בקרת איכות ויזואלית מבוססת למידה עמוקה שמאתרת פגמים שעין אנושית מפספסת, במהירות קו הייצור.

בקרת איכות ויזואלית ידנית בקווי ייצור אינה עקבית, מתישה, ואינה מסוגלת באופן מהותי לעמוד בקצב התפוקה של ייצור מודרני. בקרים אנושיים משיגים בדרך כלל שיעורי זיהוי פגמים של 70-80% אשר יורדים משמעותית במהלך משמרת עקב עייפות, בעוד שמהירויות ייצור של מאות או אלפי יחידות לדקה הופכות בדיקה יסודית לבלתי אפשרית פיזית. מערכות ראייה ממוחשבת מבוססות כללים קיימות דורשות פרמטרים רבים המכוונים ידנית עבור כל סוג פגם ונכשלות כאשר הן נתקלות בדפוסי פגמים חדשניים או בשונות טבעית במוצרים קבילים. עלות פגמים שנמלטו – תביעות אחריות, ריקולים, פגיעה במוניטין המותג, ובתעשיות קריטיות לבטיחות נזק פוטנציאלי – עולה בהרבה על עלות הזיהוי, אך יצרנים רבים חסרים חלופות קיימא לבדיקה אנושית בקנה מידה רחב.
גלו תוכניות יישום נוספות לפרויקט הבא שלכם
מערכות computer vision מודרניות שנבנו על ידי MicrocosmWorks משיגות באופן שגרתי דיוק של 95-99% בזיהוי פגמים בפסי ייצור, ובכך עולות באופן ניכר על בדיקה ויזואלית ידנית אשר בדרך כלל מזהה רק 70-80% מהפגמים. הדיוק המדויק תלוי בגורמים כגון תנאי תאורה, רזולוציית מצלמה, ומורכבות סוגי הפגמים המזוהים.
MicrocosmWorks בדרך כלל דורש 2-4 שבועות כדי לאסוף תמונות דוגמה מתויגות ולאמן מודל ראשוני לזיהוי פגמים עבור קו המוצרים הספציפי שלכם. עם תעריפי פיתוח שנעים בין $25 ל-$45 לשעה, שלב אימון המודל הראשוני והאינטגרציה לרוב נמשך 6-10 שבועות לפני שהמערכת מוכנה לפריסה ברצפת הייצור.
כן, MicrocosmWorks מתכננת תוכניות אוטומציה לבקרת איכות באמצעות פרוטוקולי אינטגרציה סטנדרטיים כגון OPC-UA, REST APIs ו-MQTT כדי להתחבר למערכות MES, ERP ו-SCADA קיימות. נתוני בקרת איכות בזמן אמת זורמים ישירות ללוחות המחוונים של הייצור שלכם, ומאפשרים מעקב מיידי אחר תפוקה וניתוב אוטומטי של פריטים פגומים ללא הזנה ידנית של נתונים.
ראיית מחשב מצטיינת בזיהוי שריטות מיקרוסקופיות על פני השטח, סטיות ממדיות תת-מילימטריות, חוסר אחידות בצבע בלתי מורגש לעין אנושית, ואי-סדרים בתבניות בסביבות ייצור מהירות. MicrocosmWorks מיישמת הדמיה רב-ספקטרלית ומסווגי deep learning שמזהים פגמים אלה באופן עקבי במהירויות פס ייצור העולות על 200 חלקים לדקה.
התוכנית של MicrocosmWorks מפרטת מצלמות תעשייתיות (GigE Vision או USB3 Vision), מערכי תאורה מתאימים, וחומרת מחשוב קצה כמו NVIDIA Jetson או מחשבי PC תעשייתיים לצורך הסקת נתונים בזמן אמת. עלות החומרה הכוללת לתחנת בדיקה נעה בדרך כלל בין $5,000 ל-$25,000 בהתאם לדרישות הרזולוציה ולתנאי הסביבה בפס הייצור שלכם.
צרו קשר לדון כיצד נוכל לבנות פתרון זה עבור העסק שלכם עם צוות המומחים שלנו.
צרו קשרMicrocosmWorks יכולה לפרוס מערכות בקרת איכות ויזואליות מבוססות deep learning שמאתרות, מסווגות ומדרגות פגמים בזמן אמת, במהירות מלאה של קו הייצור. המערכת משתמשת במצלמות תעשייתיות ברזולוציה גבוהה המסונכרנות עם מפעילים קוויים כדי ללכוד תמונות עקביות של כל יחידה, ולאחר מכן מעבדת אותן באמצעות neural networks אופטימליות המבחינות בין עשרות קטגוריות פגמים תוך שמירה על זמן השהיה של inference (הסקה) של פחות מ-50 מילישניות. active learning pipeline משפר באופן מתמיד את דיוק המודל על ידי ניתוב מקרים גבוליים לבודקים אנושיים ושילוב החלטותיהם במחזורי retraining. statistical process control (SPC) dashboards מספקים למהנדסי ייצור מדדי איכות בזמן אמת, ניתוח מגמות, ואזהרה מוקדמת מפני סטיות בתהליכים קודמים לפני ששיעורי הפגמים עולים.
המערכת עוקבת אחר ארכיטקטורה תלת-שכבתית: לכידת תמונה מהירה המסונכרנת לקו הייצור, inference בקצה (edge) עבור החלטות קבלה/דחייה בזמן אמת, ואנליטיקה מבוססת ענן עבור SPC dashboarding ו-model retraining. מצלמות תעשייתיות עם תאורה ומפעילים מדויקים לוכדות תמונות ניתנות לשחזור בכל עמדת בדיקה. שרתי edge המצוידים ב-GPU מעבדים תמונות באמצעות inference models אופטימליים ומנפיקים אותות קבלה/דחייה/בדיקה למנגנוני דחייה הנשלטים על ידי PLC. כל התמונות, החיזויים והחלטות הבדיקה האנושית זורמים לשכבת הענן לאחסון לטווח ארוך, אנליטיקה ו-model retraining תקופתי באמצעות נתוני הייצור העדכניים ביותר.
ללא קשר לשינויים במהירות הקו עד 1,200 יחידות לדקה
ישירות למנגנוני הטיה הנשלטים על ידי PLC
מתויג, מה שמבטיח שיפור מתמיד בדיוק
והתראות אוטומטיות כאשר מדדי יכולת התהליך סוטים
| שכבה | טכנולוגיות |
|---|---|
| צד שרת (Backend) | Python (model serving), C++ (camera SDK integration), Go (PLC bridge), FastAPI |
| בינה מלאכותית / למידת מכונה (AI / ML) | PyTorch, EfficientNet-V2, YOLOv8 (detection), TensorRT, Albumentations, Label Studio |
| צד לקוח (Frontend) | React, Grafana (SPC dashboards), Three.js (3D defect visualization) |
| מסד נתונים | PostgreSQL (metadata), MinIO (image storage), TimescaleDB (SPC time series), Redis |
| תשתית | NVIDIA Jetson AGX Orin (edge), AWS S3, SageMaker (retraining), OPC-UA, Docker |
הפרויקט מתחיל בסדנת דרישות בדיקה מפורטת והגדרת defect taxonomy (שבועות 1-2), ולאחר מכן בחירת חומרת מצלמות ותאורה, רכש והתקנה (שבועות 2-4). אימון המודל הראשוני משתמש בשילוב של תמונות פגמים היסטוריות ו-synthetic data augmentation במהלך שבועות 3-6. Edge integration עם ה-PLC ומנגנון הדחייה מתרחש בשבועות 5-8, עם פיתוח מקביל של SPC dashboard. שבועות 9-12 פועלים במצב production-shadow mode, ומשווים החלטות AI לשיטות בדיקה קיימות כדי לאמת accuracy לפני cutover מלא. שבועות 12-14 משלימים את active learning pipeline ומועברים לצוותי התפעול.
| מדד | שיפור | פרטים |
|---|---|---|
| שיעור זיהוי פגמים | 99.2%+ | מודלי deep learning עולים בעקביות על בקרים אנושיים, ומאתרים micro-defects בלתי נראים לעין בלתי מזוינת |
| שיעור דחייה שגויה | פחות מ-1.5% | דיוק גבוה מונע בזבוז של מוצרים תקינים, שומר על yield targets ומשפר את quality gating |
| תפוקת בדיקה | עלייה פי 10 | בדיקה אוטומטית פועלת במהירות קו מלאה 24/7 ללא עייפות, חילופי משמרות או חוסר עקביות |
| עלות פגמים שנמלטו | הפחתה של 85% | לכידת פגמים כמעט מלאה בקו הייצור מבטלת תביעות warranty, rework ותלונות בהמשך הדרך |
| זיהוי סטיית תהליך | 4 שעות מוקדם יותר | ניתוח SPC trend מזהה degradation בתהליכים קודמים לפני ששיעורי הפגמים פורצים את control limits |
| הקצאת כוח אדם מחדש | 60% מהבקרים | צוותי בקרה ששוחררו מוקצים מחדש לתפקידים בעלי ערך גבוה יותר בהנדסת תהליכים ושיפור איכות |
AI ברמה קלינית המסייע לרדיולוגים באבחון מהיר ומדויק יותר על פני מגוון שיטות דימות.