בקרת איכות בראייה ממוחשבת לייצור רכב

בקרת איכות בראייה ממוחשבת (AI) לייצור רכב

נתקלנו במצב בפס ייצור במחלקת מרכבים: פקח חזותי בודק ריתוכים ב-15 שניות לנקודה. עם 200 נקודות למרכב — זה 50 דקות לרכב, עייפות בסוף משמרת, וזיהוי לא עקבי של פגמים קטנים. מערכת ראייה ממוחשבת (AI) שלנו לבקרת איכות בייצור רכב משתמשת ב-YOLOv8 עם Focal Loss לזיהוי פגמי ריתוך, בעוד TensorRT ואופטימיזציית תפוקה מאפשרים פעולה בזמן אמת. הפחתה בעלויות התפעול של בקרת האיכות מגיעה ל-40%, וחיסכון בקו יחיד — עד 45,000 דולר לחודש. נבחן את הפרויקט שלך ביום אחד — צור קשר למספרים ספציפיים.

הבעיה היא לא רק מהירות: בדיקה ידנית יוצרת שונות באיכות בין משמרות, ופגמים קטנים כמו נקבוביות של 0.3 מ"מ לרוב לא מזוהים. לאחר ההטמעה, זיהוי הפגמים (recall) עלה מ-0.92 ל-0.99, ושיעור התוצאות השגויות (FP) ירד ל-2%. המערכת מחזירה את ההשקעה תוך 8–12 חודשים. עם ניסיון של 10+ שנים ב-AI לרכב ולמעלה מ-50 הטמעות מוצלחות, אנו מבטיחים recall >0.97 לאחר ההטמעה.

אילו מאפיינים ספציפיים של ייצור רכב המערכת מטפלת?

סביבות OEM לרכב קשות לראייה ממוחשבת: רעידות מסוע, תאורה משתנה, התזות שמן על העדשה, השתקפויות מתכת. בנוסף, דרישות עקיבות — כל פגם חייב להיות מקושר ל-VIN, מיקום על המסוע, זמן ומפעיל.

משימות טיפוסיות לפי אזור:

השוואה בין בדיקה ידנית לבדיקת AI

AI בודק ריתוכים פי 375 מהר יותר מאשר בדיקה ידנית.

מדוע חוסר איזון מחלקות הוא האתגר המרכזי?

זו תת-המשימה הקשה ביותר. ריתוך הוא מרקם לא אחיד עם שונות טבעית שהמודל לא צריך לבלבל עם פגמים. סף IoU של 0.5 אינו מספיק כאן — פגם נקבוביות של 0.3 מ"מ על ריתוך ברוחב 8 מ"מ דורש IoU > 0.75 ו-imgsz לא נמוך מ-2448 פיקסלים.

התשתית למשימה זו: מצלמות סריקת קו של 5 מגה-פיקסל עם עדשות טלצנטריות + תאורה מובנית (תאורה קואקסיאלית) לביטול השתקפויות. ללא אופטיקה מתאימה, המודל לא יכול לתפקד — זה הדבר הראשון לפתור לפני כתיבת קוד.

מתוך 10,000 תמונות ריתוך, יש 120 פגמים. יחס של 1:83. CrossEntropyLoss סטנדרטי על מערך נתונים כזה מניב recall של 0.31 למחלקת הפגמים עם precision של 0.89 — המודל פשוט חוזה "תקין" תמיד. פתרון:

import torch
import torch.nn as nn

class FocalLoss(nn.Module):
    def __init__(self, alpha=0.25, gamma=2.0):
        super().__init__()
        self.alpha = alpha
        self.gamma = gamma

    def forward(self, preds, targets):
        bce = nn.functional.binary_cross_entropy_with_logits(
            preds, targets, reduction='none'
        )
        pt = torch.exp(-bce)
        focal = self.alpha * (1 - pt) ** self.gamma * bce
        return focal.mean()

עם Focal Loss (alpha=0.25, gamma=2.0) + דגימת יתר של דגימות פגומות (x8), ה-recall עולה ל-0.91, ושיעור FP — 4.2%. הפחתה נוספת של FP מושגת באמצעות עיבוד לאחר: פעולות מורפולוגיות על המסכה, סינון לפי שטח פגם מינימלי (< 5 px² נחשב כ-artifact).

כיצד אנו מייעלים תפוקה עבור המסוע?

אימות הרכבה קל יותר — התאמת תבנית עם סובלנות או סיווג עם ResNet/EfficientNet. אבל כאן פרמטר אחר קריטי: תפוקה. המסוע זז, למודל יש 200–400 אלפיות שנייה לפריים, אחרת נוצר תור והמערכת חוסמת את הקו.

אופטימיזציה: ייצוא ל-TensorRT FP16, עיבוד אצווה של מספר אזורי בדיקה ב-forward אחד, עיבוד אסינכרוני באמצעות CUDA streams. על Jetson AGX Orin, זמן השהיה לבדיקת הרכבה — 85 אלפיות שנייה עבור 8 אזורים בו-זמנית.

אנו משתמשים ב-IoU > 0.75 לפגמי ריתוך, שטח פגם מינימלי של 5 px². ספי ביטחון מכוונים בנפרד לכל אזור.

אינטגרציה עם MES ו-PLC

מערכת הראייה הממוחשבת לא עובדת בבידוד — היא חייבת לשלוח אותות ל-MES, ועם זיהוי פגם, לפקד על ה-PLC לעצור או לדחות את החלק. פרוטוקולים: OPC UA (תקן תעשייתי), MQTT לפלח IoT. REST API לאינטגרציית MES (SAP/Siemens).

כל פגם מתועד עם: חותמת זמן, camera_id, position_on_line, defect_class, confidence, bounding_box, VIN (מקורא RFID על המסוע). זה הבסיס לעקיבות ולניתוח שורש לאחר מכן.

מה כלול בשלבי ההטמעה?

• ביקורת טכנית של תנאי הקו (תאורה, אופטיקה, נקודות בדיקה)
• איסוף וסימון מערך נתונים (500–2000 תמונות למשימה)
• אימון ואימות מודל (YOLOv8, ResNet, EfficientNet — נבחר לפי משימה)
• אינטגרציית מסוע (OPC UA, MQTT, REST API)
• תיעוד: כרטיס מודל, מדריך הפעלה, דוח מדדים
• תמיכה ל-3 חודשים לאחר ההטמעה

לוח זמנים ושלבים

1. ביקורת קו טכנית — שבוע 1 (תאורה, אופטיקה, נקודות בדיקה)
2. איסוף וסימון נתונים — 3–6 שבועות (500–2,000 תמונות למשימה)
3. אימון ואימות מודל — 2–4 שבועות
4. אינטגרציית מסוע — 2–4 שבועות
5. פיילוט ייצור, כיול ספים — 2–3 שבועות

סה"כ: 10–18 שבועות למערכת מלאה על קו אחד. העלות מחושבת בנפרד — תלויה במספר נקודות הבדיקה ובדרישות האינטגרציה. עבור קו טיפוסי, החיסכון השנתי עולה על 500,000 דולר. קבל ייעוץ לקו שלך — צור קשר, ונכין הערכה ראשונית.