AI/ML 
Rozwój oprogramowania 
Inspekcja manualna w produkcji wykrywa w optymalnych warunkach około 80% błędów – zmęczenie, dekoncentracja i subiektywna ocena obniżają tę skuteczność dalej. Computer vision oparty na sztucznej inteligencji automatyzuje kontrolę jakości: wykrywanie defektów, inspekcję wizualną i monitoring procesu w czasie rzeczywistym. VM.PL projektuje systemy computer vision z wdrożeniem edge bezpośrednio na linii produkcyjnej, zgodne z RODO, według metodyki 4D.
Dlaczego computer vision przewyższa inspekcję manualną – i gdzie są jej granice?
Ludzki kontroler wzrokowy wykrywa błędy w sposób powtarzalny tylko przy jednoczesnym spełnieniu trzech warunków: dobre oświetlenie, wypoczęty stan, akceptowalne tempo kontroli – w praktyce przemysłowej rzadko wszystkie trzy występują jednocześnie.
Dochodzi do tego problem skalowania: powyżej pewnego taktu linii kontrola manualna przestaje nadążać – każda dodatkowa zmiana wymaga dodatkowego personelu. Computer vision wspomagane AI eliminuje te ograniczenia na czterech płaszczyznach: stała uwaga niezależna od zmiany, temperatury czy różnorodności wariantów produktu; reakcja w milisekundach – klasyfikacja CNN na urządzeniu edge poniżej 100 ms, bez transferu do chmury; powtarzalna klasyfikacja – to samo odchylenie zawsze oceniane tak samo, bez subiektywnego marginesu ocennego; skalowalność – jeden wytrenowany model działa równolegle na wielu liniach, bez proporcjonalnego wzrostu kosztów personalnych.
Granica tej technologii jest prosta do zapamiętania: jeśli doświadczony kontroler nie widzi różnicy między produktem dobrym a wadliwym na zdjęciu, system wizyjny też sobie nie poradzi – wada musi manifestować się w obrazie (kształt, kolor, tekstura, położenie), nie w innych właściwościach fizycznych niewidocznych na zdjęciu.
VM.PL analizuje w fazie Discovery istniejącą infrastrukturę kamer i dostępną bazę zdjęć błędów – żaden projekt nie startuje bez zwalidowanego dowodu wykonalności.
Czym różni się analiza obrazu oparta na AI od systemów regułowyc – CNN, segmentacja, wykrywanie anomalii?
AI-owa wizja komputerowa wykorzystuje modele deep learning, które uczą się na przykładowych zdjęciach, co jest dobrym elementem, a co defektem – bez ręcznego programowania każdego parametru osobno.
| Kryterium | Wizja regułowa | Wizja AI-owa (VM.PL) |
| Zasada działania | Sztywne algorytmy matematyczne (progi, wykrywanie krawędzi) | Uczenie maszynowe: CNN uczy się na zdjęciach błędów |
| Nakład programistyczny | Wysoki – każdy parametr ustawiany ręcznie | Niski – model uczy się samodzielnie z danych treningowych |
| Tolerancja wariancji | Niska – problemy przy zmiennym świetle, odbiciach, geometrii | Wysoka – odporność na odchylenia i zmienne warunki |
| Zastosowanie | Precyzyjna metrologia, kontrole geometryczne, stabilne warunki | Złożone powierzchnie, tekstury, nieznane wcześniej wzorce błędów |
VM.PL stosuje trzy metody ML zależnie od przypadku użycia:
- klasyfikacja CNN rozpoznaje i nazywa typy defektów (rysa, pęknięcie, błąd kształtu) poniżej 100 ms, na bazie oznaczonych zdjęć błędów;
- segmentacja semantyczna lokalizuje defekt z dokładnością do piksela – przydatna, gdy trzeba udokumentować pozycję i rozmiar, nie tylko sam fakt wystąpienia;
- wykrywanie anomalii uczy model wyłącznie na dobrych elementach – każde istotne odchylenie wywołuje alarm, nawet jeśli typ błędu nie był wcześniej znany.
Podejście hybrydowe: wizja regułowa przejmuje precyzyjną metrologię milimetrową, a model CNN ocenia jakościową charakterystykę i teksturę powierzchni. VM.PL projektuje obie warstwy jako skoordynowaną, wspólną architekturę.
Jaki sprzęt potrzebny jest do systemu computer vision – kamera, optyka, oświetlenie?
Nawet najlepsza architektura ML nie zrekompensuje złych danych obrazowych – dobór sprzętu (typ kamery, optyka, oświetlenie, wyzwalanie) to pierwsza krytyczna decyzja każdego projektu CV, poprzedzająca trenowanie modelu.
| Komponent | Opcje i parametry | Kryterium decyzyjne |
| Typ kamery | Kamera obszarowa (stacjonarne stanowisko kontrolne) · kamera liniowa (poruszająca się taśma, wysoka przepustowość) · kamera głębi (pomiar 3D) | Takt linii, ruch kontrolowanego obiektu, wymagana rozdzielczość |
| Rozdzielczość / rozmiar piksela | Rozmiar piksela determinuje najmniejszy wykrywalny defekt – reguła praktyczna: piksel ≤ najmniejszy krytyczny defekt / 3 | Najmniejszy istotny defekt w relacji do rozmiaru elementu |
| Optyka / głębia ostrości | Obiektyw telecentryczny dla dokładności wymiarowej bez zniekształceń perspektywicznych · obiektyw standardowy dla tekstury i koloru | Precyzja pomiaru vs. analiza tekstury; zmienność odległości na linii |
| Oświetlenie | Światło padające (struktura powierzchni) · przechodzące (sylwetka, kompletność) · pasmowe (profil 3D) · koncentryczne (powierzchnie odbijające) | Typ defektu: rysy wymagają światła pasmowego, pęknięcia – padającego |
| Wyzwalanie | Wyzwalacz sprzętowy (precyzyjna synchronizacja z linią) · wyzwalacz programowy (elastyczny, mniej dokładny) | Takt produkcji i wymogi synchronizacji z PLC/SCADA |
Kwestia praktyczna, o której często się zapomina: mechaniczne zamocowanie kamery i pozycjonowanie produktu decydują, jak „czysty” obraz trafia do algorytmu – najczęstszą przyczyną nieudanych wdrożeń bywa nie model ML, tylko prowizorycznie przykręcona kamera i obracający się na taśmie produkt. VM.PL dostarcza po ocenie sprzętowej rekomendację konfiguracji z konkretną specyfikacją typu kamery, ogniskowej obiektywu i geometrii oświetlenia – zanim padnie decyzja inwestycyjna.
Jak VM.PL trenuje model przy małej liczbie zdjęć błędów – transfer learning i augmentacja danych?
Najczęstsza bariera dla AI w przemysłowej wizji komputerowej to zbyt mała liczba oznaczonych zdjęć błędów – błędy z definicji są rzadkie, a nowa linia produkcyjna na starcie ma niewiele udokumentowanych defektów.
Cztery strategie przy skromnej bazie danych błędów:
- Transfer learning – wstępnie wytrenowane modele (ResNet, EfficientNet, YOLO) nauczyły się na milionach ogólnych obrazów rozpoznawać podstawowe struktury: krawędzie, tekstury, kształty. VM.PL dostraja tę wiedzę do specyficznych defektów danej firmy – osiągalne już od kilkuset przykładów treningowych, podczas gdy trening od zera wymagałby tysięcy.
- Augmentacja danych – istniejące zdjęcia błędów są systematycznie modyfikowane: rotacja, odbicie lustrzane, zmiany jasności i kontrastu, przycinanie, szum gaussowski. Ze 100-200 oryginalnych zdjęć powstaje w ten sposób kilka tysięcy wariantów treningowych – model uczy się niewrażliwości na warunki fotografowania.
- Generowanie danych syntetycznych – VM.PL generuje syntetyczne zdjęcia defektów na bazie zdjęć rzeczywistych dobrych elementów – rysy, pęknięcia czy przebarwienia są algorytmicznie nanoszone na zdjęcia elementów bez wad. Szczególnie wartościowe dla rzadkich typów defektów, które w produkcji występują sporadycznie, ale są krytyczne.
- Wykrywanie anomalii jako punkt startowy – jeśli nie ma wystarczającej liczby zdjęć błędów do zbudowania klasyfikatora, VM.PL trenuje najpierw model wykrywania anomalii wyłącznie na dobrych elementach. Przejście do modelu klasyfikującego następuje, gdy z bieżącej produkcji zbierze się wystarczająco dużo oznaczonych zdjęć błędów.
Minimalny wymóg danych: faza Discovery precyzyjnie określa, ile zdjęć błędów na typ defektu jest potrzebne, jaka strategia augmentacji pasuje i czy lepszym punktem startu jest transfer learning czy wykrywanie anomalii.
Gdzie VM.PL wdraża computer vision w produkcji?
Computer vision adresuje cztery główne obszary w produkcji przemysłowej.
| Obszar | Konkretne zadanie | Mierzalny efekt |
| Kontrola jakości | Wykrywanie defektów: rysy, pęknięcia, odchylenia koloru, błędy kształtu na elementach w czasie rzeczywistym; powierzchnie odbijające i teksturowane | Spadek wskaźnika braków, wczesne wykrycie zamiast poprawek |
| Monitoring procesu | Postęp montażu, kontrola kompletności (śruby, uszczelki), przepływ materiału i stan maszyny dokumentowane automatycznie | Pełna dokumentacja jakości, wykryte błędy montażowe |
| Logistyka | Automatyczne rozpoznawanie kodów kreskowych/QR, liczenie zapasów przez kamerę, wsparcie dla robotów pick-and-place | Mniej błędów w stanach magazynowych, szybsze procesy chwytania |
| Bezpieczeństwo pracy | Rozpoznawanie środków ochrony osobistej (kask, kamizelka odblaskowa), kontrola dostępu do stref niebezpiecznych | Alarm w sekundy, automatyczny protokół kontrolny |
Computer vision VM.PL w praktyce
Doświadczenie w analizie obrazów z wykorzystaniem AI: VM.PL opracowało rozwiązanie oparte na sztucznej inteligencji, które umożliwia automatyczne wykrywanie uszkodzonych podkładów kolejowych na podstawie analizy obrazów. Dzięki technologii Computer Vision system pozwala identyfikować uszkodzenia i nieprawidłowości, wspierając procesy inspekcji oraz zwiększając efektywność oceny stanu infrastruktury kolejowej.
Referencja: Wykrywanie uszkodzonych podkładów kolejowych za pomocą AI
Jak VM.PL integruje CV z linią produkcyjną bez jej zatrzymania?
System CV jest integrowany jako warstwa API nad istniejącymi systemami MES i SCADA – bez zatrzymania produkcji, bez ingerencji w systemy sterowania. Linia produkcyjna działa nieprzerwanie przez cały czas integracji.
Architektura edge deployment: model ML działa na urządzeniu edge bezpośrednio przy linii produkcyjnej – przemysłowy komputer, NVIDIA Jetson lub kompaktowy system embedded, zależnie od wymaganej mocy obliczeniowej. Latencja: klasyfikacja CNN poniżej 100 ms – bez transferu do chmury, bez ryzyka związanego z ochroną danych przy zewnętrznym przetwarzaniu obrazu. Chmura opcjonalnie: wyniki klasyfikacji i statystyki są przesyłane przez Azure IoT Hub do Azure SQL lub centralnego dashboardu – same obrazy pozostają on-premise. Warstwa API oparta na Java/Spring Boot lub Node.js/NestJS przekazuje alarmy i wyniki klasyfikacji bezpośrednio do MES, dashboardu operatora lub ERP, z możliwością rollbacku w każdej chwili.
CI/CD: Azure DevOps/Pipelines automatyzuje testy i wdrożenie każdej aktualizacji modelu. Nowe warianty produktu czy dodatkowe typy defektów są wprowadzane jako cykl retreningu – bez przerwy w działaniu systemu.
Co oferuje 3D vision i sensoryka specjalistyczna?
Standardowe kamery 2D pokrywają większość zadań inspekcyjnych w przemyśle. Dla specyficznych wymogów – dokładność wymiarowa w trzech wymiarach, niewidoczne wady materiałowe, właściwości podłoża – stosuje się sensory specjalistyczne łączone z analizą ML.
| Technologia | Funkcja | Typowe zastosowania |
| Structured light 3D | Projekcja wzoru paskowego na element – odkształcenia wzoru dają precyzyjny profil wysokościowy 3D. Dokładność: 10-100 μm | Geometria spoiny spawalniczej, płaskość odlewu, płaskość powierzchni uszczelniających |
| Kamera głębi / ToF | Time-of-Flight mierzy czas przelotu światła do obiektu – informacja o głębi w czasie rzeczywistym, bez ruchomych części. Niższa precyzja niż structured light, ale szybsza | Szybka klasyfikacja obecności/braku, orientacja przestrzenna elementu |
W jakich branżach VM.PL wdraża computer vision?
AI-owa wizja komputerowa jest technicznie uniwersalna branżowo – istotnie różnią się typy defektów, takty i tolerancje precyzji, nie sam mechanizm.
| Branża | Typowe zastosowanie CV | Szczególne wymagania |
| Automotive | Inspekcja powierzchni lakierowanych elementów karoserii, kontrola jakości spoin spawalniczych, dokładność wymiarowa elementów precyzyjnych, kompletność montażu | Dokumentacja zgodna z IATF 16949, krótki takt (<1 s), kontrola 100% produkcji |
| Elektronika / półprzewodniki | Kontrola jakości lutowania (AOI), weryfikacja montażu PCB, wykrywanie defektów waflowych, inspekcja połączeń drutowych | Najwyższa rozdzielczość (zakres mikrometrów), precyzja submikronowa, kompatybilność z pomieszczeniami czystymi |
| Farmacja / wyroby medyczne | Kontrola poziomu napełnienia ampułek, wykrywanie cząstek, kontrola etykiet i serializacji, kompletność blistrów | Zgodność z FDA 21 CFR Part 11 (rynek USA) i EU GMP Annex 11 (systemy skomputeryzowane, rynek UE/PL), pełny ślad audytowy, dokumentacja walidacyjna |
| Branża spożywcza / dobra konsumpcyjne | Wykrywanie ciał obcych, kontrola kształtu, klasyfikacja koloru i dojrzałości, kontrola opakowań | Wysoka prędkość (do 1200 elementów/min), materiały dopuszczone do kontaktu z żywnością, klasa ochrony IP |
| Obróbka metalu / maszyny | Wykrywanie defektów odlewniczych, chropowatość powierzchni, inspekcja spoin, monitoring zużycia narzędzi | Odporność na trudne warunki środowiskowe, zmienne oświetlenie, większe elementy |
Ile kosztuje system CV – ROI i break-even?
Systemy CV amortyzują się szybciej niż większość projektów automatyzacji – bo zastępują nie tylko koszty personalne, ale też redukują braki, koszty poprawek, ryzyko wycofań produktu i kary za jakość.
| Kategoria kosztowa | Sposób obliczenia | Typowy potencjał oszczędności |
| Koszty braków i poprawek | Aktualny wskaźnik błędów × koszt jednostkowy × wolumen roczny. CV redukuje wskaźnik błędów zwykle do 0,1-1% (manualnie: 3-20%) | Zależy silnie od branży i wolumenu – im wyższy wolumen, tym szybszy zwrot |
| Koszty personalne kontroli wzrokowej | Liczba kontrolerów × roczne wynagrodzenie z narzutami × czynnik zmianowości. CV nie zastępuje wszystkich kontrolerów, ale odciąża i pozwala na przesunięcie zadań | Typowo 1-3 stanowiska kontrolne na linię |
| Koszty wycofań i reklamacji | Historyczne wycofania × przeciętny koszt na przypadek. Wczesne wykrycie przez CV zapobiega wysyłce wadliwych elementów | Pojedynczy zapobiegnięty incydent może przewyższyć całą inwestycję w CV |
Kalkulację break-even VM.PL przeprowadza w fazie Discovery na podstawie rzeczywistych wskaźników błędów, kosztów jednostkowych i taktów linii danej firmy – konkretna prognoza amortyzacji przed zobowiązaniem, nie uśredniony branżowy wskaźnik.
Czym VM.PL różni się od gotowych systemów machine vision?
VM.PL trenuje model na rzeczywistych zdjęciach defektów konkretnej firmy, nie na generycznym zbiorze – to wyższa dokładność w praktyce niż w prekonfigurowanych systemach kupowanych z półki.
Cztery elementy różnicujące:
- Custom ML na Twoich danych – model trenowany na faktycznych obrazach błędów z linii produkcyjnej klienta, nie na uśrednionych wzorcach branżowych.
- Edge deployment bez zależności od chmury – przetwarzanie obrazu lokalnie, poniżej 100 ms, bez ryzyka związanego z transferem danych obrazowych na zewnątrz.
- Architektura branżowo dopasowana – dobór sprzętu, tolerancji i norm dokumentacyjnych specyficzny dla sektora (patrz sekcja branżowa), nie rozwiązanie generyczne.
- Brak vendor lock-in – kod źródłowy i konfiguracja modelu należą do klienta, bez bieżących opłat licencyjnych za rozwiązanie stworzone na zamówienie.
Jak wygląda proces wdrożenia (4D)?
Faza Discovery ocenia w pierwszej kolejności istniejącą infrastrukturę kamer i dostępną bazę zdjęć błędów – projekt CV bez zwalidowanego dowodu wykonalności nie startuje.
| Faza | Aktywności | Rezultat | Czas trwania |
| Discovery | Ocena infrastruktury kamer, ocena bazy zdjęć błędów, dobór strategii danych, ocena RODO | Concept Document (Go/No-Go) | 1-2 tygodnie |
| Definition | Architektura ML (CNN/segmentacja/anomalie), specyfikacja sprzętu, projekt integracji z MES/SCADA | Architecture Blueprint | 1 tydzień |
| Delivery | Trenowanie modelu, wdrożenie edge, integracja API, testy przez Azure Pipelines, odbiór | Produkcyjny system CV | 4-10 tygodni |
| Direction | Monitoring wydajności, retraining przy nowych wariantach produktu, aktualizacje modelu | Roadmapa rozwoju | ciągle |