Kontrola jakości inline i AI w wtrysku - systemy wizyjne 2025

Wprowadzenie do kontroli jakości inline

Kontrola jakości inline w przetwórstwie tworzyw sztucznych przechodzi gwałtowną transformację. Jeszcze kilka lat temu większość zakładów polegała na manualnej inspekcji co kilkanaście cykli. Dziś, pod presją branż automotive, medycznej czy elektroniki użytkowej, liczy się wykrycie defektu w czasie sekund, zanim partia trafi do pakowania.

IDC szacuje, że do 2026 ponad 70% wtryskowni będzie stosować zaawansowane systemy wizyjne sprzężone z AI.

Korzyści z kontroli inline:

• Redukcja odpadów
• Mniejsze ryzyko kosztownych zwrotów
• Szybsze zatwierdzanie PPAP
• Możliwość gwarantowania PPM klientom

W niniejszym przewodniku pokazujemy, jak zbudować architekturę QA, jakie technologie wybrać oraz jak połączyć je z cyfrowymi bliźniakami, MES i robotyką, by stworzyć ekosystem pełnej jakości.

Według badań McKinsey implementacja inteligentnej kontroli inline skraca czas reakcji na defekt średnio z 50 minut do poniżej 5 minut. Przy produkcji miliona elementów rocznie przekłada się to na oszczędności setek tysięcy złotych – mniej złomu, mniej nadgodzin, mniej stresu związanego z ekspresową segregacją całych palet.

To również kluczowy filar strategii zrównoważonej produkcji, bo każdy niewyprodukowany odpad to realna redukcja śladu węglowego.

Czym jest kontrola jakości inline w wtrysku?

Kontrola inline oznacza automatyczną inspekcję każdej części bezpośrednio przy gnieździe wtryskowym lub w celi zintegrowanej z robotem. System zbiera dane (obraz, profil termiczny, dźwięk, wagę), analizuje je i porównuje z modelem referencyjnym. Decyzja „pass/fail" zapada w czasie poniżej czasu cyklu, a wynik trafia natychmiast do MES, eDHR czy systemu traceability.

W odróżnieniu od inspekcji offline kontrola inline nie wymaga ręcznego pobierania próbek. Jest częścią procesu, więc reaguje natychmiast i eliminuje ryzyko, że wadliwe detale zostaną pominięte. Rozwiązanie to świetnie wpisuje się w filozofię „zero defect manufacturing" i standardy jakościowe takich jak IATF 16949, ISO 13485 czy IPC.

Rosnące znaczenie ma również AI. Sieci neuronowe uczą się rozpoznawać defekty nawet wtedy, gdy nie da się ich opisać prostymi regułami (np. subtelne przebarwienia na częściach optycznych). Dzięki temu można automatyzować kontrolę tam, gdzie wcześniej decydował wyłącznie operator.

Kontrola inline obejmuje także zarządzanie danymi. Każdy wynik inspekcji jest przypisywany do numeru formy, gniazda, partii materiałowej i operatora. Tak powstaje cyfrowy bliźniak produktu – nieoceniony przy reklamacjach lub analizach FMEA. Integracja z CMMS pozwala automatycznie zgłaszać przeglądy, gdy liczba defektów przekroczy próg ostrzegawczy.

Historia rozwoju systemów QA

Początki automatycznej kontroli wtrysków sięgają lat 80., kiedy proste czujniki sprawdzały jedynie obecność detalu. Prawdziwy przełom nastąpił w latach 2000-2010 wraz z rozwojem kamer linijkowych i spadkiem cen kamer CCD. W tym okresie systemy wizyjne trafiały głównie do motoryzacji, gdzie wymagany PPM wynosił kilkanaście sztuk.

W ostatniej dekadzie obserwujemy „drugą falę". Po pierwsze, przetwarzanie obrazu przeszło do GPU, umożliwiając analizę w milisekundach.

Po drugie, pojawiły się kamery 3D (structured light, time-of-flight) i czujniki termiczne, które potrafią wykrywać różnice grubości ścianek czy hot spoty chłodzenia. Wreszcie, upowszechniło się oprogramowanie oparte o uczenie maszynowe. Dzięki temu systemy QA są bardziej elastyczne, szybsze i dokładniejsze niż kiedykolwiek.

W 2024-2025 wchodzi trzecia faza: integracja z cyfrowymi bliźniakami, MES oraz platformami danych. Dane z kontroli trafiają do modeli predykcyjnych, które mogą automatycznie korygować parametry wtryskarki lub zgłaszać konieczność czyszczenia formy. QA staje się więc częścią zamkniętej pętli sterowania jakością.

Nie bez znaczenia są regulacje. Dyrektywy MDR, CSRD czy nowe wymagania PPAP 5.0 wprost wskazują na konieczność pełnego śledzenia jakości. Automatyzacja QA staje się więc wymogiem certyfikacyjnym, a nie tylko przewagą. Firmy, które wyprzedzą trend, przejdą audyty szybciej i zyskają przewagę przy ofertowaniu.

Rodzaje systemów kontroli inline

Systemy QA można podzielić na kilka kategorii:

• Systemy wizyjne 2D – kamery liniowe lub matrycowe analizujące powierzchnię i kontur.
• Systemy wizyjne 3D – pomiary objętościowe, profilowanie laserowe, stereo.
• Metrologia laserowa – pomiary wymiarów krytycznych z dokładnością ±0,01 mm.
• Analiza termiczna – kamery IR wykrywające gorące punkty, niedochłodzenie.
• Analiza akustyczna/wibracyjna – mikrofony i akcelerometry rejestrujące charakterystyczne sygnały defektów.
• Systemy hybrydowe – łączące obraz z wagą, testami funkcjonalnymi, elektrycznymi, szczelności.

Wybór zależy od typu detalu, skali produkcji oraz wymagań klienta. W praktyce rosnącym trendem jest łączenie kilku metod – np. kamera 2D do wykrywania przebarwień + skaner 3D do kontroli wymiarów. Dzięki temu system radzi sobie z większą liczbą defektów, a dane są bardziej wiarygodne.

Systemy wizyjne 2D

Kamery 2D to najpopularniejsza technologia, idealna do wykrywania defektów powierzchniowych: smug, przypaleń, zadziorów, braków w nadrukach. Wtryskownie stosują zarówno kamery matrycowe (jego) jak i liniowe (dla elementów przesuwanych). Kluczowe elementy to rozdzielczość (typowo 5-12 MP), szybkość odczytu, dynamika tonalna oraz odpowiednio dobrane oświetlenie (pierścieniowe, boczne, strukturalne).

Do klasycznego przetwarzania obrazu wykorzystuje się biblioteki takie jak Halcon, Cognex VisionPro czy OpenCV. Zestaw narzędzi obejmuje progi, filtrację, morfologię, analizę konturów, OCR, weryfikację kolorów. W wersji AI stosuje się modele CNN (np. EfficientNet, YOLOv8) uczone na zdjęciach defektów i dobrych detali. Taka kombinacja zapewnia wysoką skuteczność i niskie czasy cyklu.

Coraz częściej system wizyjny 2D jest montowany bezpośrednio na manipulatorze lub cobocie odbierającym detal. Kamera robi zdjęcie w locie, a wynik trafia do sterownika robota, który umieszcza część w gnieździe OK/ NOK. Dzięki temu eliminujemy dodatkowe stacje i skracamy drogę detalu.

W aplikacjach premium stosuje się również hiperspektralne kamery 2D. Pozwalają one wykrywać różnice w składzie chemicznym, co przy produkcji z recyklatów pomaga wychwycić zanieczyszczenia lub obce polimery. Chociaż inwestycja jest wyższa, szybko się zwraca przy produkcji opakowań kosmetycznych lub komponentów medycznych.

Systemy wizyjne 3D i metrologia laserowa

Systemy 3D bazują na profilowaniu laserowym, strukturze światła, stereowizji czy technologii time-of-flight. Świetnie sprawdzają się przy kształtach skomplikowanych, gdzie potrzeba informacji o wysokości, objętości lub równoległości powierzchni. Dokładność sięga kilkunastu mikrometrów, a dane można porównywać z modelem CAD, uzyskując mapy odchyłek.

Metrologia laserowa jest często stosowana do pomiaru detali dla branży medycznej i elektroniki (np. elementy optyczne, złącza). Systemy potrafią mierzyć grubość ścianki, głębokość rowków, położenie otworów, a nawet kąt ugięcia. Integracja z robotem umożliwia zbliżenie sondy w dowolny punkt, co zwiększa elastyczność celi.

Coraz popularniej stosuje się technologię „digital overlay": dane 3D są nakładane na model AR, a operator widzi w czasie rzeczywistym, gdzie występują odchyłki. Pozwala to szybciej podejmować decyzje korekcyjne i dokumentować wyniki dla klienta.

Systemy 3D można również połączyć z analizą naprężeń: dane o deformacjach trafiają do cyfrowego bliźniaka formy, który sugeruje korektę chłodzenia czy zmianę profilu docisku. Dzięki temu metrologia staje się częścią zamkniętej pętli doskonalenia, a nie jedynie narzędziem sprawozdawczym.

Analiza akustyczna i termiczna

Analiza termiczna z kamerami IR pozwala ocenić rozkład temperatury na wyprasce tuż po wyjęciu. Dzięki temu widzimy defekty zanim ujawnią się optycznie – np. niedochłodzenie, gorące punkty, różnice grubości. Dane można skorelować z parametrami chłodzenia i programem wtrysku.

Analiza akustyczna lub wibracyjna odnosi się do dźwięków i drgań generowanych przy uderzeniu detalu o sensor lub w trakcie testów. Niektóre wady strukturalne (pęknięcia, pęcherze) zmieniają charakterystykę dźwięku, co można wykryć przy użyciu mikrofonów szerokopasmowych. Ta metoda sprawdza się przy kontrolach 100% elementów metalowo-plastikowych i w produktach o krytycznej szczelności.

Nowoczesne systemy łączą dane akustyczne z AI, stosując transformację falkową i spektrogramy. Modele klasyfikują dźwięki na różne typy defektów. Taka metoda jest szczególnie skuteczna przy komponentach, gdzie wady są niewidoczne (np. mikropęknięcia w częściach wzmocnionych włóknem szklanym).

Budowa i główne elementy celi QA

Kompletny system QA składa się z: stacji odbioru detalu (robot/cobot), kamer i oświetlenia, czujników dodatkowych (waga, siła, temperatura), komputerów przetwarzających, oprogramowania analitycznego, interfejsu operatora oraz integracji z MES/SCADA. Całość powinna być zgodna z wymogami bezpieczeństwa (PE/PL, kurtyny świetlne) i łatwa w utrzymaniu.

Architektura sterowania często obejmuje sterownik PLC, komputer przemysłowy z GPU, serwery baz danych oraz panel operatorski HMI. Dodatkowo instaluje się moduły IoT, które przesyłają wyniki do chmury lub cyfrowych bliźniaków. Dzięki temu dane jakościowe są dostępne dla całej organizacji, a nie tylko dla działu QA.

W nowoczesnych projektach celi QA integruje się również etykietowanie, pakowanie i znakowanie laserowe. Po pozytywnym wyniku system automatycznie drukuje etykietę z kodem DMC, zapisuje numer seryjny w bazie i przekazuje detal do kolejnej operacji. Cały proces jest śledzony w eDHR, co ułatwia audyty i reklamacje.

Istotnym elementem jest ergonomia. Operatorzy muszą mieć dostęp do panelu, możliwość szybkiej zmiany receptur oraz podglądu zdjęć. Intuicyjne komunikaty redukują czas reakcji i minimalizują błędy. Dlatego coraz częściej stosuje się interfejsy dotykowe z wizualizacją 3D detalu i krokami reakcji.

Kamery, optyka i oświetlenie

Dobór optyki to połowa sukcesu. Należy uwzględnić wielkość detalu, odległość roboczą, głębię ostrości i refleksy. Tworzywa błyszczące wymagają oświetlenia rozproszonego (kopuły), natomiast matowe – kierunkowego. Przy elementach transparentnych stosuje się oświetlenie koaksjalne, polaryzację lub linijki laserowe.

Kamery powinny mieć wystarczającą rozdzielczość, by spełnić specyfikację defektu (np. zadzior 0,1 mm wymaga pikseli 0,03-0,05 mm). W aplikacjach high-speed przydatne są sensory global shutter oraz interfejsy 10GigE/CoaXPress, które przesyłają obraz z prędkością kilkuset fps. Warto zapewnić redundancję – instalacja dwóch kamer o różnych kątach widzenia zwiększa pewność detekcji.

Nie można zapomnieć o warunkach pracy: temperatura, pył, wibracje. Dla cel wtryskowych popularne są kamery w obudowach IP65, a oświetlacze LED z chłodzeniem powietrznym. Wszystkie komponenty muszą być dostępne do konserwacji bez długich przestojów.

AI, algorytmy i oprogramowanie

Serce systemu to oprogramowanie. Klasyczne narzędzia wizyjne wciąż mają zastosowanie przy prostych defektach, ale trend jest jasny: AI. Modele sieci neuronowych potrafią wykrywać nie tylko defekty binarne, lecz także sklasyfikować ich typ, intensywność oraz prawdopodobną przyczynę.

Możliwości modeli sieci neuronowych:

• Wykrywanie defektów binarnych (pass/fail)
• Klasyfikacja typu defektu
• Ocena intensywności wady
• Identyfikacja prawdopodobnej przyczyny

Do trenowania wykorzystuje się setki zdjęć dobrych i wadliwych detali. Dostawcy tacy jak Tederic Smart Vision oferują gotowe pipeline'y AutoML, które automatycznie dobierają architekturę modelu i walidują skuteczność.

Systemy AI wymagają jednak zarządzania wersjami (ModelOps). Każdy model ma parametry, datę wdrożenia, zakres obowiązywania. Po zmianie formy lub materiału należy przeprowadzić rewalidację. Dane z bieżącej produkcji służą jako feedback, pozwalając na ciągłe uczenie (continuous learning). W projektach o wysokiej odpowiedzialności stosuje się połączenie AI i klasycznych reguł, aby zapewnić interpretowalność decyzji.

Oprogramowanie QA powinno też integrować się z MES/MOM. Wyniki inspekcji biorą udział w SPC, aktualizują karty kontroli, wyzwalają działania korygujące, a przy przekroczeniu wskaźników PPM automatycznie blokują partię. Dzięki temu proces jest zamknięty, a reakcja – natychmiastowa.

Coraz częściej QA staje się elementem platform danych. W praktyce oznacza to możliwość budowania kokpitów KPI: rozkładu defektów na gniazda, heatmap jakości w czasie, analizy porównawczej zmian. Te same dane można wykorzystać w projektach Six Sigma, szybciej przechodząc od obserwacji do działań korygujących.

Kluczowe parametry techniczne

Podczas wyboru systemu warto analizować:

• Rozdzielczość i granica wykrywalności – jakie najmniejsze defekty zostaną wykryte.
• CT (cycle time) – czy inspekcja zmieści się w dostępnej przerwie cyklu.
• FP/FN – procent fałszywych odrzuceń i przepuszczeń; zwykle dąży się do <0,2% FP/FN.
• Stabilność temperaturowa – wpływ zmian warunków na jakość obrazu.
• Scalability – możliwość dodania nowych kamer, modeli AI, gniazd.
• Integracja – wsparcie dla OPC-UA, MQTT, REST, powiązanie z MES i cyfrowym bliźniakiem.

Parametry te należy mierzyć zarówno w trakcie FAT/SAT, jak i w eksploatacji. Regularne audyty pomagają utrzymać deklarowaną skuteczność i są wymagane przez klientów OEM. Warto dokumentować każdy etap – od kalibracji po aktualizacje oprogramowania.

W projektach związanych z AI trzeba dodatkowo analizować tzw. drift danych. Jeśli rozkład danych wejściowych zmienia się w czasie (inne kolory granulatów, nowe warianty), model może tracić skuteczność. Monitorowanie driftu i automatyczne alerty pozwalają szybko uruchomić proces ponownego uczenia.

Zastosowania i studia przypadku

Systemy QA znajdują zastosowanie w wielu sektorach:

• Automotive – kontrola elementów wnętrza, oświetlenia, złączy, komponentów ADAS. Wymagany PPM poniżej 10.
• Medycyna – strzykawki, elementy pomp insulinowych, obudowy urządzeń. Kluczowa jest walidacja 21 CFR Part 11.
• AGD i elektronika – elementy frontów, dekorów, klawiatur membranowych, komponentów baterii.
• Opakowania premium – całkowita eliminacja zarysowań i smug, łączenie kontroli z nadrukami cyfrowymi.
• Tworzywa recyklingowe – monitorowanie kolorystyki i wtrąceń w partiach PCR.

Przykład: producent komponentów konsumenckich wdrożył system Tederic Smart Vision łączący kamerę 12 MP, AI i wagi kontrolne.

Kluczowe wskaźniki ROI:

• Czas reakcji: z 50 minut do <5 minut
• Redukcja defektów: z 3,2% do 0,3%
• Fałszywe odrzucenia: <0,1%
• Poprawa OEE: 40%

Inny przypadek to firma medyczna, gdzie system 3D + IR monitoruje 32 gniazda strzykawek – w rezultacie uzyskano PPM = 0,8 i skrócono walidację PPAP o 40%.

Dane QA są też wykorzystywane w predykcyjnym utrzymaniu. Jeśli system zauważy trend pogarszania jakości (np. rosnąca liczba mikropęknięć), generuje zadanie serwisowe i przekazuje parametry do bliźniaka procesu. Dzięki temu można zaplanować polerowanie gniazd lub wymianę dysz zanim defekt stanie się krytyczny.

Interesujący jest również case firmy kosmetycznej, która używa hiperspektralnych kamer do weryfikacji jednolitości barwy elementów z PCR. System połączony z AI ocenia odchyłkę ΔE i kieruje część detali do renowacji, zanim trafią do klienta premium. Pozwoliło to utrzymać spójność koloru mimo fluktuacji w jakości recyklatu.

Jak wybrać system kontroli inline i AI?

Decyzję warto oprzeć na macierzy wymagań:

1. Zdefiniuj defekty krytyczne i dopuszczalny PPM.
2. Określ geometrię, materiał i optykę detalu (błysk, transparentność).
3. Sprawdź czas cyklu i dostępne okno na inspekcję.
4. Ocenić infrastrukturę – czy masz miejsce na stację liniową, czy lepiej zintegrować kamerę na robocie.
5. Uwzględnij wymagania regulacyjne (FDA, IATF, ISO 13485) oraz format raportów.
6. Wybierz platformę AI z transparentnym procesem uczenia i walidacji.

Następnie realizuje się POC/Pilot. Zaleca się co najmniej 2-3 tygodnie testów, w trakcie których zbiera się dane z prawdziwej produkcji (różne warianty, kolory, wtrącenia). Po pozytywnym wyniku projekt przechodzi do industrializacji. Ważna jest współpraca między działem jakości, automatyki i IT – bez tego integracja z MES czy ERP będzie trudna.

Przy wyborze dostawcy zwróć uwagę na dostępność serwisu, możliwość zdalnego wsparcia, programy szkoleniowe oraz licencjonowanie. Warto też ustalić, kto odpowiada za aktualizacje modeli AI i czy dane zdjęciowe pozostają w zakładzie (aspekty IP/RODO).

Firmy dojrzałe jakościowo tworzą również mapę drogową. Określają, które projekty kontrolne zrealizują w pierwszej kolejności, jakie KPI zostaną poprawione i jak system QA wpisze się w strategię cyfrowego bliźniaka. Pozwala to uniknąć przypadkowych inwestycji i budować spójny ekosystem.

Konserwacja i walidacja systemu

System QA, podobnie jak wtryskarka, wymaga regularnych przeglądów. Należy ustalić harmonogram: codzienne czyszczenie optyki, tygodniowe sprawdzenie ustawień, miesięczna kalibracja i przegląd oprogramowania, roczna rewalidacja. Każdy etap powinien być udokumentowany i powiązany z procedurami ISO.

Modele AI trzeba aktualizować wraz ze zmianami form, materiałów lub wykończeń powierzchni. Najlepiej utrzymywać bibliotekę danych referencyjnych, do której można wrócić w przypadku reklamacji. Wdrożenie polityki „golden sample" (wzorce wzorcowe) ułatwia kalibrację i kontrolę spójności wyników pomiędzy zmianami.

Warto również wdrożyć monitoring stanu celi QA: czujniki temperatury obudów, wilgotności, wibracji. Dzięki temu system sam informuje o warunkach, które mogą wpłynąć na jakość obrazu. W połączeniu z CMMS można generować zgłoszenia konserwacyjne automatycznie, podobnie jak ma to miejsce przy predykcyjnym utrzymaniu wtryskarek.

W zakładach regulowanych (medyczne, lotnicze) konieczne jest prowadzenie walidacji IQ/OQ/PQ oraz dokumentacji zmian. Warto korzystać z cyfrowych narzędzi podpisu oraz repozytoriów wersji, by skrócić czas przeglądów i łatwiej udowodnić, że system działał zgodnie z procedurą w całym cyklu życia.

Podsumowanie

Kontrola jakości inline wsparta AI staje się nowym standardem w przetwórstwie tworzyw. Pozwala osiągnąć cele zero defect manufacturing, spełniać wymagania klientów i raportować dane w czasie rzeczywistym. Kluczem jest odpowiedni dobór technologii, integracja z istniejącą infrastrukturą i systematyczna konserwacja. Firmy, które wdrożą inteligentne systemy wizyjne już teraz, zyskają przewagę konkurencyjną, skrócą czas reakcji na problemy i podniosą zaufanie klientów. W erze cyfrowej jakość nie jest dodatkiem – jest fundamentem zrównoważonego rozwoju i rentowności.