0,3 %
Úniková míra defektů
(ze 4 %)
€180K
Roční úspora na pracovní síle
11 týdnů
Vývoj + pilot
€95K
Celkové náklady projektu
Problém
Klient je středně velký český výrobce přesných automobilových komponent, který produkuje 12 000+ dílů denně na dvou výrobních linkách. Kontrola kvality byla kompletně manuální — tři inspektoři na plný úvazek vizuálně kontrolovali každý komponent na povrchové defekty, rozměrové odchylky a chyby montáže.
Problémy se násobily:
- 4% úniková míra defektů — vadné díly se dostávaly k zákazníkům, způsobovaly reklamace
- Úzké hrdlo ve špičkách — inspektoři nestíhali tempo výroby
- Nekonzistence — kvalita kontroly se lišila podle směny, denní doby a konkrétního inspektora
- Náklady — tři inspektoři na plný úvazek plus náklady na přepracování, celkem €200K+ ročně
Architektura systému
Průmyslová kamera
4K @ 60fps
NVIDIA Jetson
CNN inference: 15ms
OK / Vadný
Automatické třídění
MES Dashboard
Real-time analytika
Co jsme vybudovali
Navrhli jsme vlastní konvoluční neuronovou síť (CNN) trénovanou na 50 000 označených snímcích dobrých a vadných dílů. Systém je přímo integrován s existujícím dopravníkovým pásem a automaticky vyřazuje vadné komponenty.
Technický přístup
- Sběr dat: 2 týdny snímání z výrobní linky průmyslovými kamerami
- Označování: Spolupráce s QA týmem klienta na kategorizaci defektů (trhliny, otřepy, rozměrový drift, kontaminace)
- Architektura modelu: Lehký CNN optimalizovaný pro edge nasazení — 15ms inference na díl
- Edge nasazení: NVIDIA Jetson modul přímo na dopravníku, bez závislosti na cloudu
- Integrace: REST API napojení na existující MES (Manufacturing Execution System)
Tech Stack
Python PyTorch OpenCV NVIDIA Jetson REST API MES integrace Průmyslové kameryČasová osa
Týden 1-2: Posouzení na místě, instalace kamer, sběr dat
Týden 3-6: Trénování modelu, iterace s QA týmem, optimalizace přesnosti
Týden 7-8: Edge nasazení, integrace s dopravníkem, MES API
Týden 9-11: Produkční pilot, souběh s lidskými inspektory, dolaďování
Výsledky (6 měsíců po nasazení)
- Úniková míra defektů: 0,3 % (ze 4 %) — 13x zlepšení
- Rychlost inspekce: 3x rychlejší než lidští inspektoři
- Konzistence: 24/7 — žádné výkyvy podle směny nebo únavy
- ROI: €180K roční úspora při investici €95K — návratnost za 6 měsíců
- Inspektoři přeřazeni na komplexní QA úlohy vyžadující lidský úsudek
Klíčový poznatek
Toto nebyl výzkumný projekt. Byl to 11týdenní engagement, který šel od „máme problém s kvalitou" k „systém běží a šetří peníze." QA tým klienta byl zapojen od prvního dne — označovali trénovací data a validovali výsledky. Proto to fungovalo.
Pokud kontrolujete produkty manuálně a vaše míra defektů je nad 1 %, je velká šance, že počítačové vidění může pomoci. Otázka je, zda vaše data a procesy to umožňují — to zjistíme v prvních dvou týdnech.
Máte podobný problém?
Za 30 minut vám řekneme, zda AI dává smysl pro vaši kontrolu kvality. Žádný prodejní pitch, jen analýza.
Bezplatná konzultacenebo zavolejte přímo: +420 775 026 983