Cacat permukaan
Goresan, penyok, retak, noda, dan porositas pada logam, plastik, atau kemasan — bentuknya bervariasi, cocok untuk deep learning.
Ornova Vision · Deteksi Cacat
Deteksi Cacat Otomatis dengan Ornova Vision
Memeriksa setiap unit dengan kriteria yang sama persis — tanpa lelah, tanpa beda antar shift. Untuk cacat yang bisa dirumuskan, kami pakai aturan; untuk cacat yang bentuknya tidak beraturan, kami latih model dari sample Anda.
Jenis Cacat
Empat kelompok cacat yang ditangani
Cacat kemasan
Segel bocor, tutup miring, label sobek, lapisan coating hilang — sebagian terlihat kamera biasa, sebagian butuh UV atau thermal.
Cacat bentuk & dimensi
Bagian yang hilang, deformasi, atau ukuran di luar toleransi — kriteria yang jelas, cocok untuk rule-based.
Kontaminasi & benda asing
Partikel, serat, atau sisa material pada produk atau di dalam kemasan transparan.
Pendekatan
Rule-based, deep learning, atau keduanya
AI tidak otomatis lebih baik — pendekatan yang salah membuat sistem lebih rewel, bukan lebih andal. Penjelasan lengkapnya →
1
Rule-based
Threshold, pattern matching, blob analysis. Cepat, deterministik, mudah dijelaskan — untuk cacat yang bisa dirumuskan sebagai aturan.
2
Deep learning
Dilatih dari contoh OK/NG milik Anda. Lebih andal untuk cacat yang bentuknya tidak beraturan — goresan, kontaminasi, cacat organik.
3
Gabungan keduanya
Yang paling sering kami pasang: rule-based untuk dimensi dan posisi, deep learning untuk permukaan — pada objek yang sama.
Dari Lapangan
Studi kasus deteksi cacat
Inspeksi lapisan UV coating kaleng sarden
Lapisan pelindung transparan yang tidak terlihat di bawah cahaya biasa — dideteksi dengan pencahayaan UV supaya kaleng tanpa coating tidak lolos.
Inspeksi sealing kemasan es krim
Lubang mikro dan lipatan pada garis segel dideteksi kamera thermal tepat setelah proses sealing, sebelum masuk freezer.
Sample cacat adalah bahan paling penting
Sistem hanya bisa mengenali cacat yang pernah ditunjukkan kepadanya. Seratus sample yang beragam jauh lebih berguna daripada seribu yang seragam — dan sample cacat biasanya yang paling sulit dikumpulkan. Mulailah mengumpulkannya sekarang.
FAQ
Pertanyaan yang sering diajukan
Cacat sekecil apa yang bisa dideteksi?
Ditentukan resolusi kamera dan lensa, bukan software-nya: cacat terkecil sebaiknya tertutup minimal 3–5 piksel di gambar. Dengan kamera dan lensa yang tepat, cacat berskala sepersepuluh milimeter rutin kami tangani; untuk skala mikron dibutuhkan lensa telecentric atau kamera 3D laser line. Sebutkan ukuran cacat dan objeknya — kami hitung konfigurasinya.
Bagaimana kalau jenis cacat baru muncul yang belum pernah dilatih?
Model deep learning hanya mengenali yang pernah ditunjukkan kepadanya. Untuk cacat baru, kami tambahkan sample-nya dan latih ulang — proses yang bisa dilakukan tanpa menghentikan lini. Sebagian sistem juga bisa diatur untuk menandai unit yang "tidak seperti biasanya" (anomaly detection) supaya cacat baru tidak lolos diam-diam.
Apakah sistem bisa membedakan cacat nyata dari variasi normal produk?
Ini justru inti pekerjaannya, dan alasan sample OK yang beragam sama pentingnya dengan sample NG. Model dilatih dengan variasi normal — warna antar batch, tekstur, pencahayaan — supaya tidak menolak produk yang sebenarnya baik. Tingkat false reject diukur dan disepakati saat commissioning.
Punya cacat yang masih lolos dari pemeriksaan manual?
Kirimkan sample OK dan NG-nya. Kami uji dengan Ornova Vision dan tunjukkan mana yang tertangkap — dan pendekatan mana yang paling tepat — sebelum Anda memutuskan.