Czy 100% kontroli oznacza 100% skuteczności? Kontrola Jakości produktu.

W literaturze jakościowej od dawna rozróżnia się 100% pokrycia (każdy produkt obejrzany) i 100% skuteczności (każdy defekt wykryty). Badania pokazują, że nawet przy pełnej inspekcji manualnej człowiek przepuszcza 15–30% wad, więc „pełna kontrola” nie gwarantuje pełnego bezpieczeństwa. Normy jakości (np. ISO 2859, MIL-STD-105) również podkreślają, że 100% kontroli nie oznacza 100% wykrycia. Nawet przy 100% kontroli nie ma gwarancji 100% wykrycia wad, co potwierdzają badania nad niezawodnością inspekcji wizualnej. Dlatego w praktyce stosuje się redundancję – łączenie operatorów, kamer czy metod – a skuteczność całego systemu liczy się poprzez iloczyn prawdopodobieństw. To nie marketing, ale sprawdzona metoda w analizie ryzyka (tzw. Swiss cheese model). I właśnie tę lukę między „coverage” a „detection” zamykają rozwiązania łączące różne technologie w jeden spójny system.

Kształt

Jak skuteczny jest człowiek w kontroli jakości?

Przez lata filarem inspekcji pozostawał człowiek. To inspektorzy jakości, opierając się na wzroku i doświadczeniu, mieli wychwytywać defekty. Problem w tym, że skuteczność manualnej inspekcji ma swoje granice.

Badania pokazują, że:

w warunkach przemysłowych inspektorzy osiągają różne poziomy wydajności w zależności od miary: podczas gdy mogą poprawnie odrzucić około 85% wadliwych części, jednocześnie błędnie odrzucają nawet 35% części dobrych – co stanowi kosztowny skutek uboczny

skuteczność wykrywania defektów waha się w przedziale 60-90%, przy czym wynik ten mocno zależy od zmęczenia, monotonii pracy i warunków środowiskowych

w lotnictwie zmienne warunki (np. różna czystość łopatek turbiny) powodowały spadek skuteczności z 86,8% do 66,8%

Wniosek? Nawet doświadczeni operatorzy rzadko przekraczają pułap 85%, a w trudnych warunkach wyniki mogą być znacznie gorsze.

Kształt

Co potrafi system wizyjny?

Systemy wizyjne wyraźnie przewyższają ludzi w powtarzalności i szybkości, ale i one nie są wolne od ograniczeń. Pojedyncza kamera dobrze radzi sobie z powtarzalnymi defektami, lecz:

jest wrażliwa na warunki oświetleniowe,

ma problem z wariantowością kształtów czy powierzchni,

nie zawsze wykryje wszystkie rodzaje defektów.

Skuteczność systemów wizyjnych zależy od:

rodzaju defektu (np. powierzchniowe vs. geometryczne),

algorytmów (klasyczne vs. AI/ML),

jakości danych uczących.

W praktyce przemysłowej skuteczność klasycznych narzędzi wizyjnych sięga zwykle ~90% . To lepiej niż człowiek, ale nadal nie gwarantuje pełnego bezpieczeństwa.

Kształt

Matematyka jakości: suma prawdopodobieństw.

Klucz do zrozumienia tkwi w matematyce. Jeżeli dwa niezależne etapy kontroli wykrywają defekty z różną skutecznością, to szansa, że wada przejdzie niezauważona, mnoży się.

Przykład: człowiek + kamera

człowiek: 80% skuteczności (20% defektów umyka),

kamera: 90% skuteczności (10% defektów umyka),

razem: 20% × 10% = 2% szansy na ucieczkę → czyli 98% skuteczności łącznej.

Takie kaskadowe podejście jest dobrze znane w inżynierii jakości – niezależne bariery redukują ryzyko ucieczek w sposób multiplikatywny.

Kształt

Jak usprawnić wdrożnie?

Przede wszystkim należy inwestować w gotowe rozwiązania (takie jak np. VisionBox).

Dzięki gotowym rozwiązanią zyskujesz:

łatwość implementacji – bez skomplikowanej integracji, podłączasz kamerę i działasz,

elastyczność – współpracuje z różnymi rodzajami kamer

realną opłacalność – zwrot inwestycji następuje szybko (w zależności kosztu reklamacji i ilości osób zaangażowanych w kontrolę ROI może wynosić nawet kilka miesięcy),

pełne dane jakości – raporty NOK, wizualizacje i trendy, które pomagają podejmować decyzje,

skalowalność – możesz dodać kolejne kamery, gdy rosną potrzeby.

Kształt

Połączenie systemu wizyjnego z archiwizacją zdjęć oraz pełnym traceability otwiera zupełnie nowy poziom kontroli jakości. Wyobraźmy sobie linię produkcyjną, która miesięcznie wytwarza 100 000 sztuk wyrobów. Przyjmując, że odsetek wadliwych elementów wynosi 0,5%, oznacza to około 500 sztuk miesięcznie. Jeśli kontrolę końcową prowadzi człowiek o skuteczności na poziomie 80%, to wykryje on i odrzuci 400 wadliwych elementów, lecz aż 100 wadliwych produktów może trafić do klienta.

Z kolei po wdrożeniu rozwiązania hybrydowego, którego skuteczność (człowiek + kamera) sięga 98%, system wykrywa aż 490 wadliwych sztuk, pozostawiając jedynie 10 z ryzykiem przedostania się dalej. Dodatkowo, dzięki automatycznej archiwizacji zdjęć i śledzeniu partii produkcyjnych (traceability), każda sztuka może zostać jednoznacznie zidentyfikowana i powiązana z konkretnym zdjęciem z kontroli. W praktyce oznacza to nie tylko szybsze rozwiązywanie reklamacji, ale często również możliwość ich całkowitego uniknięcia – bo zamiast domysłów mamy twardy, wizualny dowód jakości.

⚡ Innymi słowy: urządzenia takie jak np. VisionBox dają Ci praktyczną drogę do 100% pokrycia i maksymalizacji skuteczności, przy jednoczesnym zapewnieniu łatwego wdrożenia i szybkiego zwrotu z inwestycji.

Kształt

Podsumowanie:

Człowiek: skuteczność 70–85%, duża zmienność wynikająca z doświadczenia, koncentracji i zmęczenia.
Pojedyncza kamera w maszynie: około 90% skuteczności, jednak ograniczona przez warunki oświetleniowe i różnorodność defektów.
VisionBox na ostatnim stanowisku montażowym: 100% pokrycia kontroli oraz kaskadowe połączenie metod (człowiek + kamera), co przekłada się na realną skuteczność 98–99%+.

System zainstalowany w VisionBox zapewnia, że każdy wyrób zostaje skontrolowany, a elastyczna konfiguracja kamer pozwala dostosować system do specyfiki procesu. Dzięki temu skuteczność kontroli w warunkach przemysłowych osiąga poziom zbliżony do pełnej eliminacji błędów. Co więcej, zintegrowana archiwizacja zdjęć i traceability zapewniają pełną identyfikowalność produktu oraz natychmiastowy dostęp do historii kontroli.

To sprawia, że VisionBox to nie tylko narzędzie, ale wirtualny pracownik jakości – nie męczy się, nie pomija szczegółów i zawsze dostarcza wiarygodnych danych o każdym wyrobie.

Kształt

👉 Chcesz zobaczyć, jak VisionBox działa w praktyce i jak może zoptymalizować Twoją produkcję? Skontaktuj się z nami:

produkt: VisionBox

🔍 Kluczowe linki / publikacje

“Visual Inspection Reliability for Precision Manufactured Parts” by Judi E. See (2015, Human Factors)

Wyniki: inspektorzy poprawnie odrzucili ~ 85% wadliwych części, ale błędnie odrzucili ~ 35% dobrych sztuk. ResearchGate+2SAGE Journals+2

Abstrakt i szczegóły: https://journals.sagepub.com/doi/abs/10.1177/0018720815602389

Intel – “Faster, More Accurate Defect Classification Using Machine Vision” (white paper)

Wskazuje, że nawet dobrze wyszkolony operator osiąga z czasem trafność 70–85% w klasyfikacji wad, a w wariantowych zastosowaniach ROI z MV i ML przekracza ograniczenia manualnej inspekcji. Intel+1

“Evaluation of the machine learning classifier in wafer defects classification” (ICT Express, 2021)