Sistem AI Vision Inspeksi Defek Produk pada Belt Conveyor Berkecepatan Tinggi: Nol Cacat Lolos ke Konsumen

Tantangan Fisika Inspeksi Optik pada Belt Conveyor Kecepatan Tinggi

Menerapkan penglihatan buatan di atas conveyor yang bergerak cepat melibatkan interaksi kompleks antara kecepatan linear (velocity), getaran mekanis rol konveyor, waktu paparan cahaya optik (exposure duration), dan latensi pemrosesan algoritma neural network. Ada tiga tantangan rekayasa kritis yang harus diselesaikan:

1. Motion Blur (Efek Kabur Akibat Pergerakan): Jika produk bergerak dengan kecepatan = 2 ext{ m/s}$ ($2.000 ext{ mm/s}$) dan resolusi ruang kamera adalah $0,1 ext{ mm/piksel}$, waktu paparan kamera standar $10 ext{ ms}$ akan menyebabkan pergeseran bayangan sejauh $20 ext{ mm}$ (setara 200 piksel blur). Cacat retak halus berukuran $0,5 ext{ mm}$ akan hilang total tersapu blur. Solusinya membutuhkan waktu eksposur di bawah $50 ext{ µs}$ dan lampu LED berintensitas tinggi mencapai 50.000 Lux.
2. Jitter Posisi & Variasi Orientasi Benda: Produk yang mengalir di atas sabuk karet konveyor tidak selalu berada pada posisi dan sudut yang sempurna. Benda dapat berputar miring atau bergeser ke tepi sabuk. Model AI harus memiliki sifat invarian terhadap translasi dan rotasi (*Rotation-Invariant Object Detection*).
3. Sinkronisasi Spasial Trigger Penolakan (Tracking & Ejection Delay): Kamera memeriksa produk di Titik A, tetapi aktuator pendorong penolak (rejector) berada di Titik B sejauh 1,5 meter di hilir konveyor. Sistem harus mampu melacak pergerakan pulsa enkoder roda putar (*rotary encoder pulse tracking*) secara presisi agar tiupan udara pneumatik tepat mengenai botol cacat tanpa menabrak botol bagus di sebelahnya.

Kalkulasi Matematis Waktu Eksposur Optik vs Kecepatan Conveyor

Dalam rekayasa sistem computer vision PT Sayuswa Multi Teknologi, penetapan batas eksposur kamera dihitung secara ketat menggunakan formula Pixel Blur Threshold Formula:

// Rumus Batas Maksimum Waktu Eksposur Kamera (t_exp_max):
// t_exp_max = (Max_Allowable_Blur_Pixels * Pixel_Size_Real) / Conveyor_Speed

Contoh Kasus Pabrik Otomotif:
- Kecepatan Conveyor (v)          = 1.500 mm/detik
- Field of View Kamera (FOV)      = 300 mm x 200 mm
- Resolusi Sensor Kamera          = 3.000 x 2.000 piksel
- Ukuran Real per Piksel          = 300 mm / 3.000 px = 0,1 mm/piksel
- Toleransi Maksimum Blur         = 0,5 piksel

Perhitungan:
t_exp_max = (0,5 px * 0,1 mm/px) / 1.500 mm/detik
t_exp_max = 0,05 mm / 1.500 mm/detik = 0,0000333 detik = 33,3 mikrodetik (µs)

Dengan waktu eksposur super-cepat 33,3 mikrodetik, kamera mampu membekukan gerakan benda (*freeze-motion effect*) laksana benda sedang diam sempurna, memungkinkan algoritma deep learning mengevaluasi tekstur permukaan part logam dengan ketelitian sub-milimeter.

Arsitektur Model AI: YOLOv8 Instance Segmentation & PatchCore Anomaly Detection

PT Sayuswa Multi Teknologi mengkombinasikan dua pendekatan arsitektur Deep Learning tercanggih yang saling melengkapi di lantai pabrik:

1. Supervised Instance Segmentation (YOLOv8-Seg)

Digunakan ketika karakteristik cacat sudah diketahui dan memiliki label data yang jelas (misalnya: baut tidak terpasang, label sobek, warna salah, cetakan logo meleset). Model tidak hanya mendeteksi kotak pembatas (bounding box), melainkan memetakan kontur piksel exact dari cacat tersebut (polygon mask). Kecepatan inferensi model yang telah dioptimalkan dengan INT8 TensorRT pada kartu akselerator Edge GPU mencapai lebih dari 120 FPS, jauh melampaui ritme lalu lintas konveyor.

2. Unsupervised Anomaly Detection (PatchCore & FastFlow)

Merupakan terobosan krusial untuk lini manufaktur bernilai tinggi (komponen mesin mobil, wafer semikonduktor, perhiasan, farmasi steril). Pada lini ini, memproduksi ribuan produk cacat hanya demi melatih AI adalah hal yang mustahil. Algoritma PatchCore hanya dilatih menggunakan ratusan sampel produk normal (*Good/Golden Samples*). Algoritma membangun memori representasi fitur visual standar. Ketika produk di konveyor menunjukkan variasi terkecil yang menyimpang dari memori fitur normal (seperti goresan rambut atau pori-pori mikroskopis), sistem secara instan menandai area tersebut sebagai anomali dengan heatmap berwarna merah.

Mekanisme Penolakan Produk Cacat (Rejection Mechanism) Terintegrasi PLC

Mendeteksi produk cacat hanyalah separuh dari tugas sistem vision; separuh lainnya adalah memastikan produk cacat tersebut dikeluarkan secara fisik dari konveyor tanpa mengganggu aliran produk lainnya:

1. Sistem Pelacakan Enkoder Konveyor (Shift Register Tracking): Sinyal pulsa dari rotary encoder pada poros konveyor dimasukkan langsung ke kartu penghitung kecepatan tinggi (*High-Speed Counter – HSC*) pada PLC. Setiap kali kamera mendeteksi produk cacat, PLC membuat catatan bit *Fault* di dalam memori FIFO Shift Register yang bergerak maju seiring bertambahnya pulsa putaran sabuk.
2. Pneumatic Air-Jet Blow Rejection: Digunakan untuk produk berbobot ringan (< 300 gram) seperti sachet farmasi, botol kosong, tutup kaleng, atau snack. Katup solenoid kecepatan tinggi (*High-Speed Valve* dengan response time < 2 ms) menembakkan semburan udara bertekanan 6 bar tepat saat produk cacat melintasi nozzle peniup, melemparkan produk ke wadah penampung limbah (*reject bin*).
3. Pneumatic Cylinder Pusher / Flipper Arm: Digunakan untuk kemasan karton boks, kaleng makanan padat, atau komponen logam seberat 1 kg hingga 10 kg. Silinder kerja ganda berpelindung bantalan peredam (*cushioned cylinder*) mendorong boks cacat ke konveyor sekunder tanpa merusak kemasan.
4. Sensoring Verifikasi Penolakan (Fail-Safe Verification Sensor): Di dalam wadah reject bin, terpasang sensor fotolistrik infra-merah untuk memverifikasi bahwa produk cacat benar-benar telah jatuh ke dalam keranjang. Jika sinyal tolak telah dikirim namun sensor verifikasi tidak mendeteksi jatuhnya produk, sistem vision segera membunyikan sirene alarm dan memicu penghentian darurat konveyor (*emergency line interlock*) demi mencegah produk cacat lolos.

Pertanyaan Seputar Inspeksi Defek Conveyor Kecepatan Tinggi (FAQ)

Protokol Kalibrasi Koordinat Kamera ke Robot Pemilah (Camera-to-Robot Eye-in-Hand vs Eye-to-Hand)

Dalam aplikasi penyortiran optik (optical sorting) yang lebih kompleks daripada sekadar pendorong pneumatik, sistem vision Sayuswa diintegrasikan dengan robot pemilah berkecepatan tinggi, seperti Delta Robot (Spider Robot) atau SCARA Robot. Agar robot dapat mengambil (*pick*) benda cacat atau produk sasaran yang sedang meluncur di atas konveyor, sistem harus melakukan transformasi koordinat spasial piksel kamera (u, v) menjadi koordinat fisik dunia nyata robot (X, Y, Z, Theta):

• Eye-to-Hand Architecture (Kamera Statis Mengawasi Konveyor): Kamera dipasang kokoh pada rangka di atas konveyor sebelum area kerja robot. Kamera mendeteksi posisi awal dan orientasi sudut rotasi produk, kemudian mengirimkan paket data telemetri ke kontroler robot melalui protokol TCP/IP socket atau PROFINET. Robot menghitung posisi masa depan benda menggunakan kompensasi kecepatan konveyor real-time dari encoder (*Conveyor Tracking Synchronization*).
• Matriks Transformasi Kalibrasi Bidang Datar (Affine Transformation): Kalibrasi dilakukan menggunakan papan catur optik presisi (optical checkerboard target) untuk mengkalkulasi parameter intrinsik lensa (focal length $f_x, f_y$, titik prinsipal $c_x, c_y$, dan koefisien distorsi radial $k_1, k_2$) serta matriks rotasi-translasi ekstrinsik $[R|t]$.

// Persamaan Transformasi Koordinat Kamera ke Koordinat Robot (Affine Mapping):
[ X_robot ]   [ a11  a12  dx ] [ u_pixel ]
[ Y_robot ] = [ a21  a22  dy ] [ v_pixel ]
[    1    ]   [  0    0    1 ] [    1    ]

Dimana:
- (u_pixel, v_pixel) = Koordinat pusat massa (centroid) cacat hasil segmentasi AI
- dx, dy             = Offset translasi fisik antara asal optik kamera dan basis robot
- a11..a22           = Faktor penskalaan ortogonal dan rotasi sudut kamera

Strategi Penanganan Fluktuasi Pencahayaan Lingkungan Pabrik

Lantai pabrik kerap mengalami gangguan cahaya eksternal seperti sorotan sinar matahari sore melalui jendela ventilasi atau kilatan pengelasan (welding flare) di dekat lini produksi. Untuk menjamin keandalan 100%, arsitektur stasiun inspeksi conveyor Sayuswa menerapkan pendekatan perlindungan optik tiga lapis:

1. Optical Shrouding Hood (Terowongan Optik Tertutup): Seluruh stasiun inspeksi diselubungi penutup pelindung matte hitam anodized yang mengeliminasi 98% cahaya liar dari luar.
2. High-Overdrive Pulsed Lighting: Lampu strobo LED dipicu hanya selama durasi 30 mikrodetik dengan arus puncak 300% di atas nilai nominal kontinu saat kamera menangkap gambar. Cahaya strobo ini begitu kuat sehingga membuat cahaya lampu ruangan di sekitarnya tampak gelap total (*ambient light suppression*).
3. Data Augmentation Intensif Selama Pelatihan Model: Dataset pelatihan diperkaya dengan ribuan variasi acak kecerahan (brightness jitter $pm 30%$), kontras, blur Gaussian, dan noise Poisson guna memastikan bobot neural network kebal terhadap fluktuasi fotometri minor.