Kamera AI untuk Industri Keramik & Kaca: Retak, Chip, dan Gelembung

Dua Material yang Paling Menyulitkan Kamera

Keramik berglasir memantulkan cahaya seperti cermin. Kaca justru meneruskannya, sehingga cacat di dalamnya nyaris tak punya kontras. Keduanya getas: satu retak rambut yang lolos hari ini bisa menjadi ubin pecah di lokasi proyek atau botol yang pecah di mesin pengisian pelanggan.

Karena itu inspeksi di pabrik keramik dan kaca masih banyak mengandalkan operator yang memutar produk di bawah lampu. Cara ini bekerja — sampai lini berjalan tiga shift dan mata mulai lelah. Kamera AI membantu di sini, tetapi hanya jika satu hal dipahami sejak awal: pada material ini, keberhasilan ditentukan oleh cara menyinari produk, bukan oleh modelnya.

Peta Cacat dan Cara Melihatnya

Tabel ini sekaligus menunjukkan bahwa satu kamera jarang cukup. Setiap kelompok cacat butuh geometri cahaya sendiri, dan prinsip dasarnya dibahas di panduan pencahayaan camera vision.

Ubin Keramik: Retak Rambut dan Chip Tepi

Pada ubin polos, cahaya sudut rendah dari samping membuat retak dan chip tampak sebagai garis gelap atau bayangan kecil, karena tepinya memecah pantulan. Pada ubin berglasir mengilap, cahaya yang sama justru menghasilkan silau; di sini dome difus meratakan pantulan sehingga pinhole dan glasir yang mengkerut terlihat jelas. Pendekatannya mirip inspeksi permukaan logam — permukaan reflektif menuntut lebih dari satu sudut penyinaran.

Chip tepi dan sudut paling efisien diperiksa dengan kamera yang membidik keempat sisi saat ubin lewat, bukan dari atas saja — susunannya dibahas di camera vision multi-kamera. Kelurusan sisi dan kesikuan bisa diukur sekaligus bila kamera dikalibrasi, seperti di pengukuran dimensi dengan camera vision.

Batas yang perlu dikatakan jujur: retak yang belum menembus permukaan, serta kelengkungan (warpage) ubin, tidak bisa dinilai dari satu foto 2D. Kelengkungan butuh sensor jarak atau cahaya terstruktur.

Shade dan Motif: Masalah Konsistensi, Bukan Cacat

Keluhan terbesar distributor ubin sering bukan ubin retak, melainkan shade yang berbeda dalam satu pengiriman. Kamera dapat mengelompokkan ubin ke kode shade asalkan temperatur warna lampu dikunci, kamera diberi white balance manual, dan ada ubin acuan yang difoto rutin untuk memeriksa pergeseran.

Ubin cetak digital menambah tantangan: motifnya sengaja dibuat bervariasi, satu desain bisa punya puluhan wajah berbeda. Deteksi anomali yang dilatih dari satu wajah akan menganggap wajah lain sebagai cacat. Solusinya adalah memasukkan semua variasi wajah ke data "normal", atau memisahkan model per desain — pertimbangannya ada di deteksi anomali tanpa contoh produk cacat.

Botol & Wadah Kaca: Melihat Sesuatu yang Bening

Untuk kaca, backlight di belakang botol adalah titik awal: gelembung, batu (butiran bahan baku yang tidak meleleh), dan retak mengganggu cahaya yang lewat sehingga tampak gelap atau berkilau. Botol biasanya diputar di depan kamera, atau dilihat oleh beberapa kamera dari sudut berbeda, agar seluruh dinding terperiksa.

Mulut botol (finish) adalah area paling kritis karena chip di sana bisa merusak tutup atau melukai konsumen. Area ini diperiksa dari atas dengan ring light, dan standarnya biasanya jauh lebih ketat daripada dinding botol. Untuk wadah yang sudah terisi dan berlabel, pemeriksaannya berlanjut ke tahap yang dibahas di smart inspection industri makanan & minuman.

Lini botol sering berjalan ratusan unit per menit. Waktu pemicuan kamera dan jarak ke pembuang reject harus dihitung teliti, seperti diuraikan di camera vision di conveyor cepat.

Lingkungan Pabrik yang Keras

Area kiln dan mesin pembentuk kaca panas, berdebu, dan bergetar. Tempatkan kamera di ujung dingin (setelah pendinginan) bila memungkinkan, pakai housing tertutup, dan jadwalkan pembersihan kaca pelindung lensa — debu tipis saja sudah cukup menurunkan kontras retak rambut. PC inferensi sebaiknya berada di panel berpendingin, bukan di samping tungku; hitungan kebutuhannya ada di spesifikasi hardware kamera AI.

Data Latih dan Keputusan Grade

Retak rambut dan chip kecil jarang, sehingga contoh cacat sulit dikumpulkan. Simpan setiap produk reject hasil sortir manual sebagai bahan foto, dan labeli bersama operator senior yang paling konsisten. Berapa banyak yang realistis dibahas di dataset & anotasi QC inspection AI.

Biarkan model mendeteksi dan mengukur, lalu serahkan keputusan grade — premium, standar, atau afkir — ke aturan berdasarkan ukuran dan lokasi cacat. Aturan grade berubah mengikuti pasar, dan mengubah tabel aturan jauh lebih murah daripada melatih ulang. Hasilnya bisa dikirim ke PLC penyortir atau sistem produksi lewat pola integrasi ke PLC, MES, dan ERP.

Mulai dari Satu Jenis Cacat

Pilih satu produk dan satu cacat yang paling sering dikomplain, misalnya chip mulut botol atau retak rambut ubin ukuran terlaris. Bangun pencahayaannya sampai cacat itu terlihat jelas di layar, jalankan dalam mode mencatat, lalu bandingkan dengan sortir manual memakai metrik false reject dan escape. Langkah berikutnya mengikuti roadmap pilot project 30 hari.

Produk bahan bangunan lain seperti genteng, paving block, dan beton precast punya tantangan retak dan gompal yang serupa — lihat AI visual untuk industri bahan bangunan.

Ingin menguji kamera AI di lini keramik atau kaca Anda? Lihat paket & edisi Nirmana VisionAI.