih ke pemeriksaan kasus yang meragukan dan menjaga mutu label.

Pertanyaan yang sering diajukan

Apakah kamera CCTV yang sudah ada bisa dipakai?

Untuk cacat permukaan yang kecil, biasanya tidak. CCTV dipasang jauh untuk memantau area, tanpa pencahayaan terkendali dan tanpa pemicu saat produk lewat. CCTV lebih cocok untuk video analytics keamanan dan operasional, misalnya kepatuhan APD dan zona bahaya.

Berapa banyak gambar yang dibutuhkan?

Tergantung variasi produk dan cacatnya. Yang biasanya menentukan adalah jumlah contoh per jenis cacat, bukan total gambar. Bila cacat sangat jarang, deteksi anomali bisa dimulai dari gambar produk bagus. Nilai kecukupan data dari sampel nyata sebelum menjanjikan hasil.

Di mana model dijalankan?

Keputusan menyisihkan produk harus keluar sebelum produk melewati titik reject, jadi model biasanya berjalan di komputer dekat lini. Ke cloud cukup dikirim ringkasannya: jumlah lolos dan tolak per jenis cacat, ditambah contoh gambar untuk ditinjau.

Apa hubungannya dengan OEE?

Hasil inspeksi adalah sumber angka quality pada OEE: produk bagus dibagi total produk. Dengan inspeksi otomatis, angka itu tersedia per jam, tidak menunggu rekap akhir shift. Lihat artikel monitoring OEE real-time.

Inspeksi visual AI bersama INCLUDE

Proyek inspeksi visual sebaiknya dimulai dari pertanyaan, bukan dari kamera. Lewat jasa predictive analytics dan machine learning, tim INCLUDE memulai dari keputusan yang ingin diperbaiki dan kajian data: cacat mana yang paling mahal, apakah cacat itu terlihat kamera atau lebih cepat dibaca dari data proses, dan apakah gambar yang ada cukup. Model diuji terhadap data Anda dan hasilnya dibahas bersama tim QC, lalu dijalankan di cloud atau di perangkat edge dekat lini bila keputusan harus cepat.

Hasil inspeksi, seperti jumlah lolos dan tolak per jenis cacat, bisa dikirim ke platform INCLUDE lewat MQTT atau HTTP dan tampil di dashboard yang sama dengan data proses dari sensor dan PLC. Rasio reject bisa diberi batas aman, dan alarmnya bisa diteruskan ke Telegram (paket Pro ke atas). Untuk CCTV yang memantau area, seperti kepatuhan APD dan zona bahaya, ekosistem INCLUDE juga punya IncludeVision, platform AI Vision dari CCTV.