Rozmowy o AI w kontroli jakości zwykle zaczynają się od pytań o model: jaką architekturę, ile danych, jaką dokładność. Tymczasem najczęstszym powodem, dla którego pilot kończy się gorszym wynikiem niż oczekiwano, nie jest model — tylko obraz, na którym miał pracować. Model nie widzi produktu. Widzi to, co pokazało mu oświetlenie.
Model nie naprawi obrazu, którego nie da się odczytać
To prosta zależność, o której łatwo zapomnieć: jeśli defekt nie jest widoczny na obrazie, żaden model go nie wykryje — niezależnie od tego, jak dobrze został wytrenowany. Odwrotnie, jeśli oświetlenie generuje fałszywy cień czy odblask przypominający wadę, model może nauczyć się reagować na artefakt obrazowania, a nie na rzeczywisty problem produktu. W obu przypadkach źródłem błędu nie jest trening, tylko to, co działo się w kadrze, zanim jakikolwiek piksel trafił do modelu.
Dlatego kwalifikacja procesu w AIVQC zaczyna się od oceny kamery, optyki i oświetlenia — przed zebraniem danych treningowych, nie równolegle z nimi. Zbiór danych zbudowany na niestabilnych warunkach obrazowania trzeba będzie i tak zebrać ponownie, kiedy te warunki się poprawią.
Dotyczy to każdego typu kontroli, jaki opisujemy w zastosowaniach — braku komponentu, nieprawidłowego montażu, etykiet i nadruku czy zanieczyszczeń — bo każdy z nich zaczyna się od tego samego pytania: czy w ogóle da się to zobaczyć na obrazie, zanim zacznie się mówić o modelu.
Ten sam defekt, inny wynik w zależności od kąta światła
Rysy i pęknięcia to najbardziej wyrazisty przykład tej zależności: drobne uszkodzenie powierzchni bywa widoczne tylko pod określonym kątem padania światła, a przy innym ustawieniu — niewidoczne całkowicie. To samo dotyczy krawędzi i geometrii produktu, które z natury trudniej obrazować równomiernie niż płaską powierzchnię — nadlewki i deformacje formowania często ujawniają się dopiero wtedy, gdy oświetlenie podkreśli kontur, a nie samą powierzchnię.
Konsekwencja jest praktyczna: warunki obrazowania użyte podczas zbierania danych treningowych muszą być odtwarzalne na stanowisku produkcyjnym. Zdjęcie zrobione w innych warunkach niż te, w których będzie pracować inspekcja, uczy model czegoś innego niż to, z czym będzie miał do czynienia na linii.
Błyszcząca powierzchnia to inne zadanie niż matowa
Rodzaj powierzchni zmienia całą specyfikę problemu oświetleniowego. Surowy, szlifowany, anodowany czy galwanizowany metal silnie odbija światło — odblask bywa trudny do odróżnienia od rzeczywistej rysy bez odpowiednio dobranej kwalifikacji optyki. Błyszcząca etykieta, folia czy laminowane opakowanie generują ten sam problem w innej branży: olśnienie może całkowicie zasłonić nadruk, który miało zweryfikować. Tworzywa sztuczne bywają matowe, błyszczące lub teksturowane w zależności od koloru i partii surowca, co oznacza, że dobór oświetlenia trzeba dopasować nie tylko do produktu, ale i do jego konkretnego wariantu.
Nie ma jednego uniwersalnego ustawienia oświetlenia, które sprawdzi się wszędzie. Jest natomiast pytanie, które warto zadać dla każdego przypadku osobno: czy ten konkretny defekt, na tej konkretnej powierzchni, jest widoczny w sposób powtarzalny — cykl po cyklu, zmiana po zmianie.
Na co zwrócić uwagę, zanim zacznie się trening
- Czy defekt jest widoczny w tych samych warunkach, w jakich będzie obrazowany na produkcji — nie tylko w warunkach testowych czy laboratoryjnych
- Czy oświetlenie ogranicza odblaski i olśnienia na błyszczących lub foliowanych powierzchniach zamiast je pomijać
- Czy warunki obrazowania są stabilne w czasie — światło zewnętrzne, zabrudzenie optyki i starzenie się źródła światła potrafią po miesiącach zmienić to, co model „widzi”
- Czy krawędzie i geometria produktu są oświetlone tak, by podkreślić kontur, a nie tylko powierzchnię
- Czy ta sama konfiguracja oświetlenia sprawdza się dla wszystkich wariantów koloru i faktury, które mają być obsługiwane na jednym stanowisku
Dlatego to pierwszy krok pilota, nie ostatni
W pilocie AIVQC ocena kamery, optyki i oświetlenia poprzedza jakąkolwiek pracę nad modelem — właśnie dlatego, że błąd popełniony na tym etapie kosztuje najwięcej, jeśli wyjdzie na jaw dopiero po zebraniu danych i treningu. Jeżeli obecne warunki obrazowania nie wystarczają, raport kwalifikacyjny wskazuje to wprost, zamiast zostawiać to jako niespodziankę po fakcie.
Jeśli nie wiesz, czy oświetlenie na Twojej linii wystarczy do wykrycia konkretnego defektu, to dokładnie to pytanie rozstrzyga konsultacja wstępna — zanim padnie decyzja o zbieraniu danych czy treningu modelu.