AI Visual untuk Industri Otomotif: Inspeksi Las, Cat, dan Kelengkapan Rakitan

Kenapa Otomotif Menuntut Lebih dari Sekadar Sortir

Di kebanyakan pabrik, satu produk cacat yang lolos berarti satu keluhan pelanggan. Di industri otomotif, satu part cacat yang lolos bisa berarti recall ribuan unit — karena part yang sama terpasang di semua kendaraan yang keluar hari itu. Itu sebabnya pemasok tier-1 dan tier-2 jarang ditanya "berapa persen produk Anda bagus", melainkan "bisakah Anda membuktikan part nomor ini sudah diperiksa".

Perbedaan tuntutan itu mengubah cara kamera dipakai. AI visual di lini otomotif bukan sekadar alat sortir di ujung lini, melainkan alat pembuktian yang menempel pada tiap stasiun dan meninggalkan jejak yang bisa ditelusuri berbulan-bulan kemudian.

Peta Inspeksi di Lini Otomotif

Tidak semua stasiun itu perlu kamera. Yang layak didahulukan adalah stasiun tempat cacatnya paling sulit dilihat mata dan paling mahal bila lolos ke pelanggan.

Inspeksi Las: Menghitung Dulu, Menilai Kemudian

Pada spot welding, mayoritas temuan bukan soal kualitas nugget, melainkan soal jumlah. Satu titik las yang terlewat karena elektroda aus atau gun tidak sampai posisi adalah kegagalan paling umum dan paling mudah ditangkap kamera. Model deteksi objek yang menghitung titik las lalu mencocokkannya dengan pola referensi sudah menutup sebagian besar risiko sebelum bicara soal metalurgi.

Penilaian mutu titik las lebih rumit karena tampilannya bervariasi mengikuti sisa minyak dan derajat pelapisan seng. Pendekatan berbasis contoh sambungan yang baik lebih realistis daripada mengumpulkan katalog cacat las, seperti dijelaskan di deteksi anomali tanpa contoh produk cacat.

Perlu ditegaskan satu hal: kamera memeriksa tampilan permukaan, bukan kekuatan sambungan. Ia tidak menggantikan uji kupas atau ultrasonik, tetapi memberi pemeriksaan seratus persen di antara dua uji destruktif yang sifatnya sampling.

Cacat Cat: Ujian Terberat untuk Pencahayaan

Cacat pada panel bercat termasuk yang paling sulit ditangkap kamera, karena permukaannya mengkilap dan cacatnya berupa gelombang halus, bukan perubahan warna. Dust nib sebesar 0,3 mm nyaris tak terlihat di foto biasa, tetapi langsung menonjol ketika pantulan garis terang melintasinya.

Karena itu inspeksi cat hampir selalu memakai pola garis terang-gelap yang dipantulkan ke panel. Distorsi pada pola pantulan itulah yang dibaca sebagai cacat, bukan piksel panelnya sendiri. Prinsip dasarnya diuraikan di panduan pencahayaan untuk camera vision, sedangkan teknik serupa untuk pelat logam telanjang ada di inspeksi permukaan logam.

Beda warna antar panel adalah kasus terpisah dan lebih menuntut: ia hanya bisa dinilai bila cahaya benar-benar konstan dan kamera dikalibrasi warna berkala, sebab pergeseran suhu warna lampu saja sudah cukup membuat panel identik terlihat berbeda.

Kelengkapan Rakitan: Cacat yang Paling Sering Lolos

Di stasiun perakitan, cacat yang paling sering sampai ke pelanggan bukan komponen rusak, melainkan komponen yang tidak ada. Klip yang belum ditekan penuh, seal terlipat, konektor yang menempel tapi belum terkunci, atau ring yang tertinggal di meja. Semuanya lolos dari pemeriksaan fungsional karena part tetap terpasang dan tetap menyala. Untuk konektor dan kabel, celah ini dibahas lebih rinci di inspeksi wire harness dengan camera vision.

Kamera yang memotret sub-assembly di akhir stasiun dan memeriksa daftar komponen wajib menangkap kategori ini dengan baik. Dua rincian kecil yang menentukan keberhasilannya:

• Torque mark — garis cat penanda pengencangan lebih mudah diperiksa daripada posisi baut, dan sekaligus membuktikan urutan kerja sudah dijalankan.
• Sudut pandang — klip yang belum terkunci sering hanya terlihat dari sisi, bukan dari atas, sehingga satu kamera tambahan bersudut rendah lebih berguna daripada menaikkan resolusi.

Untuk membedakan mana yang benar butuh AI dan mana yang cukup diselesaikan aturan geometri sederhana, perbandingannya ada di AI visual vs machine vision rule-based.

Traceability: Mengikat Hasil Inspeksi ke Nomor Part

Inilah yang membedakan otomotif dari vertikal lain. Hasil "OK" tidak berguna bila tidak menempel pada identitas part tertentu. Yang perlu disimpan untuk tiap unit adalah nomor part atau VIN, stasiun, waktu, keputusan, dan fotonya. Pembacaan nomor itu umumnya dilakukan kamera yang sama lewat OCR atau kode 2D, sebagaimana dibahas di OCR dan ANPR dengan AI camera, lalu dialirkan ke sistem produksi lewat integrasi ke PLC, MES, dan ERP agar bisa dicari kembali saat ada klaim.

Simpan juga foto part yang dinyatakan bagus, bukan hanya yang ditolak. Saat pelanggan mengirim klaim tiga bulan kemudian, foto itulah satu-satunya cara membuktikan part keluar dari pabrik Anda dalam kondisi benar.

Ambang yang Berbeda: Escape Lebih Mahal dari False Reject

Di banyak industri, menolak produk bagus secara berlebihan adalah dosa terbesar karena membuang hasil produksi. Di otomotif, perhitungannya berbalik: satu part cacat yang lolos memicu biaya sortir massal, denda, dan status pemasok yang turun — jauh melampaui ongkos memeriksa ulang beberapa part bagus. Karena itu ambang keputusan dipasang ketat, dan part meragukan dikirim ke meja periksa manual alih-alih langsung dibuang. Cara menyeimbangkan kedua angka ini dibahas di metrik false reject dan escape.

Satu hal lagi yang khas otomotif: setiap perubahan model inspeksi umumnya termasuk perubahan proses yang perlu dilaporkan ke pelanggan. Simpan versi model, tanggal aktif, dan alasan perubahannya sejak hari pertama — jauh lebih mudah daripada merekonstruksinya saat audit.

Mulai dari Stasiun dengan Klaim Terbanyak

Jangan mulai dari stasiun yang paling mudah dipasangi kamera, tetapi dari stasiun yang paling sering muncul di laporan klaim pelanggan setahun terakhir. Jalankan kamera dalam mode mencatat tanpa memutus lini selama dua sampai empat minggu, dan bandingkan temuannya dengan hasil periksa manual sebelum satu pun sinyal reject disambungkan ke PLC. Urutan lengkapnya ada di roadmap pilot project 30 hari, dan kamera yang sama biasanya bisa sekaligus memantau kepatuhan APD di zona las dan press seperti pada AI camera untuk deteksi APD dan safety K3. Pemasok aki dan battery pack untuk kendaraan listrik bisa memakai pendekatan serupa untuk polaritas terminal dan orientasi sel, seperti dibahas di smart inspection untuk industri baterai.

Ingin menguji satu stasiun di lini otomotif Anda lebih dulu? Lihat paket & edisi Nirmana VisionAI.