Kamera AI untuk Industri Karet: Sarung Tangan, Seal, dan O-Ring

Produk Elastis, Cacat yang Suka Bersembunyi

Indonesia dan negara tetangganya adalah pemasok utama produk karet dunia: sarung tangan lateks dan nitril, seal, o-ring, karet peredam, selang, hingga komponen otomotif. Volume produksinya besar, harga per unit kecil, dan standar pembeli — terutama untuk sarung tangan medis — sangat ketat.

QC produk karet punya tantangan khas. Material elastis, berwarna gelap atau semi-transparan, dan permukaannya sering mengilap atau bertepung, sehingga cacat kecil mudah tertutup pantulan. Ditambah kecepatan lini yang tinggi, pemeriksa manusia praktis hanya bisa mengambil sampel. Kamera AI membantu memindahkan sebagian pemeriksaan visual itu menjadi pemeriksaan per unit yang konsisten.

Peta Cacat Produk Karet

Untuk karet hitam, kontras adalah masalah utama. Geometri cahaya menentukan hasil lebih dari resolusi kamera — prinsipnya dibahas di panduan pencahayaan untuk camera vision.

Sarung Tangan: Lini Cepat, Cacat Tipis

Lini sarung tangan modern berjalan sangat cepat, dengan ribuan unit melintas tiap jam per lini. Ada dua titik pemasangan kamera yang umum:

• Di former, sebelum stripping: sarung tangan masih membungkus cetakan berbentuk tangan, sehingga posisinya stabil. Cocok untuk mendeteksi sobek, gumpalan, noda, dan cuff yang tidak tergulung rata.
• Setelah stripping, di konveyor atau meja sortir: sarung tangan sudah lepas dan bentuknya tidak beraturan. Lebih sulit, tetapi bisa dipakai untuk verifikasi akhir sebelum dihitung dan dikemas.

Kecepatan former membuat motion blur jadi musuh utama. Solusinya biasanya lampu strobe dan exposure pendek dengan trigger dari sensor posisi — detailnya ada di camera vision di conveyor cepat.

Satu hal perlu jujur sejak awal: pinhole mikro yang tidak terlihat mata tetap harus dicari lewat uji kebocoran air (water leak test) sesuai standar sampling pembeli. Kamera AI menangkap lubang dan sobekan yang terlihat secara visual per unit, sementara uji air memastikan barrier secara statistik. Keduanya saling melengkapi, bukan saling menggantikan. Logika memilih antara sampling dan inspeksi penuh dibahas di sampling AQL vs inspeksi 100%.

Seal dan O-Ring: Kecil tetapi Kritis

Seal yang flash-nya tidak terpotong bersih atau punya retak halus bisa membuat seluruh rakitan bocor. Karena bentuknya sederhana, backlight sangat efektif: siluet bersih memperlihatkan flash, bagian tidak terisi, dan diameter yang meleset. Untuk pengukuran diameter dan ketebalan, kalibrasi kamera wajib dilakukan sebagaimana dijelaskan di pengukuran dimensi dengan camera vision.

Pola cacat molded karet sangat mirip dengan plastik: short shot, flash, dan bekas cetakan. Banyak pelajaran dari QC inspection injection molding bisa langsung dipakai, termasuk cara melacak cacat ke cavity tertentu.

Variasi Normal vs Cacat Sesungguhnya

Karet punya variasi alami: warna sedikit berbeda antar-batch compound, tekstur tepung atau coating yang tidak seragam, dan bentuk yang melentur. Kalau model dilatih hanya dari satu batch, false reject akan naik setiap kali compound berganti.

Praktik yang bekerja:

1. Kumpulkan contoh OK dari beberapa batch dan beberapa shift, bukan dari satu hari produksi.
2. Untuk cacat kosmetik yang jarang dan bentuknya beragam, pertimbangkan deteksi anomali tanpa contoh produk cacat.
3. Pantau tingkat reject per batch compound. Kenaikan tiba-tiba bisa menandakan perubahan material, bukan kesalahan model — gejala drift model AI visual yang perlu dibedakan.

Lingkungan Pabrik Karet

Area vulkanisasi panas, oven pengering lembap, dan bubuk tepung atau debu karbon mudah menempel di kaca pelindung kamera. Rencanakan housing, jarak aman dari sumber panas, dan jadwal pembersihan sejak desain stasiun. Panduan praktisnya ada di smart inspection di lingkungan ekstrem.

Mulai dari Satu Titik

Pilih satu titik dengan kerugian terbesar — misalnya cuff sarung tangan yang sering dikeluhkan pembeli, atau flash pada seal untuk pelanggan otomotif. Jalankan kamera AI dalam mode mencatat berdampingan dengan QC manusia, ukur dengan metrik false reject dan escape, lalu sambungkan sinyal NG ke reject gate lewat integrasi PLC. Perhitungan nilai investasinya bisa mengikuti biaya & ROI QC inspection AI.

Nirmana VisionAI berjalan on-premise dan menyimpan setiap hasil OK/NG beserta foto beranotasi, sehingga bukti kondisi produk tersedia saat pembeli mengajukan klaim. Lihat paket & edisi Nirmana VisionAI untuk memulai dari satu stasiun inspeksi.