LearningCamMenghitung benda kerja menggunakan gambar
Melakukan inspeksi produk untuk menunjukkan hasil

LearningCam adalah kamera Edge AI dengan aplikasi web yang terintegrasi ke dalam kamera itu sendiri. Kamera ini menghitung benda kerja yang melewati garis hitung dan membedakan antara produk baik (OK) dan buruk (NG) menggunakan model AI yang disesuaikan dengan benda kerja Anda. Kamera tersebut memproses gambar secara internal, sehingga tidak perlu mengirim gambar ke komputer atau cloud. Anda dapat melihat hasil dan mengatur pengaturan dari browser di tablet atau beberapa komputer.

Kounter lama hanya tahu bahwa ada sesuatu yang melewati, tetapi tidak dapat membedakan antara model benda kerja yang berbeda. Penghitungan manual dan pemeriksaan visual dapat membuat pemeriksa lelah dan menyebabkan kesalahan. LearningCam menggunakan gambar dari kamera sebagai gantinya, dan memiliki 2 mode operasi seperti ditunjukkan dalam tabel di bawah ini.

Bagaimana LearningCam berbeda dari Task Cam?

LearningCam mengamati benda kerja, sementara Task Cam mengamati proses kerja karyawan di stasiun kerja. Jika tantangan Anda adalah menghitung atau tingkat cacat, mulailah dengan LearningCam. Jika tantangan Anda adalah apakah karyawan menyelesaikan tugas dalam urutan dan berapa lama setiap langkah, lihat Task Cam.

LearningCam dimulai dalam 5 langkah: menempatkan kamera, menyediakan daya dan jaringan, memilih model dan menggambar bingkai, uji coba sebelum operasional, dan mengaktifkan AutoRun. Semua langkah dilakukan melalui antarmuka web kamera, tanpa instalasi perangkat lunak.

1. 1

   Pasang kamera di atas titik inspeksi

   Posisikan kamera untuk melihat seluruh area di mana benda kerja melewati. Model Inspection Cam menentukan bahwa lensa 12mm pada jarak 65cm melihat area sekitar 14x20cm, dan pada jarak maksimum 80cm, melihat area sekitar 16x23cm.

2. 2

   Penyediaan daya dan koneksi jaringan

   Berikan daya ke kamera. Model standar terhubung melalui Wi-Fi 6, sementara model Pro terhubung melalui LAN RJ45 ke Router atau Switch. Tablet, komputer, atau layar di jaringan yang sama dapat melihat hasilnya.

3. 3

   Memilih model dan menggambar bingkai

   Buka browser dan akses halaman web kamera. Pilih model AI untuk pekerjaan, gambar kerangka area deteksi, lalu putar atau atur resolusi gambar agar dapat melihat benda kerja dengan jelas.

4. 4

   Coba sebelum menggunakan

   Tekan Test Run untuk melihat hasil langsung. Jika pencacahan atau pemisahan masih salah, rekam video benda kerja nyata sebagai data pelatihan untuk model dan unggah model baru.

5. 5

   Aktifkan AutoRun dan mulai proses

   Atur kamera untuk login dan mulai inspeksi diri saat dinyalakan. Kemudia ikat Webhook atau nimitFlow untuk menerima hasil.

Halaman web kamera terdiri dari apa saja?

• Papan Indikator Status — Tanggal dan waktu, nama model AI yang digunakan saat ini, mode operasi, jumlah terpisah berdasarkan nomor bagian, dan tampilan langsung kamera dengan tombol Mulai, Henti, dan Reset.
• Model Upload — Pilih atau unggah file model AI dari perangkat Anda, dan ada tombol sinkronisasi ke nimitFlow.
• Inference — Pilih mode Continuous (pemeriksaan berkelanjutan) atau Snapshot (pemeriksaan per gambar), atur jeda sebelum pemeriksaan, gambar area pemeriksaan, putar gambar, pilih resolusi, lalu tekan Test Run untuk melihat hasil sebelum penggunaan sebenarnya
• Data Record — Ambil gambar tunggal atau rekam video hingga 60 detik, lihat rekaman secara mundur, unduh file secara individu atau sebagai paket .zip untuk pelatihan model, sistem memberikan peringatan ketika memori penuh.
• Jaringan — Atur nama perangkat (Device ID), pilih jaringan Wi-Fi pada model Standar atau hubungkan LAN RJ45 pada model Pro, lihat alamat IP dan MAC kamera, dan salin Webhook untuk mengirim hasil keluar. Model Counter Cam memilih IP otomatis (DHCP) atau IP statis.
• Sistem — Aktifkan AutoRun untuk memungkinkan kamera login dan mulai inspeksi diri saat dinyalakan, ubah kata sandi, reset ke pengaturan pabrik, dan reboot.

Model Inspection Cam dari LearningCam mengirimkan data hitung melalui Webhook (saluran transmisi data otomatis ke sistem tujuan). Pesan tersebut mencakup nomor bagian kamera, waktu proses, jumlah OK, jumlah NG, sinyal trigger, dan tanggal waktu. Sistem pabrik atau nimitFlow dapat menerima data ini untuk membuat laporan lebih lanjut. Anda tidak perlu mencatat hitungan secara manual.

• Webhook dalam model Inspection Cam - mengirimkan data sesuai dengan pengaturan ke sistem tujuan
• nimitFlow - mengirimkan data hitung ke nimitFlow, paket tambahan opsional
• Model TaskCam dan Skeleton - menerima sinyal mulai, berhenti, hitung, dan reset dari pin IO atau memanggil melalui API untuk berjalan bersama PLC atau penghitung yang ada
• Model TaskCam dan Skeleton - merekam video dan tabel CSV untuk setiap siklus, kemudy mengunggah ke NAS melalui FTP secara otomatis. Jika unggahan gagal, akan dicoba kembali.

Gambar yang diproses di kamera itu sendiri, tidak perlu dikirim ke cloud. Hasil dan file hanya dikirim ke tujuan yang ditentukan.

LearningCam cocok untuk pekerjaan di mana benda kerja melewati titik yang sama berulang kali dan memerlukan data hitung atau hasil OK/NG dari gambar. LearningCam tidak cocok untuk pekerjaan yang mengukur ukuran secara numerik untuk SPC (Kontrol Proses Statistik) dan untuk memeriksa urutan pekerjaan karyawan. Gunakan tabel ini untuk memeriksa pekerjaan Anda sebelum menentukan demo.

Tugas pengukuran ukuran menggunakan InGauge bersama dengan InQC. Verifikasi urutan kerja menggunakan Task Cam.

Bagaimana cara mengukur kinerja kamera?

Penyortiran produk cacat tidak boleh dinilai hanya dari akurasi keseluruhan. Misalnya, dari 2,000 benda kerja terdapat 40 produk cacat. Jika kamera menyatakan semuanya baik, akurasi keseluruhan mencapai 98 persen, tetapi tidak ada cacat yang terdeteksi. Periksa dua ukuran bersama-sama: berapa produk cacat yang terdeteksi dari seluruh produk cacat, dan berapa produk baik yang keliru ditolak

Skor kepercayaan yang diberikan oleh model bukanlah probabilitas menjadi benar sampai dibandingkan dengan bagian nyata. Kami menyarankan menjalankan kamera bersamaan dengan inspeksi yang ada sebelum mengubah proses. Hasil kamera adalah informasi tambahan. Tim kualitas Anda tetap menjadi penentu akhir dalam melepaskan lot.

Pada B.E. 2568–2569, kami memasang 1 LearningCam model Inspection Cam di atas konveyor tutup untuk produsen tutup botol air plastik. Model AI dilatih menggunakan gambar tutup asli dari pabrik untuk menentukan tutup baik (OK) atau cacat, seperti flash berlebih (kelebihan plastik pada sambungan cetakan) atau pembentukan tidak sempurna, lalu menghitung kedua kategori. Unit Controller and Reject dirancang meniup tutup cacat keluar dari konveyor; hasil pengujian penolakan masih perlu dikonfirmasi

Laporan pengujian internal Januari–Maret B.E. 2569 mencatat pemeriksaan dan penghitungan sekitar 398 tutup putih per menit selama 120 menit berturut-turut, memenuhi kriteria tim. Hasil ini hanya untuk pemeriksaan dan penghitungan, bukan hasil uji penerimaan sistem penolakan lengkap. Tutup biru yang diuji dengan model tutup putih belum memenuhi kriteria. Penyesuaian model dan konfirmasi penyerahan sistem lengkap masih sedang berlangsung

Pada B.E. 2559–2560, kami mengembangkan dan memasang sistem penghitungan benda kerja dengan kamera dan unit pemrosesan terpisah (bukan LearningCam) pada pengumpan getar untuk pelanggan industri mesin. Sistem menghitung 5 jenis benda kerja menurut jalur saat melewati garis penghitungan. Proyek telah diserahkan bersama panduan penggunaan dan daftar pemeriksaan pekerjaan

Pelajaran yang kita dapatkan

• Model yang dilatih dengan satu warna tidak dapat diterapkan langsung ke warna lainnya; harus dilatih dan diuji secara terpisah sesuai dengan warna atau lini produksi
• Pencahayaan dan sudut kamera mempengaruhi keputusan model; kamera harus diperbaiki pada sudut tetap dan diuji di bawah kondisi pencahayaan nyata di lantai produksi
• Penghitungan dengan garis penghitungan memerlukan benda kerja bergerak dalam area yang ditentukan; dalam kasus penggetar, benda kerja yang jatuh keluar jalur tidak akan dihitung
• Kriteria penerimaan harus disepakati sebelum pengujian, termasuk kecepatan jalur konveyor, durasi pengujian, dan kriteria lulus, dan dicatat dalam format laporan yang sama untuk setiap ronde

Apa artinya bagi Anda?

Sebelum memberikan penawaran harga, kami meminta gambar atau klip benda kerja asli dalam setiap warna dan model yang perlu dihitung atau diperiksa, beserta contoh cacat yang benar-benar ditemukan. Kami menyarankan melatih model untuk jenis yang paling banyak diproduksi terlebih dahulu, lalu menguji pada kecepatan konveyor sebenarnya sesuai kriteria yang disepakati sebelum menambah jenis lain. Jika diperlukan penolakan produk cacat secara otomatis, alokasikan anggaran untuk unit penolakan dan waktu pengujiannya secara terpisah dari kamera