Kontrola kvality inline a AI ve vstřikování - systémy strojového vidění 2025

Úvod do inline kontroly kvality

Inline kontrola kvality ve zpracování plastů prochází rychlou transformací. Ještě před několika lety většina závodů spoléhala na manuální inspekci každých několik cyklů. Dnes, pod tlakem automobilového, lékařského či spotřební elektroniky, jde o odhalení vady během sekund, než šarže poputuje k balení.

IDC odhaduje, že do roku 2026 více než 70% vstřikovacích závodů bude používat pokročilé vizuální systémy propojené s AI.

Výhody inline kontroly:

• Snížení odpadu
• Menší riziko nákladných vrácení
• Rychlejší schvalování PPAP
• Možnost garantovat PPM zákazníkům

V tomto průvodci ukazujeme, jak postavit architekturu QA, jaké technologie zvolit a jak je propojit s digitálními dvojníky, MES a robotikou, aby vznikl ekosystém plné kvality.

Podle výzkumů McKinsey implementace inteligentní inline kontroly zkracuje reakční čas na vadu průměrně z 50 minut na méně než 5 minut. Při výrobě milionu součástí ročně to znamená úspory stovek tisíc korun – méně šrotu, méně přesčasů, méně stresu z rychlého třídění celých palet.

Je to také klíčový pilíř strategie udržitelné výroby, protože každý nevyrobený odpad reálně snižuje uhlíkovou stopu.

Co je inline kontrola kvality ve vstřikování?

Inline kontrola znamená automatickou inspekci každé součásti přímo u vstřikovacího hnízda nebo v cele integrované s robotem. Systém sbírá data (obrázek, teplotní profil, zvuk, hmotnost), analyzuje je a porovnává s referenčním modelem. Rozhodnutí „pass/fail“ padne během doby kratší než cyklus a výsledek okamžitě poputuje do MES, eDHR nebo systému traceability.

Na rozdíl od offline inspekce inline kontrola nevyžaduje manuální odběr vzorků. Je součástí procesu, takže reaguje okamžitě a eliminuje riziko, že vadné detaily projdou. Toto řešení skvěle zapadá do filozofie „zero defect manufacturing“ a standardů kvality jako IATF 16949, ISO 13485 nebo IPC.

Rostoucí význam má i AI. Neuronové sítě se učí rozpoznávat vady i tehdy, když je nelze popsat jednoduchými pravidly (např. jemné zabarvení na optických součástích). Díky tomu lze automatizovat kontrolu tam, kde dříve rozhodoval jen operátor.

Inline kontrola zahrnuje i správu dat. Každý výsledek inspekce je přiřazen k číslu formy, hnízdu, šarži materiálu a operátorovi. Tak vzniká digitální pasport produktu – neocenitelný při reklamacích nebo analýzách FMEA. Integrace s CMMS umožňuje automaticky hlásit revize, když počet vad překročí výstražný práh.

Historie vývoje QA systémů

Počátky automatické kontroly vstřikování sahají do 80. let, kdy jednoduché senzory kontrolovaly jen přítomnost detalu. Pravý průlom přišel v letech 2000–2010 s vývojem čárových kamer a poklesem cen CCD kamer. V té době se vizuální systémy dostaly především do automobilky, kde PPM činilo jen několik kusů.

V posledním desetiletí sledujeme „druhou vlnu“. Za prvé, zpracování obrazu přešlo na GPU, což umožňuje analýzu během milisekund. Za druhé, objevily se 3D kamery (strukturované světlo, time-of-flight) a termické senzory, které detekují rozdíly v tloušťce stěn nebo horké body chlazení. Nakonec se rozšířilo software založené na strojovém učení. Systémy QA jsou tak pružnější, rychlejší a přesnější než kdy dřív.

V letech 2024–2025 vstupuje třetí fáze: integrace s digitálními dvojníky, MES a datovými platformami. Data z kontroly putují do prediktivních modelů, které automaticky korigují parametry vstřikovacího stroje nebo hlásí potřebu čištění formy. QA se tak stává součástí uzavřené smyčky řízení kvality.

Nebezpečí nejsou ani regulace. Směrnice MDR, CSRD nebo nové požadavky PPAP 5.0 přímo ukazují na nutnost plného sledování kvality. Automatizace QA se tak stává certifikačním požadavkem, ne jen výhodou. Firmy, které trend předběhnou, projdou audity rychleji a získají výhodu při nabízení.

Typy inline kontrolních systémů

QA systémy lze rozdělit do několika kategorií:

• 2D vizuální systémy – čárové nebo matričové kamery analyzující povrch a obrys.
• 3D vizuální systémy – objemové měření, laserové profilování, stereo.
• Laserová metrologie – měření kritických rozměrů s přesností ±0,01 mm.
• Termická analýza – IR kamery detekující horké body, nedostatečné chlazení.
• Akustická/vibrační analýza – mikrofony a akcelerometry zaznamenávající charakteristické signály vad.
• Hybridní systémy – kombinující obraz s hmotností, funkčními, elektrickými nebo těsnostními testy.

Výběr závisí na typu detalu, rozsahu výroby a požadavcích zákazníka. V praxi roste trend kombinace několika metod – např. 2D kamera na zabarvení + 3D skener na rozměry. Systém tak zvládá více vad a data jsou spolehlivější.

2D vizuální systémy

2D kamery jsou nejoblíbenější technologií, ideální pro detekci povrchových vad: pruhů, připálenin, závěsů, chyb v potisku. Vstřikovny používají matričové (pro statické) i čárové kamery (pro pohyblivé prvky). Klíčové jsou rozlišení (typicky 5–12 MP), rychlost čtení, tonální rozsah a vhodné osvětlení (kruhové, boční, strukturované).

Pro klasické zpracování obrazu se používají knihovny jako Halcon, Cognex VisionPro nebo OpenCV. Nástroje zahrnují prahy, filtrování, morfologii, analýzu obrysů, OCR, ověření barev. V AI verzi se aplikují CNN modely (např. EfficientNet, YOLOv8) trénované na vadných a dobrých detailech. Kombinace zajišťuje vysokou úspěšnost a krátké cykly.

2D vizuální systém se stále častěji montuje přímo na manipulátor nebo cobota, který detail odebírá. Kamera fotí za letu a výsledek jde do řídicího robota, který součást umístí do OK/NOK hnízda. Tím se eliminují extra stanice a zkracuje se dráha detalu.

V prémiových aplikacích se používají i hyperspektrální 2D kamery. Umožňují detekovat rozdíly v chemickém složení, což při recyklátech pomáhá odhalit nečistoty nebo cizí polymery. I když investice je vyšší, rychle se vrátí u obalů kosmetiky nebo lékařských komponentů.

3D vizuální systémy a laserová metrologie

3D systémy vycházejí z laserového profilování, strukturovaného světla, stereovize nebo time-of-flight. Skvěle se hodí pro složité tvary, kde je třeba informace o výšce, objemu nebo rovnoběžnosti povrchu. Přesnost dosahuje desítek mikrometrů a data lze porovnat s CAD modelem pro mapy odchylek.

Laserová metrologie se často používá pro detaily v lékařství a elektronice (např. optické prvky, konektory). Systémy měří tloušťku stěny, hloubku drážek, polohu otvorů nebo úhel ohnutí. Integrace s robotem umožňuje přiblížit sondu kamkoli, což zvyšuje flexibilitu cely.

Čím dál oblíbenější je technologie „digital overlay“: 3D data se překrývají na AR model a operátor vidí v reálném čase odchylky. To urychluje korekční rozhodnutí a dokumentaci pro zákazníka.

3D systémy lze propojit i s analýzou napětí: data o deformacích jdou do digitálního dvojníka formy, který navrhne korekci chlazení nebo změnu profilu dotlaku. Metrologie se tak stává součástí uzavřené smyčky zlepšování, ne jen reportovacím nástrojem.

Akustická a termická analýza

Termická analýza s IR kamerami umožňuje posoudit rozložení teploty na výlisce hned po vyjmutí. Tak vidíme vady dřív, než se projeví opticky – např. nedostatečné chlazení, horké body, rozdíly v tloušťce. Data lze korelovat s parametry chlazení a vstřikovacím programem.

Akustická nebo vibrační analýza se týká zvuků a vibrací při úderu detalu o senzor nebo během testů. Některé strukturální vady (trhliny, puchýře) mění zvukovou charakteristiku, což lze detekovat širokopásmovými mikrofony. Tato metoda funguje u 100% kovoplastových prvků a produktů s kritickou těsností.

Moderní systémy kombinují akustická data s AI pomocí waveletové transformace a spektrogramů. Modely klasifikují zvuky do typů vad. Tato metoda je zvláště účinná u komponent, kde vady nejsou vidět (např. mikropřetržení ve sklolaminátových dílech).

Konstrukce a hlavní prvky QA cely

Kompletní QA systém se skládá ze stanice odběru detalu (robot/cobot), kamer a osvětlení, dalších senzorů (hmotnost, síla, teplota), procesorů, analytického softwaru, operátorského rozhraní a integrace s MES/SCADA. Celé řešení musí splňovat bezpečnostní normy (PE/PL, světelné závesy) a být snadno udržovatelné.

Architektura řízení často zahrnuje PLC řídicí, průmyslový PC s GPU, databázové servery a HMI panel HMI. Navíc se instalují IoT moduly pro přenos výsledků do cloudu nebo digitálních dvojníků. Kvalitní data jsou tak dostupná celé organizaci, ne jen QA oddělení.

V moderních QA celách se integruje i etiketování, balení a laserové značení. Po pozitivním výsledku systém automaticky tiskne etiketu s DMC kódem, uloží sériové číslo do databáze a předá detail dál. Celý proces je sledován v eDHR, což usnadňuje audity a reklamace.

Důležitým prvkem je ergonomie. Operátoři musí mít přístup k panelu, rychlou změnu receptur a náhled fotek. Intuitivní zprávy zkracují reakce a minimalizují chyby. Proto se stále častěji používají dotykové rozhraní s 3D vizualizací detalu a reakčními kroky.

Kamery, optika a osvětlení

Výběr optiky je polovina úspěchu. Je třeba zohlednit velikost detalu, pracovní vzdálenost, hloubku ostrosti a odlesky. Lesklé plasty potřebují rozptylové osvětlení (kupole), matové směrové. U průhledných se používá koaxiální osvětlení, polarizace nebo laserové čáry.

Kamery musí mít dostatečné rozlišení pro specifikaci vady (např. závěs 0,1 mm vyžaduje pixely 0,03–0,05 mm). Pro high-speed jsou vhodné senzory global shutter a rozhraní 10GigE/CoaXPress přenosem stovek fps. Redundance – dvě kamery s různými úhly – zvyšuje detekční jistotu.

Nezapomeňte na provozní podmínky: teplotu, prach, vibrace. Pro vstřikovací cely jsou běžné kamery IP65 a LED osvětlovače s vzduchovým chlazením. Všechny komponenty musí být přístupné pro údržbu bez dlouhých výpadků.

AI, algoritmy a software

Srdce systému je software. Klasické vizuální nástroje stále mají uplatnění u jednoduchých vad, ale trend je jasný: AI. Modely neuronových sítí dokážou detekovat nejen binární vady, ale také je klasifikovat podle typu, intenzity a pravděpodobné příčiny.

Schopnosti neuronových sítí:

• Detekce binárních vad (pass/fail)
• Klasifikace typu vady
• Hodnocení intenzity
• Identifikace pravděpodobné příčiny

K tréninku se používají stovky fotografií dobrých a vadných výlisků. Dodavatelé jako Tederic Smart Vision nabízejí hotové pipeline AutoML, které automaticky volí architekturu modelu a validují účinnost.

Systémy AI však vyžadují řízení verzí (ModelOps). Každý model má parametry, datum nasazení a platnost. Po změně formy nebo materiálu je nutná revalidace. Data z běžné výroby slouží jako zpětná vazba umožňující kontinuální učení (continuous learning). V projektech s vysokou odpovědností se kombinuje AI s klasickými pravidly pro zajištění interpretovatelnosti rozhodnutí.

Software QA by měl také integrovat s MES/MOM. Výsledky inspekce se zapojují do SPC, aktualizují kontrolní karty, spouštějí korekční akce a při překročení PPM indikátorů automaticky blokují dávku. Tím se proces uzavře a reakce je okamžitá.

Čím dál častěji se QA stává součástí datových platforem. V praxi to znamená možnost vytvářet KPI kokpity: rozložení vad podle dutin, heatmapy kvality v čase, porovnávací analýzy změn. Stejná data lze využít v projektech Six Sigma k rychlejšímu přechodu od pozorování k korekčním akcím.

Klíčové technické parametry

Při výběru systému stojí za to analyzovat:

• Rozlišení a hranice detekce – jaké nejmenší vady budou detekovány.
• CT (doba cyklu) – zda se inspekce vejde do dostupné pauzy cyklu.
• FP/FN – procento falešných odmítnutí a propouštění; obvykle se směřuje k <0,2%.
• Teplotní stabilita – vliv změn podmínek na kvalitu obrazu.
• Škálovatelnost – možnost přidání nových kamer, modelů AI, dutin.
• Integrace – podpora OPC-UA, MQTT, REST, propojení s MES a digitálním dvojníkem.

Tyto parametry je třeba měřit během FAT/SAT i v provozu. Pravidelné audity pomáhají udržet deklarovanou účinnost a jsou vyžadovány odběratelem OEM. Stojí za to dokumentovat každý krok – od kalibrace po aktualizace software.

V projektech s AI je navíc třeba analyzovat tzv. drift dat. Pokud se rozložení vstupních dat mění v čase (jiné barvy granulátu, nové varianty), může model ztrácet účinnost. Monitorování driftu a automatické upozornění umožňují rychle spustit proces přeškolování.

Aplikace a případové studie

Systémy QA nacházejí uplatnění v mnoha sektorech:

• Automotive – kontrola prvků interiéru, osvětlení, konektorů, komponent ADAS. Požadováno PPM pod 10.
• Medicína – injekční stříkačky, prvky inzulínových pump, kryty zařízení. Klíčová je validace 21 CFR Part 11.
• AGD a elektronika – prvky čelních panelů, dekorů, membránových klávesnic, komponent baterií.
• Premium obaly – úplné odstranění škrábanců a pruhů, kombinace kontroly s digitálními tisky.
• Recyklované plasty – monitorování barevnosti a nečistot v dávkách PCR.

Příklad: výrobce spotřebních komponent implementoval systém Tederic Smart Vision kombinující kameru 12 MP, AI a vážící kontroly.

Klíčové ukazatele ROI:

• Reakční čas: z 50 minut na <5 minut
• Snížení vad: z 3,2% na 0,3%
• Chybná odmítnutí: <0,1%
• Zlepšení OEE: 40%

Další případ je medicínská firma, kde systém 3D + IR monitoruje 32 dutin striekaček – výsledkem je PPM = 0,8 a zkrácení validace PPAP o 40%.

Data QA se navíc využívají v prediktivní údržbě. Pokud systém zaznamená trend zhoršování kvality (např. rostoucí počet mikrotrhlin), generuje servisní úkol a předává parametry do dvojníka procesu. Lze tak naplánovat leštění dutin nebo výměnu trisek dříve, než vada eskaluje.

Zajímavý je také případ kosmetické firmy, která používá hyperspektrální kamery k ověření rovnoměrnosti barvy prvků z PCR. Systém propojený s AI hodnotí odchylku ΔE a směruje část výlisků k renovaci, než se dostanou k prémiovému zákazníkovi. To umožnilo udržet barevnou konzistenci navzdory výkyvům kvality recyklátu.

Jak vybrat inline kontrolní systém a AI?

Rozhodnutí stojí za to opřít o matici požadavků:

1. Definujte kritické vady a přípustné PPM.
2. Určete geometrii, materiál a optiku výlisku (lesk, průhlednost).
3. Zkontrolujte dobu cyklu a dostupné okno na inspekci.
4. Ohodnoťte infrastrukturu – zda máte místo na linkovou stanici, nebo lépe integrovat kameru na robotu.
5. Zohledněte regulační požadavky (FDA, IATF, ISO 13485) a formát reportů.
6. Vyberte AI platformu s transparentním procesem učení a validace.

Následně se realizuje POC/Pilot. Doporučuje se nejméně 2–3 týdny testů, během nichž se sbírají data z reálné výroby (různé varianty, barvy, nečistoty). Po pozitivním výsledku projekt přechází k industrializaci. Klíčová je spolupráce mezi oddělením kvality, automatizace a IT – bez ní bude integrace s MES či ERP obtížná.

Při výběru dodavatele obraťte pozornost na dostupnost servisu, možnost dálkové podpory, školicí programy a licencování. Stojí za to také dohodnout, kdo odpovídá za aktualizace modelů AI a zda foto data zůstávají v závodě (aspekty IP/RODO).

Kvalitně zralé firmy vytvářejí také roadmapu. Definují, které kontrolní projekty realizují jako první, jaké KPI zlepší a jak se systém QA zapojí do strategie digitálního dvojníka. To umožňuje vyhnout se náhodným investicím a budovat ucelený ekosystém.

Údržba a validace systému

Systém QA, podobně jako vstřikovací stroj, vyžaduje pravidelné revize. Je třeba stanovit harmonogram: denní čištění optiky, týdenní kontrolu nastavení, měsíční kalibraci a revizi software, roční revalidaci. Každý krok by měl být zdokumentován a propojen s procedurami ISO.

Modely AI je třeba aktualizovat při změnách forem, materiálů nebo povrchových úprav. Nejlépe udržovat knihovnu referenčních dat, ke které lze vrátit při reklamacích. Implementace politiky „golden sample“ (referenční vzorky) usnadňuje kalibraci a kontrolu konzistence výsledků mezi změnami.

Stojí za to také zavést monitorování stavu QA cely: senzory teploty krytů, vlhkosti, vibrací. Systém tak sám upozorní na podmínky ovlivňující kvalitu obrazu. V kombinaci s CMMS lze generovat údržbové tickety automaticky, podobně jako u prediktivní údržby vstřikovacích strojů.

V regulovaných závodech (medicína, letectví) je nutná validace IQ/OQ/PQ a evidencia změn. Vyplatí se využívat digitální podpisy a repozitáře verzí k zkrácení revizí a snadnějšímu prokázání, že systém fungoval podle postupu po celou dobu životnosti.

Shrnutí

Inline kontrola kvality podporovaná AI se stává novým standardem ve zpracování plastů. Umožňuje dosáhnout zero-defect cílů, splnit požadavky zákazníků a reportovat data v reálném čase. Klíčem je správný výběr technologie, integrace s existující infrastrukturou a systematická údržba. Firmy, které nasadí inteligentní vizuální systémy hned teď, získají konkurenční výhodu, zkrátí reakci na problémy a zvýší důvěru zákazníků. V digitální éře není kvalita příslušenstvím – je základem udržitelného rozvoje a ziskovosti.