Wizyjna kontrola jakości – jak działają systemy wizyjne i jak je wdrożyć

Operator stoi na końcu linii. Bierze do ręki kolejną sztukę, ogląda ją pod lampą, odkłada. Tysiąc razy w ciągu zmiany. Po szóstej godzinie jego oko przepuszcza rysę, której rano by nie odpuścił. Trzy dni później wraca reklamacja na całą partię.

Wizyjna kontrola jakości to zastąpienie tego zmęczonego oka kamerą, która sprawdza każdą sztukę tak samo dokładnie o 6:00 i o 2:00 w nocy — bez znużenia. To metoda automatycznej inspekcji, w której system wizyjny rejestruje obraz produktu, analizuje go i podejmuje decyzję: dobry / zły, zgodny / niezgodny, obecny / brakujący. W tym artykule pokażemy, czym różni się prosty czujnik od pełnego systemu, kiedy wybrać 2D, a kiedy 3D, dlaczego oświetlenie decyduje o powodzeniu projektu i jak wygląda wdrożenie krok po kroku.

Czym jest wizyjna kontrola jakości?

Wizyjna kontrola jakości (ang. machine vision inspection) to proces, w którym kamera przemysłowa wraz z oświetleniem i oprogramowaniem analizuje obraz produktu i automatycznie ocenia jego zgodność z zadanymi kryteriami.

W odróżnieniu od kontroli ręcznej działa w 100% powtarzalnie i z prędkością linii — kilkadziesiąt, a często kilkaset sztuk na minutę.

System „widzi” to, co człowiek, ale mierzy to liczbami: kontrast, krawędź, odległość w pikselach, obecność znaku. Tam, gdzie operator mówi „dla mnie chyba ok”, system mówi „odległość 12,03 mm, tolerancja 12,0 ±0,1 = OK”.

Typowe zadania, które realizuje wizyjna kontrola jakości na linii:

• Wykrywanie defektów – rysy, wgniecenia, pęknięcia, zabrudzenia, braki materiału.
• Kontrola obecności i kompletności – czy wszystkie elementy montażu są na miejscu.
• Pomiary wymiarowe – średnice, odległości, kąty, pozycjonowanie.
• OCR/OCV – odczyt i weryfikacja tekstu: dat ważności, numerów partii, etykiet.
• Odczyt kodów 1D/2D oraz DPM – kody kreskowe i DataMatrix, także grawerowane.
• Naprowadzanie robotów – podanie robotowi pozycji elementu do chwytu (https://automatech.pl/roboty-przemyslowe-i-coboty/).

Jakość samych kodów (a więc i powtarzalność odczytu) opisują standardy branżowe — m.in. norma ISO/IEC 15415 dla kodów 2D oraz wytyczne identyfikacyjne GS1 (https://www.gs1.org/standards/barcodes).

WAŻNE: wizyjna kontrola jakości to nie tylko „wyłapywanie braków”. To także dowód, zapis, że dana sztuka została sprawdzona i przeszła test. Dlatego wizja i traceability w produkcji (https://automatech.pl/traceability-w-produkcji-praktyka-wymagania-i-bledy-wdrozenia/) idą w parze: kamera odczytuje kod, a wynik inspekcji ląduje w bazie przypisany do konkretnego egzemplarza.

Czujnik wizyjny, kamera inteligentna czy system wizyjny – co wybrać?

To najczęstsze źródło przepłaconych albo niedoszacowanych projektów. Nie każda inspekcja potrzebuje pełnego systemu, ale nie każdą da się zamknąć tanim czujnikiem.

Czujnik wizyjny sprawdzi, czy nakrętka jest, czy jej nie ma. Kamera inteligentna (np. Cognex In-Sight – https://automatech.pl/cognex/) połączy w jednym urządzeniu pomiar, odczyt kodu i weryfikację napisu. System wizyjny oparty o PC wchodzi tam, gdzie potrzeba dużej rozdzielczości, wielu kamer, analizy 3D albo sztucznej inteligencji.

 Zalecamy dobierać narzędzie do najtrudniejszego zadania w aplikacji, nie do najczęstszego — jedna trudna cecha do skontrolowania potrafi przesunąć cały projekt o poziom wyżej.

Wizyjna kontrola jakości 2D i 3D – kiedy która technologia?

To rozróżnienie decyduje o tym, czy projekt w ogóle zadziała.

• 2D analizuje obraz płaski — kontrast i krawędzie. Króluje w odczycie kodów, OCR, kontroli obecności, detekcji wad powierzchni. Jest szybkie i tańsze. Wymaga dobrego, stabilnego oświetlenia, bo bazuje na kontraście.
• 3D dodaje informację o głębokości i kształcie. Pozwala mierzyć wysokość, objętość, planarność, wykrywać wgniecenia i prowadzić roboty w przestrzeni. Jest droższe, ale tam, gdzie liczy się geometria, 2D po prostu nie wystarczy.

UWAGA: najczęstszy błąd na etapie założeń to próba mierzenia cechy 3D systemem 2D — np. wysokości kropli kleju albo głębokości tłoczenia. Obraz płaski tego nie „widzi”. Jeśli cecha krytyczna ma trzeci wymiar — zalecamy 3D.

Oświetlenie i optyka – tu wygrywa się projekt wizyjny

Pytanie „jakie oświetlenie do systemu wizyjnego?” pada częściej niż pytanie o samą kamerę — i słusznie. W wizji 2D oświetlenie odpowiada za ~80% sukcesu aplikacji. Najlepsza kamera nie odczyta cechy, której nie widać na obrazie.

Dobór światła zależy od cechy, którą chcesz uwypuklić:

• Pierścieniowe (ring) – uniwersalne, do ogólnej inspekcji i kodów.
• Backlight (podświetlenie od tyłu) – idealne do pomiarów konturu i wymiarów (ostra sylwetka).
• Światło kątowe / low-angle – wydobywa rysy, grawery, tłoczenia i wady powierzchni.
• Światło rozproszone (dome) – do powierzchni błyszczących i nierównych, gasi refleksy.

Do tego dochodzi dobór optyki (ogniskowa, pole widzenia, rozdzielczość na piksel) — to ona decyduje, czy najmniejsza wada ma na obrazie wystarczająco dużo pikseli, żeby w ogóle dało się ją wykryć. Regułą jest, że najmniejszy istotny defekt powinien zajmować co najmniej 3–4 piksele. Parametry samych kamer (czułość, szum, dynamika) opisuje branżowy standard EMVA 1288 (https://www.emva.org/standards-technology/emva-1288/).

 Dobrze dobrane światło i optyka gwarantują stabilny, powtarzalny obraz.

Deep Learning kontra klasyczna analiza obrazu – kiedy AI ma sens w wizyjnej kontroli jakości

Klasyczna analiza obrazu działa na regułach: znajdź krawędź, zmierz odległość, policz piksele o danym kontraście. Jest szybka, tania i w pełni deterministyczna — i tak długo, jak cechę da się opisać regułą, jest najlepszym wyborem.

Deep Learning wchodzi tam, gdzie reguły zawodzą: defekty „organiczne” — zarysowania, spękania, zabrudzenia, nieregularne kształty, których nie da się opisać prostym warunkiem. Sieć uczy się na przykładach (jak człowiek) i radzi sobie z dużą zmiennością wyglądu produktu. Platformy takie jak Cognex VisionPro Deep Learning (https://automatech.pl/cognex/) pozwalają budować takie aplikacje bez programowania reguł.

Nie każdy projekt potrzebuje AI. Jeśli cecha jest mierzalna i powtarzalna — klasyka będzie szybsza i tańsza. Deep Learning to narzędzie do problemów, które „widać, ale trudno opisać”.

Jak wdrożyć system wizyjny – krok po kroku

Pytanie „jak wygląda wdrażanie systemów wizyjnych?” sprowadza się do jednego: ograniczyć ryzyko, zanim sprzęt trafi na linię. Sprawdzona kolejność:

Krok 1 – Analiza i zebranie próbek

Cel: zrozumieć, co dokładnie ma być kontrolowane i jak wygląda zmienność. 

Działania: zebranie próbek dobrych i wadliwych (tych drugich potrzeba najwięcej), zdefiniowanie cech krytycznych i tolerancji, ustalenie wymaganej wydajności (sztuk/min).

Krok 2 – Proof of Concept (PoC)

Cel: udowodnić na realnych częściach, że aplikacja jest wykonalna. 

Działania: testy kamery, optyki i oświetlenia na próbkach. To etap, na którym rozstrzyga się 2D/3D, dobór światła i to, czy potrzebny jest Deep Learning. PoC chroni przed kupowaniem sprzętu „w ciemno”.

Krok 3 – Projekt stanowiska i integracja

Cel: wpiąć wizję w realny cykl produkcji. 

Działania: stabilne mocowanie kamery, synchronizacja z cyklem (trigger), integracja z traceability (https://automatech.pl/traceability-w-produkcji-praktyka-wymagania-i-bledy-wdrozenia/) oraz komunikacja z PLC/SCADA/MES (Profinet, EtherNet/IP, OPC UA).

Krok 4 – Walidacja, szkolenie, uruchomienie

Cel: potwierdzić skuteczność i przekazać system załodze. 

Działania: test na ustalonej liczbie sztuk (skuteczność wykrywania, poziom fałszywych odrzutów), szkolenie operatorów, uruchomienie w trybie produkcyjnym i dostrojenie.

Najczęstsze błędy przy wdrażaniu wizyjnej kontroli jakości

1. Pominięcie etapu PoC

Błąd: zakup kamery na podstawie folderu, bez testu na realnych częściach. 

Konsekwencje: sprzęt, który „nie widzi” cechy krytycznej; projekt utyka. 

Rozwiązanie: żaden zakup przed udanym PoC na własnych próbkach.

2. Oszczędność na oświetleniu

Błąd: dobra kamera, przypadkowe światło.

Konsekwencje: niestabilny obraz, fałszywe odrzuty, „raz działa, raz nie”. 

Rozwiązanie: projektuj oświetlenie jak element konstrukcji, nie jak dodatek.

3. Za mało próbek wadliwych

Błąd: trenowanie/kalibracja głównie na częściach dobrych. 

Konsekwencje: system nie zna wad, które ma wyłapywać. 

Rozwiązanie: zbieraj i archiwizuj braki — to one uczą system.

4. Brak integracji z linią i danymi

Błąd: wizja jako „wyspa”, która tylko zapala lampkę. 

Konsekwencje: wynik inspekcji nigdzie nie trafia, brak dowodu w reklamacji. 

Rozwiązanie: od początku planuj komunikację z PLC/MES i zapis wyników.

FAQ – najczęściej zadawane pytania o wizyjną kontrolę jakości

Na czym polega wizyjna kontrola jakości?

To automatyczna inspekcja produktu kamerą zamiast okiem operatora. System rejestruje obraz, analizuje go według zadanych kryteriów i podejmuje decyzję dobry/zły. Działa powtarzalnie, z prędkością linii i bez zmęczenia — dlatego wyłapuje wady, które przy kontroli ręcznej umykają po kilku godzinach zmiany.

Czym różni się czujnik wizyjny od systemu wizyjnego?

Skalą zadania. Czujnik wizyjny realizuje proste decyzje pass/fail (jest element / nie ma). System wizyjny to rozbudowana platforma z wieloma narzędziami, wyższą rozdzielczością, a często analizą 3D lub Deep Learning. Czujnik dobiera się do jednej prostej cechy, system — do złożonej inspekcji wielu cech naraz.

Czym różnią się systemy 2D i 3D?

2D analizuje obraz płaski, 3D dodaje wymiar głębokości. 2D sprawdza się w odczycie kodów, OCR i wadach powierzchni — liczy się tam kontrast i szybkość. 3D jest niezbędne przy pomiarach wysokości, objętości, planarności i prowadzeniu robotów w przestrzeni.

Jakie oświetlenie do systemu wizyjnego?

Takie, które uwypukla kontrolowaną cechę. Backlight do pomiarów konturu, światło kątowe do rysów i grawerów, dome do powierzchni błyszczących, ring do ogólnej inspekcji. W wizji 2D oświetlenie odpowiada za większość sukcesu aplikacji — dobiera się je na etapie PoC, nie po fakcie.

Czy Deep Learning działa lepiej niż klasyczna analiza obrazu?

Tylko tam, gdzie reguł nie da się prosto zapisać. Do pomiarów, kodów i OCR szybsza i tańsza jest klasyczna analiza. Deep Learning wygrywa przy wadach o dużej zmienności — zarysowaniach, spękaniach, zabrudzeniach — gdzie zapewnia większą stabilność i mniej fałszywych alarmów.

Czy system wizyjny można doinstalować na istniejącej linii?

Tak. Większość aplikacji da się dołożyć do działającej linii bez wymiany maszyny — wystarczy stabilne mocowanie kamery, dobór oświetlenia i synchronizacja z cyklem. To typowy element retrofitu (https://automatech.pl/retrofit/) i modernizacji maszyn (https://automatech.pl/modernizacja-maszyn/), realizowany bez długich przestojów.

Ile kosztuje system do wizyjnej kontroli jakości?

Zależy od liczby kamer, typu inspekcji (2D/3D, AI) i integracji. Proste aplikacje z czujnikiem wizyjnym to wydatek rzędu kilkunastu tysięcy złotych, rozbudowane systemy 3D/Deep Learning — wielokrotnie więcej. ROI liczy się jednak przez redukcję braków i reklamacji — często zwraca się w kilka miesięcy.

Jak Automatech pomoże wdrożyć wizyjną kontrolę jakości

Jako Partner System Integrator Cognex projektujemy i wdrażamy systemy wizyjne 2D, 3D, Deep Learning oraz odczyt kodów — od analizy i PoC po integrację z linią.

•  PoC na Twoich próbkach – dobór kamery, optyki i oświetlenia, zanim wydasz złotówkę na sprzęt.
•  Kompleksowo – projekt, montaż, uruchomienie i szkolenie operatorów.
•  Integracja z linią – PLC, SCADA, MES oraz zapis wyników do systemu traceability.
•  Doświadczenie – 30+ lat w automatyce i setki wdrożeń w kontroli jakości.

Zobacz, jak wdrażamy systemy wizyjne dla przemysłu → (https://automatech.pl/systemy-wizyjne-dla-przemyslu/) Poznaj technologię Cognex (In-Sight, DataMan, VisionPro) → (https://automatech.pl/cognex/) Naprowadzanie robotów wizją → (https://automatech.pl/roboty-przemyslowe-i-coboty/) Doinstalowanie wizji na istniejącej linii → (https://automatech.pl/modernizacja-maszyn/)

Masz pytania lub potrzebujesz wsparcia?

Skontaktuj się z nami – inżynierowie Automatech dobiorą system wizyjny pod Twoją aplikację i przeprowadzą PoC na realnych częściach.

 (22) 753 24 80

 biuro.warszawa@automatech.pl 

https://automatech.pl/kontakt/

Podsumowanie

• Wizyjna kontrola jakości zastępuje zawodne, zmęczone oko powtarzalną inspekcją kamerą — sprawdza każdą sztukę tak samo.
• Najpierw dobierz poziom narzędzia: czujnik vs kamera inteligentna vs system PC — pod najtrudniejsze zadanie w aplikacji.
• 2D czy 3D rozstrzyga, czy projekt zadziała — cechy geometryczne wymagają 3D.
• Oświetlenie i optyka to ~80% sukcesu w 2D; projektuj je, nie dokładaj na końcu.
• Deep Learning stosuj do wad zmiennych i trudnych do opisania, nie do wszystkiego.
• Wdrażaj przez PoC → integrację → walidację, a wynik inspekcji wpinaj w traceability i MES.

Niewykryta wada nie znika, niestety wraca jako reklamacja całej partii. Odpowiednio dobrany system wizyjny sprawdza każdą sztukę, zanim opuści linię.