EN
Saya akan mulai dengan kejujuran. Menambahkan jalur produk baru memang merupakan pencapaian penting, namun juga bisa menimbulkan masalah serius. Sistem inspeksi visi Anda tidak mengenali komponen baru tersebut. Sistem ini juga tidak tahu mana yang termasuk komponen baik dan mana yang cacat. Anda harus mengajarkannya. Jika proses pelatihan dilakukan secara keliru, hasilnya adalah penolakan palsu, cacat yang terlewat, serta banyak operator yang frustrasi. Kabar baiknya, melatih sistem inspeksi visi dapat dilakukan secara cepat dan tanpa hambatan—asalkan Anda mengikuti langkah-langkah yang tepat.
Persiapan Dimulai dari Pengumpulan Sampel
Sebelum Anda bahkan menyentuh sistem, Anda harus mengumpulkan sampel-sampel Anda. Ini adalah langkah paling penting, namun justru langkah yang paling sering diabaikan atau dilakukan terburu-buru. Jangan menjadi orang seperti itu.
Anda memerlukan beberapa jenis sampel. Pertama, kumpulkan komponen yang baik. Anda tidak hanya membutuhkan beberapa gambar produk yang memenuhi standar kualitas Anda, melainkan kemungkinan besar memerlukan puluhan atau bahkan ratusan gambar. Semakin banyak gambar yang tersedia, semakin baik sistem akan memahami seperti apa tampilan yang dapat diterima. Komponen-komponen yang baik ini juga harus mencakup variasi normal yang umum Anda temui, seperti perbedaan warna yang kecil, pergeseran posisi yang sedikit, atau perubahan tekstur yang minimal. Jika pelatihan Anda hanya mencakup komponen sempurna, maka sistem inspeksi penglihatan akan menolak semua komponen yang tampak sedikit berbeda—meskipun sebenarnya masih sepenuhnya layak pakai.
Kedua, kumpulkan komponen yang cacat. Buat daftar lengkap untuk setiap jenis cacat yang penting bagi Anda. Daftar ini dapat mencakup goresan, retakan, komponen yang hilang, warna yang salah, atau label yang tidak sejajar. Semakin beragam contoh cacat yang Anda miliki, semakin baik sistem akan belajar mengenali apa yang harus dicari. Suatu penelitian menunjukkan bahwa model deteksi cacat yang telah dilatih sebelumnya mampu beradaptasi terhadap produk baru setelah menerima sejumlah sampel baru yang moderat dan sedikit penyesuaian lanjutan (fine-tuning). Namun, 'moderat' bukan berarti 'minimal'. Dataset yang buruk tetap akan menghasilkan hasil yang buruk, sehingga pastikan Anda menyiapkan sampel yang terdefinisi dengan jelas.
Gunakan Quick Teach untuk Memulai dengan Cepat
Setelah dataset sampel Anda siap, saatnya mengajarkan sistem tersebut. Anda beruntung karena hampir semua sistem inspeksi visual modern memiliki fitur bawaan bernama Quick Teach atau one-button teach. Fitur ini membuat pekerjaan Anda jauh lebih mudah ketika menambahkan lini produk baru.
Quick Teach bekerja dengan mengambil gambar referensi dari komponen tanpa cacat dan secara otomatis menetapkan parameter sistem berdasarkan gambar tersebut. Sistem menganalisis gambar referensi, mengukur fitur-fitur utama, serta menerapkan batas toleransi. Anda tidak perlu memasukkan angka secara manual atau menebak di mana ambang batas harus ditetapkan. Sistem melakukan pekerjaan berat tersebut untuk Anda.
Metode ini sangat efektif untuk memeriksa secara cepat sejumlah komponen dalam satu batch yang tampilannya identik. Sebagai contoh, jika Anda memeriksa komponen logam hasil stamping yang seragam atau komponen plastik hasil cetak injeksi yang identik, Quick Teach dapat menyelesaikan tugas tersebut dalam beberapa menit, bukan beberapa jam. Beberapa kamera modern bahkan mengurangi waktu penyiapan dari jam menjadi hanya beberapa menit dengan belajar secara otomatis dari beberapa gambar sampel. Kuncinya adalah memastikan gambar referensi Anda merupakan representasi yang baik dari tampilan komponen-komponen yang diharapkan muncul dalam batch tersebut.
Beralih ke Standard Teach Ketika Komponen Beragam
Quick Teach memiliki kelemahan. Jika komponen Anda menunjukkan variasi signifikan dalam penampilan, Quick Teach cenderung menolak sejumlah lebih besar komponen yang sebenarnya baik. Dalam kasus tersebut, sistem perlu belajar melalui sejumlah iterasi komponen.
Standard Teach bekerja secara berbeda. Alih-alih menggunakan satu gambar acuan tunggal, Anda menjalankan seluruh batch komponen yang baik melalui sistem. Sistem inspeksi visual menganalisis semua komponen tersebut, mengukur variasi alami yang terjadi, serta menetapkan toleransinya agar mencakup keseluruhan rentang hasil yang dapat diterima. Dengan cara ini, sistem belajar seperti apa bentuk komponen yang baik dalam kondisi produksi aktual Anda, bukan hanya dalam pengaturan laboratorium yang sempurna.
Tidak ada batasan jumlah sampel yang dapat Anda gunakan selama proses Pengajaran. Semakin banyak komponen baik yang Anda tunjukkan kepada sistem, semakin baik pula pemahamannya mengenai kriteria yang dapat diterima. Berikut ini tips profesionalnya: saat melakukan Pengajaran standar, gunakanlah hanya komponen baik. Jika secara tidak sengaja Anda memasukkan komponen cacat, sistem akan belajar bahwa cacat tersebut dapat diterima, sehingga Anda akan menghadapi masalah serius.
Sesuaikan Secara Manual Bila Diperlukan
Kadang-kadang pengajaran otomatis tidak cukup. Komponen Anda mungkin memiliki fitur-fitur kompleks yang sulit diidentifikasi sistem. Dalam kasus-kasus tersebut, Anda perlu menyesuaikan parameter secara manual.
Sebagian besar sistem inspeksi visi memungkinkan Anda masuk ke dalam alat-alat tersebut dan menyesuaikan pengaturannya secara manual. Anda dapat menyesuaikan wilayah minat (region of interest), mengubah ambang batas toleransi (tolerance thresholds), serta menyempurnakan logika keputusan lulus atau gagal (pass or fail logic). Proses ini memerlukan waktu lebih lama dan sedikit pengalaman, namun memberikan kendali paling tinggi. Untuk aplikasi presisi tinggi di mana bahkan kesalahan sekecil apa pun sangat berpengaruh, penyesuaian manual memang layak dilakukan meskipun memerlukan usaha ekstra.
Jika Anda bekerja dengan produk baru yang mirip dengan produk lama, terkadang Anda dapat menghemat banyak waktu dengan menggunakan inspeksi yang sudah ada sebagai titik awal. Sebuah studi tentang pembelajaran transfer menunjukkan bahwa model yang dilatih pada produk lama dapat disesuaikan untuk produk baru hanya dengan jumlah data pelatihan baru yang moderat, sambil mempertahankan akurasi lebih dari 98 persen. Artinya, Anda tidak selalu harus memulai dari awal. Anda dapat membangun berdasarkan model-model yang sudah ada.
Manfaatkan AI untuk Inspeksi Kompleks
Sistem inspeksi visi tradisional mengandalkan aturan tetap. Apakah goresan lebih panjang dari X milimeter? Apakah warna berada di luar rentang Y? Pendekatan ini berfungsi baik untuk inspeksi sederhana. Namun, ketika cacat bersifat tidak teratur, tidak konsisten, atau sulit dijelaskan dengan aturan tetap, sistem konvensional cenderung kesulitan.
Inspeksi penglihatan berbasis AI mengubah permainan. Alih-alih mengikuti seperangkat aturan yang telah ditentukan sebelumnya, sistem ini belajar dari contoh-contoh. Anda menunjukkan kepadanya ratusan atau ribuan gambar produk baik dan buruk, lalu sistem tersebut secara mandiri mengenali pola-pola tersebut. Inspeksi penglihatan berbasis AI sangat bermanfaat bagi produsen yang berupaya mempertahankan kualitas produk dan meminimalkan limbah. Sistem ini juga sangat adaptif terhadap perubahan produk. Beberapa platform menggabungkan pembelajaran AI terawasi dan tak terawasi dengan alat berbasis aturan guna mengurangi hasil positif palsu serta mencegah produk cacat mencapai pelanggan.
Hal hebat tentang sistem saat ini adalah kemudahan penggunaannya. Beberapa kamera kini dilengkapi kecerdasan buatan (AI) bawaan yang secara otomatis belajar hanya dari beberapa contoh gambar, sehingga menghilangkan kebutuhan akan konfigurasi manual yang panjang. Antarmuka yang ramah pengguna memandu operator melalui setiap tahap proses pemasangan, mulai dari penyesuaian pencahayaan hingga pendaftaran gambar referensi. Bahkan operator dengan pengalaman terbatas dalam inspeksi visual pun mampu membuat proses inspeksi yang andal.
Pengujian dan Validasi Sangat Penting
Di sinilah kebanyakan orang melakukan kesalahan kritis. Mereka melatih sistem, menjalankan uji cepat, lalu langsung memasukkannya ke dalam produksi. Itu merupakan kesalahan besar.
Sebelum Anda membiarkan sistem inspeksi penglihatan Anda beroperasi tanpa pengawasan, Anda harus memvalidasinya secara tepat. Jalankan sejumlah komponen yang diketahui baik dan yang diketahui cacat melalui sistem tersebut. Periksa apakah sistem mampu mendeteksi semua cacat. Periksa pula apakah sistem menolak komponen-komponen yang sebenarnya baik. Jika tingkat penolakan palsu (false reject rate) terlalu tinggi, kembali dan sesuaikan batas toleransi Anda. Jika tingkat kehilangan deteksi (miss rate) terlalu tinggi, tambahkan lebih banyak sampel cacat ke dalam kumpulan data pelatihan Anda.
Pendekatan pembuktian konsep (proof of concept) sangat efektif di sini. Mulailah dengan satu titik inspeksi kritis pada lini produksi baru Anda, alih-alih berupaya mengotomatisasi seluruh proses sekaligus. Kumpulkan kumpulan data acuan (golden dataset) berisi sampel-sampel baik dan cacat, uji kelayakannya, dan baru kemudian lakukan penskalaan. Melakukan langkah ini secara tepat akan pada akhirnya menghemat banyak biaya bagi Anda.
Rencanakan Peningkatan Berkelanjutan
Melatih sistem inspeksi penglihatan bukanlah peristiwa satu kali saja. Produk Anda akan berubah. Pemasok Anda akan berubah. Kondisi produksi Anda akan berubah. Sistem inspeksi Anda pun harus terus diperbarui agar tetap relevan.
Bangun proses pelatihan berkelanjutan. Setiap kali Anda menemukan jenis cacat baru yang terlewat oleh sistem Anda, tambahkan gambar-gambar tersebut ke kumpulan data pelatihan dan lakukan pelatihan ulang. Setiap kali desain produk diubah, perbarui gambar referensi Anda. Beberapa sistem canggih menawarkan kemampuan pembelajaran berkelanjutan yang mampu beradaptasi terhadap variasi produk seiring berjalannya waktu. Semakin sering Anda melatih sistem Anda, semakin cerdas pula kinerjanya.
Produsen yang menerapkan prinsip ini dengan tepat memperoleh hasil nyata. Inspeksi visual berbasis kecerdasan buatan memungkinkan deteksi cacat lebih dini, analisis akar masalah lebih cepat, serta wawasan tindak lanjut secara waktu nyata yang meningkatkan efisiensi dan mengurangi pemborosan. YIHUI merancang peralatan inspeksi visual dengan mempertimbangkan prinsip-prinsip pelatihan ini, membantu produsen di berbagai industri—seperti mesin, elektronik, dirgantara, dan otomotif—mengoperasikan lini produksi baru secara lebih cepat. Pada akhirnya, sistem inspeksi visual hanya sebaik pelatihan yang diberikan kepadanya. Lakukan dengan benar, dan sistem ini akan melindungi merek Anda selama bertahun-tahun mendatang.