AI בבקרת איכות: הפחתת פחת ב-40%

עין אנושית מול עין מכונה

בודק איכות ממוצע עובד במשמרת של 8 שעות. אחרי 4 שעות, הריכוז שלו יורד. אחרי 6, הוא מפספס פגמים. זה לא אשמתו – ככה בני אדם בנויים. מחקרים מראים שבודקים אנושיים מזהים 70-85% מהפגמים בתנאים אופטימליים. בתנאים אמיתיים של רצפת ייצור עם רעש, חום, ולחצים? פחות מזה.

מערכת computer vision עם AI לא מתעייפת. לא משתעממת. לא חוזרת מהפסקה עם הראש במקום אחר. היא בודקת כל יחידה, בכל פעם, באותה רמת דיוק.

ובמספרים? מפעלים שמטמיעים בקרת איכות מבוססת AI מדווחים על הפחתת פחת של 30-50%. אנחנו שמרנים – אומרים 40%. וגם המספר הזה שווה מאות אלפי שקלים בשנה למפעל בינוני.

מה ה-AI באמת רואה

כשאנחנו אומרים "computer vision לבקרת איכות", מה המערכת בעצם עושה? היא מצלמת כל מוצר או רכיב שעובר על הקו, מנתחת את התמונה בזמן אמת, ומשווה אותה למה ש"תקין" נראה. כל חריגה – מסומנת.

סוגי פגמים ש-AI מצטיין בהם

• פגמי משטח – שריטות, סדקים, כתמים, שינויי צבע. המערכת מזהה סדק של 0.1 מ"מ שאף עין אנושית לא תתפוס בקצב ייצור.
• בעיות מידות – חריגה מטולרנסים. המצלמה מודדת עם דיוק של מאיות מילימטר.
• חוסרים – בורג חסר, חלק שלא הורכב, מדבקה שלא הודבקה. פשוט לזהות בתמונה, אבל קל לפספס כשבודקים 500 יחידות בשעה.
• פגמים בהרכבה – רכיב הפוך, חוט שלא מחובר, אטימה לא אחידה.
• פגמים בחומר גלם – בועות באריזה, זיהום במתכת, שינוי טקסטורה.

הקטגוריה החמישית היא המעניינת במיוחד. ב-90% מהמקרים, בודקי איכות אנושיים לא בודקים חומר גלם בצורה שיטתית. AI עושה את זה אוטומטית ותופס בעיות לפני שהן נכנסות לקו.

Setup הצילום – פה רוב הפרויקטים נכשלים

נשמע מוזר, אבל הטכנולוגיה היא לא האתגר העיקרי. התאורה היא.

אלגוריתם AI הכי מתוחכם בעולם לא יזהה שום דבר אם התמונה לא טובה. וכדי שהתמונה תהיה טובה, צריך להבין תאורה תעשייתית.

עקרונות תאורה לבקרת איכות

תאורה אחורית (backlight) – מצוינת לבדיקת קווי מתאר וצורה. המוצר נראה כצללית שחורה על רקע בהיר. כל חריגה בקצוות בולטת.

תאורה צדית (sidelight) – מדגישה טקסטורת משטח. שריטות וכתמים שאי אפשר לראות בתאורה ישירה פתאום זוהרים.

תאורה מפוזרת (diffuse) – תאורה אחידה מכל הכיוונים. טובה למשטחים מבריקים שיוצרים הבזקים.

תאורה מובנית (structured light) – מקרין פסים או דפוסים על המוצר. מזהה עיוותים תלת-ממדיים. נדרשת עבור בדיקות גובה ועומק.

לכל סוג מוצר יש setup אחר. מתכת מבריקה דורשת גישה שונה מפלסטיק מט. שקוף שונה מאטום. זה ידע שנצבר מניסיון, לא מספרי לימוד.

בחירת מצלמה

לא צריך מצלמה של מיליון דולר. אבל צריך את המצלמה הנכונה.

רזולוציה: מחושבת לפי גודל הפגם הקטן ביותר שצריך לזהות. כלל אצבע – הפגם צריך להיות לפחות 3×3 פיקסלים בתמונה. אם צריך לזהות סדק של 0.2 מ"מ בשטח של 300×300 מ"מ, צריך מצלמה של לפחות 5 מגה-פיקסל.

מהירות: קצב הייצור קובע. קו שמריץ 60 יחידות בדקה צריך מצלמה עם exposure time קצר מספיק כדי שהתמונה לא תהיה מטושטשת. בדרך כלל מצלמה תעשייתית עם global shutter.

טווח עלויות: מצלמה תעשייתית טובה – 3,000-15,000 שקל. עדשה – 1,000-5,000. תאורה – 2,000-10,000. סה"כ hardware לתחנת בדיקה אחת: 10,000-40,000 שקל.

אימון מודל AI – כמה data באמת צריך

זו השאלה שכולם שואלים. התשובה הקצרה: פחות ממה שחושבים, אבל יותר ממה שנוח.

דרישות data טיפוסיות

לזיהוי פגמים בסיסי (pass/fail) צריך 500-1,000 תמונות של מוצרים תקינים ו-200-500 תמונות של כל סוג פגם. זה נשמע הרבה, אבל בקצב ייצור רגיל אפשר לאסוף את זה תוך שבוע-שבועיים.

לסיווג פגמים מדויק (לא רק "פגום" אלא "איזה סוג פגם") צריך יותר – 1,000-3,000 דוגמאות לכל קטגוריה. פה data augmentation עוזר – סיבוב תמונות, שינוי בהירות, הוספת רעש – מכפיל את מאגר הנתונים.

מודלים מודרניים של transfer learning מאפשרים להתחיל עם מודל שכבר אומן על מיליוני תמונות ולהתאים אותו לבעיה הספציפית. זה מקצר את האימון מימים לשעות ומפחית את כמות הדאטה הנדרשת.

תהליך האימון בפועל

1. איסוף תמונות – שבוע-שבועיים של צילום ייצור רגיל + איסוף מכוון של פריטים פגומים.
2. תיוג (annotation) – מומחה איכות מסמן בכל תמונה מה תקין ומה לא. עבודה של ימים, לא שבועות.
3. אימון מודל – שעות עד יומיים של חישוב. בענן, עולה 100-500 שקל.
4. ולידציה – בדיקה על תמונות שהמודל לא ראה. דיוק מטרה: 95%+ על פגמים, 99%+ על מוצרים תקינים.
5. Fine-tuning – כיוונון עדין. הוספת דוגמאות של מקרי קצה. תהליך מתמשך.

Edge vs Cloud – איפה להריץ את ה-AI

יש שתי אפשרויות, וההחלטה משפיעה עלות, מהירות, וארכיטקטורה.

עיבוד ב-Edge (מקומי)

מחשב תעשייתי עם GPU ליד קו הייצור. זמן תגובה: 10-50 מילישניות. לא תלוי באינטרנט. המידע נשאר במפעל.

עלות hardware: מחשב תעשייתי עם GPU – 15,000-40,000 שקל. Nvidia Jetson לפתרונות קלים יותר – 3,000-10,000.

מתאים ל: קווים מהירים שדורשים תגובה מיידית, מפעלים עם דרישות אבטחת מידע מחמירות, אזורים עם חיבור אינטרנט לא יציב.

עיבוד בענן (Cloud)

התמונות נשלחות לשרת בענן, מעובדות, והתוצאה חוזרת. זמן תגובה: 100-500 מילישניות + latency של רשת.

עלות: תלוי בשימוש. סדר גודל של 2,000-8,000 שקל בחודש למפעל בינוני.

מתאים ל: קווים עם קצב נמוך-בינוני, מפעלים שרוצים לשלם as-you-go בלי השקעה ב-hardware, כשצריך מודלים גדולים שדורשים כוח חישוב רציני.

הפתרון ההיברידי

רוב המפעלים שעובדים איתנו הולכים על גישה היברידית. זיהוי ראשוני ב-edge (pass/fail מהיר), ותמונות של מקרים לא ברורים עולות לענן לניתוח מעמיק. ככה מקבלים מהירות + דיוק + עלות סבירה.

עלויות ולוחות זמנים למפעל ישראלי

נהיה ישירים.

פיילוט – תחנת בדיקה אחת

זמן: 2-4 חודשים מהתחלה ועד מערכת עובדת.

הרחבה – 5-10 תחנות

אחרי הפיילוט, כל תחנה נוספת עולה 40-80% מהראשונה (כי המודל כבר קיים, רק צריך לכייל ולהתאים). מפעל שלם – 6-12 חודשים.

ROI

מפעל עם פחת של 5% על מחזור של 20 מיליון שקל = מיליון שקל פחת בשנה. הפחתה של 40% = חיסכון של 400 אלף שקל. פחות עלות העובדים שמשתחררים מבדיקה ידנית. פחות תביעות אחריות ללקוחות. החזר השקעה תוך 6-12 חודשים.

מה שהספקים לא אומרים

כמה דברים שחשוב לדעת לפני שמתחילים:

המודל צריך תחזוקה. מוצרים משתנים, חומרי גלם משתנים, תנאי תאורה משתנים. המודל צריך עדכון כל כמה חודשים. זה לא "התקן ותשכח".

false positive הם בעיה. מערכת שפוסלת מוצרים תקינים זה גרוע כמו מערכת שמעבירה פגומים. fine-tuning של הסף הוא אומנות.

התאורה תשתנה. שמש שנכנסת מחלון, נורה שנשרפה, אבק על העדשה. צריך מערכת בדיקה שהתנאים עקביים.

האנשים חשובים. בודקי האיכות לא נעלמים – הם הופכים ל"מאמני AI". הם המומחים שמתייגים נתונים, מאשרים החלטות, ומטפלים במקרי קצה. לשנות להם תפקיד, לא לפטר אותם.

מוכנים להתחיל?

בקרת איכות מבוססת AI היא אחד הפרויקטים עם ה-ROI הכי מהיר ב-Industry 4.0. התוצאות ברורות, מדידות, ומגיעות תוך חודשים.

ב-SysTech יש לנו ניסיון בהטמעת מערכות computer vision במפעלים ישראליים – מפלסטיקה ועד אלקטרוניקה, ממזון ועד מתכת. אנחנו יודעים איזו תאורה עובדת, כמה data צריך, ואיפה להריץ את המודל.