Wdrożenie systemu wizyjnego opartego na sztucznej inteligencji w kontroli jakości produktu – studium przypadku z Helvoet Polska / Implementation of an Artificial Intelligence-Based Vision System in Product Quality Control: A Case Study of Helvoet Poland

Abstract

Celem rozdziału jest przedstawienie wyników wdrożenia systemu wizyjnego opartego na sztucznej inteligencji AI (ang. AI-based vision – system wizyjny oparty na sztucznej inteligencji) w kontroli jakości wyrobu wulkanizowanego w Helvoet Polska. We wstępie uzasadniono ekonomiczne i operacyjne przesłanki zmiany (koszty jakości, ograniczenia kontroli manualnej) oraz porównano klasyczne systemy regułowe z podejściem zintegrowanym z PLC (ang. programmable logic controller – programowalny sterownik logiczny). Następnie zaprezentowano kontekst procesu oraz metodykę studium przypadku z porównaniem przed-po w dwóch porównywalnych oknach czasowych. Rdzeń rozdziału obejmuje opis architektury (kamera-optyka-oświetlenie- -PLC), przebieg wdrożenia (ROI, szkolenia, uruchomienie, walidacja) oraz wyniki, w tym spadek poziomu braków. Każdy z analizowanych okresów obejmował cztery tygodnie produkcji, co pozwoliło na porównanie wyników w zbliżonych warunkach operacyjnych, jednak relatywnie krótki czas obserwacji stanowi ograniczenie badania. Dyskusja identyfikuje czynniki sukcesu (stabilne warunki optyczne, poziom kontroli) i obszary do poprawy (krawędzie 3D, próg adaptacyjny, diagnostyka zabrudzeń optyki). W zakończeniu omówiono ograniczenia (jedno gniazdo, jeden wyrób) i sformułowano implikacje dla skalowania rozwiązania.

The aim of this chapter is to present the results of implementing an AI-based vision system in the quality control of a vulcanized product at Helvoet Poland. The introduction outlines the economic and operational rationale for the change (quality-related costs, limitations of manual inspection) and compares classical rule-based systems with an approach integrated with a PLC (programmable logic controller). The following section presents the process context and the case-study methodology, including a “before-after” comparison across two comparable time windows. The core of the article covers the system architecture (camera-optics-lighting-PLC), the implementation workflow (ROI, training, commissioning, validation), and the results, including a reduction in defect rates. The discussion identifies success factors (stable optical conditions, inspection coverage) and areas for improvement (3D edges, adaptive thresholding, optical contamination diagnostics). The conclusion addresses limitations (single station, single product) and formulates implications for scaling the solution.