Kontrola jakości w produkcji sprzętu AGD staje się coraz bardziej wymagająca. Pralki, lodówki, zmywarki, piekarniki i kuchenki mikrofalowe zawierają liczne elementy tłoczone, formowane, spawane i montowane. Zarysowanie na panelu drzwi może wpłynąć na wygląd gotowego urządzenia, podczas gdy brakujący otwór, nieprawidłowo umieszczony wspornik lub wadliwy szew mogą zakłócić montaż lub stworzyć problem z niezawodnością w późniejszym okresie życia produktu.

Wizualna inspekcja oparta na sztucznej inteligencji zaczyna wspierać producentów w tym środowisku. Haier poinformował w czerwcu 2026 r., że wizualna inspekcja oparta na sztucznej inteligencji i detekcja szumów akustycznych zostały wdrożone na liniach produkcyjnych w jego parku przemysłowym w Tajlandii. W marcu 2026 r. Panasonic Holdings ogłosił również globalne licencjonowanie platformy wizualnej inspekcji opartej na sztucznej inteligencji, przeznaczonej do zastosowań obejmujących kontrolę jakości na linii produkcyjnej. Dostawcy automatyki, tacy jak Siemens i Rockwell Automation, oferują obecnie systemy wizji maszynowej wspierane przez sztuczną inteligencję do zastosowań przemysłowych.

Dla producentów sprzętu AGD ważne pytanie brzmi zatem nie, czy wizja AI jest imponująca. Chodzi o to, czy konkretne zadanie inspekcyjne można wykonać bardziej konsekwentnie, wcześniej i z lepszą identyfikowalnością niż istniejącą metodą.

Dlaczego kontrola jakości sprzętu AGD staje się coraz trudniejsza

Nowoczesna fabryka sprzętu AGD może produkować kilka pojemności i konfiguracji tego samego produktu. Linia pralek, na przykład, może obsługiwać różne średnice bębnów, rozmiary obudów i konstrukcje drzwi. Linia lodówek może produkować kilka układów drzwi, projektów wnętrz i systemów półek.

Ta zmienność produktu stwarza trzy praktyczne wyzwania.

Po pierwsze, oczekiwany wygląd komponentu może się różnić w zależności od modelu. Otwór, wspornik, etykieta lub szew mogą być poprawne dla jednej wersji, ale niepoprawne dla innej. System inspekcyjny musi zatem używać właściwego odniesienia produktu we właściwym czasie.

Po drugie, prędkość produkcji ogranicza czas dostępny na ręczną inspekcję. Inspektorzy mogą badać setki lub tysiące podobnych części podczas zmiany. Zmęczenie, oświetlenie, prędkość linii i różnice w indywidualnej ocenie mogą wpływać na spójność decyzji wizualnych.

Po trzecie, wada staje się droższa w miarę przesuwania się komponentu przez produkcję. Wadliwy panel tłoczony może zostać odrzucony natychmiast po prasowaniu. Jeśli ta sama wada zostanie wykryta dopiero po powlekaniu, spawaniu i montażu, producent dodał już więcej materiału, pracy i czasu maszynowego do nieużytecznej części.

Dlatego wielu producentów przesuwa inspekcję bliżej operacji tłoczenia, formowania, łączenia i montażu, zamiast polegać wyłącznie na kontroli końcowej.

Co faktycznie robi system wizualnej inspekcji AI

Przemysłowy system wizualnej inspekcji zazwyczaj łączy kamery, obiektywy, kontrolowane oświetlenie, oprogramowanie do przetwarzania obrazu i wytrenowany model. Kamera przechwytuje obraz komponentu lub zespołu, a system analizuje go pod kątem widocznych cech lub odchyleń.

W zależności od zastosowania, wynik może wskazywać, że część jest akceptowalna, wadliwa lub wymaga ręcznego przeglądu. System może również klasyfikować problem, taki jak brakujący komponent, defekt powierzchni, nieprawidłowe położenie lub nieprawidłowy szew.

Nie każdy system inspekcji AI jest trenowany w ten sam sposób. Niektóre modele wykorzystują obrazy zarówno akceptowalnych, jak i wadliwych części. Inne uczą się normalnego wyglądu akceptowalnego komponentu i identyfikują odchylenia od tego odniesienia.

Na przykład Siemens twierdzi, że jego system Inspekto może być konfigurowany przy użyciu stosunkowo niewielkiego zestawu akceptowalnych próbek, podczas gdy próbki wadliwe są opcjonalne. Rockwell Automation's FactoryTalk Analytics VisionAI wykorzystuje przepływ pracy bez kodu, który pozwala personelowi produkcyjnemu i jakościowemu trenować i wdrażać modele inspekcyjne bez specjalistycznego programowania wizji maszynowej.

Narzędzia te mogą zmniejszyć wysiłek techniczny wymagany do niektórych zastosowań, ale nie eliminują potrzeby oceny inżynierskiej. Producenci nadal muszą określić standard akceptacji, wybrać odpowiedni sprzęt do obrazowania i zweryfikować system przy użyciu rzeczywistych części produkcyjnych.

Które wady sprzętu AGD nadają się do inspekcji wizualnej?

Wizja AI jest najbardziej użyteczna, gdy wada może być wyraźnie uchwycona na obrazie. Właściwa metoda inspekcji zależy od sprawdzanej cechy.

Zarysowania i wgniecenia powierzchni

Obudowy, panele drzwi, panele sterowania i elementy dekoracyjne są widoczne dla klienta. Zarysowania, wgniecenia, plamy i uszkodzenia powłoki mogą prowadzić do odrzucenia, nawet jeśli część pozostaje strukturalnie użyteczna.

Wizualna inspekcja AI może pomóc w bardziej spójnym przesiewaniu tych części, ponieważ defekty powierzchni różnią się długością, kierunkiem i położeniem. Główną trudnością jest przechwytywanie obrazu. Odbicia na stali nierdzewnej, powlekanej blachy i zakrzywionych powierzchniach mogą przypominać defekty, dlatego geometria oświetlenia i kąt kamery muszą być zaprojektowane wokół rzeczywistego materiału i wykończenia powierzchni.

Brakujące otwory i nieprawidłowe cechy

Tłoczone panele sprzętu AGD zawierają otwory i wycięcia na elementy złączne, zawiasy, okablowanie, czujniki i wsporniki. Brakujący lub nieprawidłowy element może nie zostać odkryty, dopóki inny komponent nie przestanie pasować.

Dla stabilnej części prezentowanej w stałej pozycji, konwencjonalna wizja maszynowa jest często prostszym rozwiązaniem. AI może być przydatne, gdy kilka wariantów produktu dzieli jedną linię lub gdy normalne zmiany w odbiciach i położeniu sprawiają, że stałe progi są niewiarygodne.

Pęknięcia, zmarszczki i wady formowania

Głębokie tłoczenie, zaginanie i gięcie mogą powodować widoczne pęknięcia, zmarszczki, zniekształcenia lub nieprawidłowe deformacje. System wizyjny może identyfikować oczywiste defekty powierzchni po formowaniu, pomagając zapobiegać przedostawaniu się nieodpowiednich części do późniejszych operacji.

Nie może bezpośrednio mierzyć ukrytych naprężeń, wewnętrznych uszkodzeń materiału ani każdego przypadku nadmiernego rozcieńczenia. Symulacja formowania, walidacja procesu i pomiar wymiarowy lub grubości pozostają konieczne tam, gdzie te cechy wpływają na jakość produktu.

Wygląd spoin i szwów

Bębny pralek, zbiorniki zmywarek, obudowy i inne zespoły mogą wykorzystywać spawanie, zgrzewanie, zaginanie lub zamykanie rolkowe. Kamery mogą inspekcjonować widoczne cechy, takie jak ciągłość połączenia, wyrównanie, odpryski, szczeliny, zniekształcenia i nieprawidłowe położenie połączenia.

Rozwiązanie Bead Eye firmy Panasonic Connect, na przykład, łączy porównanie z danymi wzorcowymi i inspekcję wspieraną przez AI w celu automatyzacji wizualnego badania spoin i przechowywania wyników inspekcji w celu zapewnienia identyfikowalności. Panasonic twierdzi również, że wewnętrzne wady i niedostateczna penetracja, których nie można zidentyfikować na podstawie wyglądu spoiny, wykraczają poza zakres tego typu inspekcji wizualnej.

Ta sama zasada dotyczy produkcji sprzętu AGD: akceptowalny wygląd nie potwierdza automatycznie wytrzymałości spoiny, integralności szwu ani szczelności. W zależności od komponentu, producenci mogą nadal wymagać testów destrukcyjnych, testów siłowych, testów szczelności lub innej metody weryfikacji.

Brakujące lub nieprawidłowo zmontowane komponenty

Podczas montażu kamery mogą sprawdzać obecność, orientację i położenie śrub, klipsów, uszczelek, złączy, etykiet, uchwytów, zawiasów i elementów dekoracyjnych.

Jest to szczególnie przydatne na liniach mieszanych modeli, gdzie podobnie wyglądające urządzenia mogą wymagać różnych części. Przepis inspekcyjny musi być powiązany z produkowanym modelem. Jeśli zostanie wybrana niewłaściwa referencja, system może odrzucić prawidłowy montaż lub pozwolić na przejście nieprawidłowego.

Planowanie skutecznej strategii inspekcji

Tradycyjna wizja maszynowa czy wizja AI?

Tradycyjna wizja maszynowa opiera się na zdefiniowanych regułach dotyczących krawędzi, kontrastu, koloru, położenia, rozmiaru lub geometrii. Jest niezawodna, gdy inspekcjonowana cecha ma wyraźny kształt, komponent jest konsekwentnie pozycjonowany, a akceptowalne limity można wyrazić jako stałe reguły.

Sprawdzenie, czy okrągły otwór istnieje w znanym miejscu, na przykład, może nie wymagać modelu AI. Konwencjonalny algorytm często może wykonać zadanie wydajnie i jest stosunkowo łatwy do walidacji.

Inspekcja wspierana przez AI staje się bardziej użyteczna, gdy normalny wygląd jest zmienny lub gdy wadę trudno opisać stałymi progami. Zarysowania mogą mieć różne kształty i kierunki. Wgniecenia mogą wyglądać inaczej pod zmieniającymi się odbiciami. Spoiny mogą wykazywać akceptowalne naturalne zmienności, jednocześnie zawierając nieprawidłowe obszary.

AI nie jest zatem automatycznie bardziej zaawansowanym lub odpowiednim wyborem. W wielu fabrykach najskuteczniejszym rozwiązaniem jest połączenie tradycyjnej wizji maszynowej do stabilnych kontroli geometrycznych z modelami AI do bardziej zmiennych wad wyglądu.

Gdzie powinna być umieszczona inspekcja

Lokalizacja stacji inspekcyjnej może być równie ważna jak oprogramowanie.

Po tłoczeniu lub formowaniu, inspekcja może zidentyfikować brakujące otwory, nieprawidłowe wycięcia, poważne zmarszczki, widoczne pęknięcia i uszkodzenia powierzchni przed nałożeniem powłoki lub montażem, co dodaje dalszych kosztów.

Przed spawaniem lub montażem, kamery mogą potwierdzić obecność i prawidłowe umieszczenie części. Zmniejsza to ryzyko nieprawidłowych montaży i może również chronić przyrządy i sprzęt do łączenia przed nieprawidłowo załadowanymi komponentami.

Po spawaniu, zaginaniu lub zgrzewaniu, system może sprawdzić położenie połączenia, widoczną ciągłość, wyrównanie, brak punktów łączenia i nadmierne zniekształcenia. Kryteria akceptacji powinny być uzgodnione z inżynierami odpowiedzialnymi za proces łączenia.

Na końcu linii, kamery mogą sprawdzać uszkodzenia zewnętrzne, szczeliny między panelami, wyrównanie drzwi, etykiety, wykończenia i widoczne błędy montażu. Inspekcja końcowa pozostaje konieczna, ponieważ obsługa i montaż mogą wprowadzić nowe uszkodzenia, ale nie powinna być pierwszym punktem, w którym sprawdzana jest każda wada.

Jaką wartość może zapewnić inspekcja wspierana przez AI?

Wcześniejsze wykrywanie pomaga również producentom unikać dodawania wartości do wadliwego komponentu. Co ważniejsze, powtarzające się wyniki inspekcji mogą ujawnić zmiany w procesie produkcyjnym. Wzrost liczby zarysowań może wskazywać na problem z przenoszeniem lub obsługą. Powtarzające się wady otworów mogą wskazywać na zużycie matrycy, zmienność podawania lub warunki prasowania. Niewłaściwe wyrównanie szwu może być związane z problemem z przyrządem lub pozycjonowaniem części.

Obrazy z inspekcji mogą być również powiązane z modelem produktu, partią, datą, linią, stacją, zmianą i kategorią wady. Ta identyfikowalność pomaga producentom badać reklamacje, porównywać warunki produkcji i określać, czy problem jest odosobniony, czy powtarzający się.

Największa wartość pojawia się, gdy dane z inspekcji wspierają działania korygujące.

Dlaczego inspekcja AI nadal zależy od stabilnych narzędzi i procesów

Słabe obrazy dają niewiarygodne wyniki. Praktyczna stacja inspekcyjna wymaga odpowiedniej rozdzielczości kamery, kontrolowanego oświetlenia, powtarzalnego pozycjonowania części, ochrony przed wibracjami i zanieczyszczeniem oraz wyraźnego widoku inspekcjonowanej cechy. Nawet zaawansowany model nie może analizować informacji, których kamera nie zdołała przechwycić.

Dane treningowe muszą również odzwierciedlać rzeczywistą produkcję. Obrazy powinny zawierać realistyczne zmienności w modelu produktu, materiale, wykończeniu powierzchni, odbiciach i pozycjonowaniu części, wraz z potwierdzonymi przykładami akceptowalnych i wadliwych warunków. System testowany tylko na starannie dobranych próbkach demonstracyjnych może zachowywać się inaczej na linii produkcyjnej.

Producenci muszą również wziąć pod uwagę dwa różne błędy. Fałszywe odrzucenie występuje, gdy akceptowalna część jest klasyfikowana jako wadliwa. Przegapiona wada występuje, gdy wadliwa część jest akceptowana. Odpowiednia równowaga zależy od kosztu i ryzyka wady; drobny znak kosmetyczny i brakujący komponent związany z bezpieczeństwem nie powinny używać tego samego progu decyzyjnego.

Co najważniejsze, inspekcja wizualna nie stabilizuje procesu produkcyjnego. Jeśli matryca do tłoczenia jest zużyta, system podawania jest niespójny lub przyrząd spawalniczy jest niewyrównany, zainstalowanie kolejnej kamery nie usuwa przyczyny.

W produkcji blacharskiej niezawodność inspekcji jest ściśle związana z konstrukcją matrycy, stanem narzędzia, stabilnością prasy, spójnością materiału, smarowaniem, dokładnością podawania i obsługą części.

Praktyczny łańcuch jakości jest zatem:

Wizualna inspekcja AI należy do tego łańcucha. Nie zastępuje wcześniejszych etapów.

Praktyczny sposób na rozpoczęcie

Producenci nie muszą od razu automatyzować każdej kontroli wizualnej. Skoncentrowany pilotaż jest łatwiejszy do walidacji i stanowi jaśniejszą podstawę do podejmowania decyzji inwestycyjnych.

Zacznij od jednej wady, która jest widoczna, powtarzalna i wystarczająco kosztowna, aby uzasadnić automatyczną inspekcję. Określ dokładnie, co jest akceptowalne, co musi zostać odrzucone, a co wymaga ręcznego przeglądu. Następnie zbierz obrazy z rzeczywistych warunków produkcyjnych, zamiast polegać wyłącznie na idealnych próbkach.

Na koniec zdecyduj, co się stanie, gdy system zidentyfikuje problem. Reakcją może być odrzucenie lub oznaczenie części, powiadomienie operatora, zatrzymanie procesu, zapisanie obrazu lub żądanie ręcznego potwierdzenia.

Powtarzające się wady powinny również wywołać przegląd narzędzi, sprzętu, materiałów i danych procesowych.

Przed wdrożeniem producenci powinni być w stanie odpowiedzieć na następujące pytania:

• Czy wada jest wyraźnie widoczna na obrazie?
• Jakie są koszty przegapionej wady i fałszywego odrzucenia?
• Czy można kontrolować oświetlenie i pozycjonowanie części?
• Ile modeli, materiałów i wykończeń powierzchni należy inspekcjonować?
• Jakie działania nastąpią po nieudanej inspekcji?
• Czy system musi być połączony z PLC, MES lub oprogramowaniem do zarządzania jakością?
• Które cechy nadal wymagają testów wymiarowych, bezpieczeństwa lub funkcjonalnych?
• Kto będzie walidował i utrzymywał kamery, oświetlenie i model inspekcyjny?

Wniosek

Wizualna inspekcja AI może poprawić kontrolę jakości w produkcji sprzętu AGD, gdy jest stosowana do jasno zdefiniowanego problemu wizualnego i walidowana w rzeczywistych warunkach produkcyjnych. Może wspierać bardziej spójne decyzje, wcześniejsze wykrywanie wad i lepszą identyfikowalność, szczególnie na zautomatyzowanych liniach produkcyjnych i liniach mieszanych modeli.

Ostatecznie inspekcja jest najpotężniejsza, gdy jest połączona ze stabilnymi narzędziami i kontrolowanymi procesami produkcyjnymi. Celem nie jest tylko wykrywanie większej liczby wadliwych części, ale budowanie procesu produkcyjnego, który wytwarza ich mniej.