Inspeksi Visual Otomatis

Inspeksi visual otomatis adalah bentuk terapan dari sistem pipeline: deteksi, klasifikasi, dan segmentasi disusun menjadi satu pemeriksaan yang berjalan terus-menerus, tepat di titik produk atau paket melintas.

Ia berjalan di perangkat lokal di dalam jaringan lokasi, dan melapor melalui hasil terstruktur alih-alih dinding video — jumlah, label, skor, kotak, dan mask, lengkap dengan frame teranotasi bagi mereka yang tetap perlu melihatnya.

Stasiun inspeksi adalah sebuah graf, dan preset yang tersedia mencakup bentuk yang dibutuhkan sebagian besar lini. Masing-masing dapat dipakai apa adanya atau disunting menjadi versi stasiun itu sendiri.

• defect_detect_classify — deteksi cacat berbasis prompt teks, lalu klasifikasi setiap region cacat, dengan hasil gabungan per cacat.
• assembly_verification — penilaian utuh atas rakitan oleh vision-language model yang berjalan paralel dengan deteksi komponen.
• component_inspection — deteksi komponen, potong satu per satu, lalu periksa masing-masing untuk kerusakan, orientasi, atau sub-bagian yang hilang.
• grounding_dino_sam — deteksi dengan teks, segmentasi setiap deteksi, perbaiki mask, untuk pemeriksaan yang mementingkan geometri.

Hasilnya datang sebagai objek, bukan piksel: instance dengan label, skor, dan kotak, mask bila segmentasi dijalankan, serta jumlah per label. Anotasi dapat digambar di atas frame untuk manusia, dan hasil yang sama diekspor sebagai JSON atau CSV untuk sistem.

Bila keputusannya bergantung pada ukuran, mask beserta kotaknya menghasilkan luas area yang dapat dibandingkan aturan dengan ambang yang sudah dipakai lini, sehingga kriteria penerimaan tetap berupa angka, bukan penilaian inspektor.

• Jumlah dan label per item, untuk menghitung yang lolos, bukan hanya menandai yang gagal.
• Skor keyakinan yang dapat disaring, sehingga antrean peninjauan dapat disetel di lantai produksi.
• Gambar teranotasi untuk operator dan JSON atau CSV terstruktur untuk catatan.
• Luas area terukur untuk cacat yang penerimaannya ditentukan ukuran, bukan keberadaan.

Framework ini mendokumentasikan kebutuhan setiap pipeline, sehingga stasiun dapat diperkirakan sebelum dibeli. Eksekusi di CPU didukung untuk semua pemeriksaan ini; yang berubah adalah lajunya, bukan kemampuannya.

• Deteksi dan klasifikasi cacat permukaan: sekitar 200 ms per gambar pada GPU, sekitar 2 detik pada CPU, dengan GPU 4 GB sebagai batas yang disarankan.
• Segmentasi cacat dengan SAM dan perbaikan mask: sekitar 500 ms per gambar pada GPU, dengan rekomendasi VRAM 6 GB.
• Verifikasi rakitan dengan VLM: sekitar 1–2 detik per gambar, dan GPU diharapkan ada agar lajunya praktis.
• Inspeksi VLM per komponen: sekitar 2–5 detik per gambar tergantung jumlah komponen yang diperiksa.

Tetapkan dulu laju yang Anda butuhkan; pipeline dan perangkat kerasnya mengikuti angka itu, bukan sebaliknya.

Kasus penggunaan yang terdokumentasi adalah tempat inspeksi memang sudah dilakukan dengan mata: panel bodi otomotif, papan sirkuit cetak, coran logam, cetak injeksi plastik, dan proses apa pun yang memperlihatkan produk sama berulang kali ke kamera.

Varian produk kedua biasanya tidak berarti proyek kedua. Artinya satu set label tambahan, satu cabang tambahan di graf, dan ambang yang sesuai dengan bagian baru itu.

• Pemeriksaan in-line yang berjalan berdampingan dengan produksi, bukan di ruang terpisah.
• Inspeksi per bagian ketika item melewati kamera sekali dan keputusannya dibutuhkan segera.
• Pengalihan pengecualian, sehingga operator hanya melihat kasus yang memang perlu manusia.

Langkah pertama yang praktis adalah satu folder frame dari kamera yang akan dipakai, termasuk bagian yang baik dan bukan hanya yang gagal. Prompt, label, dan ambang kemudian dapat disetel terhadap gambar nyata sebelum apa pun tersambung ke lini.

Jalankan dulu secara offline dan bandingkan hasilnya dengan pemeriksaan manual yang akan digantikannya; kolom ketidaksesuaian biasanya lebih informatif daripada angka akurasi. Setelah itu barulah tentukan laju kerja stasiun.