Sistem Kamera AI untuk mendeteksi dan menghitung tutup botol plastik pada sabuk konveyor, dengan mekanisme pengklasifikasian cacat berbasis udara untuk produsen tutup plastik.

Latar belakang permasalahan

Tantangan dalam kasus ini adalah membuat kamera menginspeksi dan menghitung tutup botol air minum plastik di konveyor, menggantikan pemeriksaan ulang dan penghitungan oleh petugas. Pelanggan adalah produsen tutup plastik. Tutup yang keluar dari mesin injeksi plastik bergerak di atas konveyor pengangkut, lalu karyawan memeriksa ulang dan menghitung jumlahnya secara manual.

Cacat yang ingin dipisahkan oleh pelanggan adalah sirip berlebih dan tutup yang tidak terbentuk sempurna. Pelanggan juga membutuhkan jumlah tutup baik dan tutup cacat sebagai bahan laporan produksi, bukan sekadar membuang tutup cacat.

Persyaratan dan batasan

Sistem harus menginspeksi tutup yang melewati konveyor dan mendukung tutup lebih dari satu warna. Persyaratan utama sistem adalah sebagai berikut.

• Menginspeksi setiap tutup yang melewati konveyor dan menemukan tutup dengan sirip berlebih atau pembentukan yang tidak sempurna
• Memisahkan tutup cacat dari konveyor segera setelah terdeteksi
• Mendukung tutup putih maupun tutup biru
• Menghitung jumlah tutup baik (OK) dan tutup cacat (NG) untuk laporan produksi
• Melihat gambar langsung dan jumlah hitungan, serta mengatur sistem melalui peramban web di tablet atau PC

Bagaimana sistem ini menginspeksi dan menghitung tutup di konveyor, dan bagaimana pemisahan tutup cacat dirancang?

Sistem ini menggunakan kamera LearningCam model Inspection Cam di atas konveyor. Kamera mengambil gambar tutup secara terus-menerus, menggunakan model AI untuk menilai apakah setiap tutup merupakan tutup baik atau tutup cacat, lalu menghitung jumlahnya. Menurut rancangan, saat tutup cacat ditemukan, kamera mengirim sinyal ke unit Controller and Reject (unit kontrol dan pemisahan) untuk menyemburkan udara dan mendorong tutup tersebut keluar dari konveyor.

1. 1

   Tutup melewati kamera di atas konveyor

   Tutup yang keluar dari mesin injeksi bergerak di atas konveyor pengangkut, melewati bagian bawah kamera LearningCam model Inspection Cam yang dipasang dengan jig penahan kamera (Jig/Fixture) di atas konveyor.

2. 2

   Model AI menilai OK atau NG

   Kamera mengambil gambar secara terus-menerus. Model AI yang dilatih dari gambar tutup asli pabrik memeriksa apakah setiap tutup memiliki sirip berlebih atau pembentukan yang tidak sempurna, lalu menilainya sebagai tutup baik (OK) atau tutup cacat (NG).

3. 3

   Mekanisme Pengklasifikasian Cacat Berbasis Udara

   Menurut rancangan, saat tutup cacat ditemukan, kamera mengirim sinyal ke unit Controller and Reject agar katup solenoid (katup listrik untuk membuka dan menutup aliran udara) menyemburkan udara dan mendorong tutup tersebut keluar. Tutup baik terus bergerak seperti biasa.

4. 4

   Menghitung jumlah dan menampilkan hasil

   Perangkat lunak di dalam kamera menampilkan gambar langsung beserta jumlah hitungan OK/NG. Pengguna membuka peramban web di tablet, layar, atau PC, lalu memasukkan nomor IP (alamat kamera dalam jaringan) melalui Router Wi-Fi 6 dan IoT Gateway (perangkat yang menghubungkan peralatan di lokasi ke jaringan).

5. 5

   Melihat laporan hasil inspeksi

   Bagian produksi membuka halaman laporan hasil inspeksi (Inference Report) untuk merangkum hasil menurut periode waktu dan menurut model, serta dapat memulai atau menghentikan inspeksi dari kantor produksi melalui jaringan.

Kami memilih kamera dengan perangkat lunak inspeksi dan penghitungan di dalamnya, sehingga pengguna dapat melihat hasil melalui peramban web tanpa perlu memasang komputer di samping lini. Kami melatih model dari gambar tutup asli pabrik karena cacat yang harus dideteksi adalah cacat yang timbul dari proses pencetakan injeksi di pabrik ini.

Hasil serah terima

Kami menyediakan peralatan, memasang sistem pada konveyor pelanggan, dan melatih model AI untuk tutup putih. Item dalam lingkup pekerjaan adalah sebagai berikut.

• 1 unit kamera LearningCam model Inspection Cam dengan perangkat lunak bawaan yang menampilkan gambar langsung dan jumlah hitungan OK/NG
• Unit Controller and Reject dengan katup solenoid untuk memisahkan tutup cacat dengan semburan udara
• Router Wi-Fi 6 dan IoT Gateway untuk menghubungkan kamera dengan tablet atau PC di pabrik
• Pekerjaan pemasangan jig penahan kamera (Jig/Fixture) di atas konveyor dan pengaturan sistem di lokasi
• Model AI untuk inspeksi cacat tutup yang dilatih dari gambar tutup asli pabrik
• Halaman laporan hasil inspeksi (Inference Report) untuk melihat hasil menurut periode waktu dan menurut model

Hasil yang dapat dikonfirmasi dari pengujian di lokasi

Dalam pengujian di lokasi pada Januari–Maret 2026, kamera LearningCam model Inspection Cam menginspeksi dan menghitung tutup putih sekitar 398 buah per menit, terus-menerus selama 120 menit, dan memenuhi kriteria yang ditetapkan dalam formulir laporan uji internal. Hasil ini merupakan pengujian inspeksi dan penghitungan, belum merupakan hasil uji terima sistem pemisahan secara lengkap.

Tutup biru yang diuji dengan model tutup putih belum mencapai kriteria, sehingga direncanakan pelatihan model terpisah menurut warna tutup. Pekerjaan masih dalam tahap penyesuaian model untuk tutup warna lain dan konfirmasi penyerahan sistem secara lengkap.

Selama pengujian, sinyal Wi-Fi yang lemah membuat gambar langsung yang dibuka dari kantor produksi tersendat, sedangkan perintah mulai atau berhenti dan jumlah hitungan tetap dapat digunakan.

Pelajaran yang kita dapatkan

Pekerjaan ini memberikan prinsip berikut untuk inspeksi benda kerja injeksi plastik dengan kamera AI.

• Model hanya berlaku untuk karakteristik benda kerja yang digunakan saat pelatihan. Dalam pekerjaan ini, model yang dilatih dari tutup putih belum mencapai kriteria saat digunakan pada tutup biru, sehingga warna atau tipe tutup baru harus diperlakukan sebagai pekerjaan pelatihan model dan pengujian putaran baru.
• Pastikan hasil inspeksi secara terpisah dari hasil pemisahan. Inspeksi dan penghitungan tutup dapat memenuhi kriteria lebih dahulu, tetapi unit pemisahan dengan udara memerlukan uji terima tersendiri, karena hasilnya bergantung pada penilaian model dan juga mekanisme semburan udara.
• Fungsi utama sebaiknya tidak bergantung pada gambar langsung. Dalam pekerjaan ini, sinyal Wi-Fi yang lemah membuat gambar langsung tersendat, tetapi perintah mulai atau berhenti dan jumlah hitungan tetap dapat digunakan, sehingga sinyal di titik pemantauan sebaiknya disurvei sebelum pemasangan.

Bagaimana menerapkan pendekatan ini pada lini injeksi plastik Anda?

Jika lini Anda memproduksi tutup atau benda kerja injeksi plastik berukuran kecil yang bergerak di atas konveyor, Anda dapat menggunakan pendekatan yang sama dengan kasus ini, yaitu kamera di atas konveyor, model yang dilatih dari benda kerja asli, jumlah hitungan OK/NG, dan rancangan unit pemisahan dengan semburan udara. Yang perlu disesuaikan adalah model untuk setiap warna atau tipe benda kerja, serta posisi pemasangan kamera dan nosel udara.

• Siapkan benda kerja baik dan benda kerja dengan cacat asli untuk setiap warna atau tipe, agar tim dapat mengambil gambarnya untuk melatih model.
• Sepakati kriteria penerimaan sebelum pengujian, mencakup kecepatan konveyor, durasi pengujian, dan metode pengukuran, dengan melihat tingkat deteksi tutup cacat dan tingkat tutup baik yang keliru dibuang secara terpisah, bukan hanya akurasi keseluruhan.
• Mulailah dari warna atau tipe yang paling banyak diproduksi. Setelah memenuhi kriteria, barulah tambahkan model untuk warna lain.
• Lakukan pengujian di bawah pencahayaan nyata di lokasi, dan pasang kamera agar sudut gambar tetap stabil.