01 · LATAR BELAKANGKondisi sebelum proyek
Klien kami menjalankan lini produksi yang beroperasi hampir tanpa henti. Selama ini, pemeriksaan kualitas dilakukan operator dengan mengambil sampel dari conveyor lalu mengeceknya satu per satu.
Cara ini sempat cukup. Tapi begitu kapasitas produksi naik, tim QC mulai kewalahan. Produk bergerak terlalu cepat untuk diperiksa dengan mata, dan cacat kecil mulai lolos sampai ke pelanggan.
02 · TANTANGANApa yang perlu diselesaikan
- Hanya sebagian produk yang sempat diperiksa karena metodenya sampling.
- Standar penilaian berbeda antar operator dan antar shift.
- Cacat kecil seperti goresan atau label miring sering tidak terlihat.
- Temuan dicatat di kertas, sehingga sulit dianalisis penyebabnya.
03 · SOLUSILangkah yang kami kerjakan
- Survei lini dan kumpulkan sampel cacatKami turun langsung ke lini untuk melihat kondisi pencahayaan, kecepatan conveyor, dan jenis cacat yang paling sering muncul.
- Rancang kamera, lensa, dan pencahayaanSetiap material memantulkan cahaya secara berbeda. Konfigurasi optik kami sesuaikan supaya cacat terlihat jelas di setiap gambar.
- Latih model AIModel deep learning dilatih dengan foto produk bagus dan produk cacat dari lini klien sendiri, jadi hasilnya relevan dengan kondisi nyata.
- Integrasikan ke PLCKamera terhubung ke PLC. Begitu ada produk cacat, sistem langsung menolaknya dari conveyor tanpa menghentikan lini.
- Serah terima dan pelatihanOperator kami latih membaca dashboard hasil inspeksi, sehingga tim bisa memantau tren cacat dari hari ke hari.
04 · HASILDampak di lantai produksi
- Waktu inspeksi 70% lebih cepat dibanding pengecekan manual.
- Setiap produk diperiksa dengan standar yang sama, di shift mana pun.
- Data cacat tersimpan otomatis dan bisa dipakai untuk mencari akar masalah.
- Operator QC bisa dialihkan ke pekerjaan yang lebih bernilai.
Hasil terbesarnya bukan cuma soal kecepatan. Dengan data inspeksi yang tercatat rapi, tim produksi kini bisa melihat pola cacat dan memperbaikinya dari sumbernya.
