Jak jsme snížili únikovou míru defektů ze 4 % na 0,3 % pomocí počítačového vidění

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

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)

Časová 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.