Apa itu Vision Counting? Bagaimana AI mengira produk menggunakan kamera?
Pasukan jurutera Inspektion · Diterbitkan 7 September 2026 · Kemas kini terakhir 14 Oktober 2026
Disusun semula daripada artikel asal, pertama kali diterbitkan Mei 2025
Vision Counting adalah penggunaan kamera dan AI untuk mengira jumlah bahan kerja menggantikan mata manusia atau sensor lama, mengurangkan kesalahan pengiraan dan memberikan laporan segera kepada pengurus kilang untuk membuat keputusan lebih pantas
Ringkasan
- Vision Counting ialah penggunaan kamera untuk merakam imej bahan kerja, kemudian AI mengira jumlahnya menggantikan manusia atau sensor pengiraan konvensional.
- Sesuai untuk bahan kerja yang pelbagai bentuk atau disusun tidak teratur, iaitu keadaan yang menyebabkan sensor pengiraan konvensional tidak berfungsi dengan tepat.
- Pilih pemprosesan imej atau model pengesanan objek mengikut ciri bahan kerja, dan uji kelajuan serta ketepatan sebelum digunakan.
- Inspektion pernah membangunkan sistem sebenar seperti ini dalam beberapa projek, termasuk mengira bahan kerja di barisan pengeluaran dan mengira titik berwarna gelap pada serbuk putih di dalam dulang.
Apa itu Vision Counting?
Apa itu Vision Counting?
Vision Counting ialah penggunaan kamera untuk merakam imej bahan kerja pada barisan pengeluaran, kemudian program pemprosesan imej atau AI menganalisisnya untuk mengira jumlah bahan kerja secara automatik, menggantikan pengiraan dengan mata manusia atau sensor pengiraan tradisional (seperti sensor pancaran cahaya).
Mengapa kilang perlu mengambil perhatian
Pengiraan jumlah produk ialah langkah penting yang memberi kesan kepada pengurusan stok, perancangan kapasiti pengeluaran dan pelaporan kepada pihak pengurusan. Kaedah pengiraan lama (pengiraan oleh manusia atau sensor pancaran cahaya) mempunyai kelemahan, iaitu mudah tersilap kira apabila bahan kerja bertindih, mempunyai pelbagai bentuk atau apabila kelajuan tali sawat tinggi. Vision Counting menyelesaikan masalah ini dengan membolehkan AI "melihat" dan membezakan setiap bahan kerja daripada imej sebenar.
Bagaimana AI mengira bahan kerja
- YOLO (You Only Look Once) — membahagikan imej kepada grid, kemudian mengesan kedudukan semua objek dalam satu imej secara masa nyata [1]
- Faster R-CNN — mencadangkan kotak kedudukan objek dengan ketepatan lebih tinggi, sesuai untuk kerja yang mengutamakan kehalusan berbanding kelajuan [2]
- Selepas mengesan objek, sistem akan mengira jumlah yang bergerak melintasi garisan rujukan pada imej atau merumuskan jumlah keseluruhan dalam bingkai, kemudian menghantarnya ke papan pemuka atau platform pemantauan hasil.
Contoh kerja sebenar kami
Kami mereka bentuk dan memasang sistem pengiraan bahan kerja dengan kamera (Machine Vision Counter) berserta set pencahayaan khusus untuk kilang pengeluaran umum, dan membangunkan sistem pengiraan titik berwarna gelap pada serbuk putih menggunakan imej — lihat butiran dalam Sistem Pengiraan Bahan Kerja dengan Machine Vision Counter dan Sistem Pengiraan Titik Berwarna Gelap pada Serbuk Putih Menggunakan Imej. Selain itu, kamera Task Cam dalam mod Sequential juga boleh mengira jumlah bahan kerja yang telah siap sambil memeriksa urutan kerja secara terbina dalam.
Soalan Sering Ditanya
Sejauh mana Vision Counting lebih tepat berbanding sensor pengiraan konvensional?
Bergantung pada ciri bahan kerja dan keadaan tapak di setiap lokasi — bahan kerja yang pelbagai bentuk atau disusun tidak teratur lazimnya memberikan hasil yang jelas lebih baik berbanding sensor konvensional. Pasukan kami menilai kesesuaian selepas meninjau tapak sebenar.
Adakah tali sawat atau struktur barisan pengeluaran perlu ditukar?
Pada kebanyakan kes, kamera boleh dipasang pada barisan sedia ada tanpa mengubah struktur, kecuali dalam beberapa kes yang memerlukan tambahan set pencahayaan khusus.
Bolehkah digunakan untuk bahan kerja yang bergerak sangat laju?
Perlu diuji pada kelajuan sebenar, jarak antara bahan kerja, pencahayaan, kamera dan pemprosesan sebelum skop yang boleh disokong dapat ditetapkan.
Rujukan
- [1]
You Only Look Once: Unified, Real-Time Object Detection — arXiv (Redmon et al., 2016)
- [2]
Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks — arXiv (Ren et al., 2015)
- [3]
OpenCV Documentation — OpenCV.org
