QC Inspection untuk Injection Molding: Short Shot, Flash, dan Sink Mark

Cacat Molding Jarang Datang Sendirian

Di injection molding, produk cacat hampir tidak pernah muncul acak. Begitu suhu barrel bergeser, tekanan holding turun, atau satu cavity mulai tersumbat, cacat yang sama akan berulang di setiap shot sampai ada orang yang menyadarinya. Pada mesin dengan siklus 20 detik dan cetakan 8 cavity, satu jam tanpa sadar berarti sekitar 1.400 part terbuang — dan kalau sudah tercampur di bin, semuanya harus disortir ulang.

Inspeksi sampling tiap setengah jam memang tidak dirancang untuk menangkap hal itu. Ia menjawab pertanyaan "apakah proses masih baik", bukan "part yang barusan keluar bagus atau tidak". QC inspection berbasis kamera AI mengisi celah di antara dua sampling: memeriksa tiap shot, dan yang lebih berharga, mengenali bahwa cacatnya mulai berulang.

Delapan Cacat Umum dan Pendekatan yang Cocok

Kenapa Deteksi Anomali Lebih Masuk Akal di Sini

Pabrik molding punya masalah data yang khas: part bagus melimpah ribuan per hari, tetapi contoh cacat justru langka dan bentuknya tidak pernah persis sama. Short shot bisa muncul di ujung rusuk, di boss, atau di tepi jauh dari gate — tiga tampilan berbeda untuk satu nama cacat.

Karena itu melatih model dari sampel part bagus saja biasanya lebih cepat berhasil daripada mengumpulkan katalog cacat, sebagaimana dijelaskan di deteksi anomali tanpa contoh produk cacat. Perkiraan jumlah foto yang perlu disiapkan ada di panduan dataset dan anotasi.

Pengecualiannya adalah cacat berbentuk tetap seperti sisa gate dan flash di lokasi yang selalu sama. Untuk itu deteksi objek biasa lebih tepat dan lebih mudah dijelaskan ke tim QC.

Nilai Terbesarnya: Melacak Cacat per Nomor Cavity

Pertanyaan yang paling berguna di lantai molding bukan "part ini cacat atau tidak", melainkan "cavity nomor berapa yang bermasalah". Sebagian besar cetakan sudah mencetak nomor cavity kecil di permukaan part. Kamera yang membaca angka itu lalu mengaitkannya dengan hasil inspeksi mengubah tumpukan reject menjadi diagnosis.

Hasilnya terlihat langsung: kalau 90 persen reject berasal dari cavity 5, masalahnya ada di cetakan, bukan di setting mesin. Kemampuan bacanya sama dengan yang dibahas di OCR dengan AI camera, dan angka per cavity itu baru benar-benar berguna ketika mengalir ke sistem produksi lewat integrasi ke PLC, MES, dan ERP.

Optik untuk Plastik: Mengkilap, Bening, dan Hitam Pekat

Plastik termasuk material yang paling menyulitkan kamera, dan hampir semua kesulitannya soal cahaya:

• Permukaan glossy memantulkan lampu jadi titik putih yang menutupi cacat. Solusinya cahaya menyebar dari kubah, bukan lampu titik.
• Part bening atau translusen nyaris tidak punya kontras dari depan; backlight membuat cacat internal dan short shot tampak sebagai siluet.
• Sink mark dan weld line hanya muncul di bawah cahaya menyudut rendah yang menonjolkan relief permukaan.
• Part hitam pekat memantulkan sangat sedikit cahaya sehingga butuh eksposur lebih panjang atau iluminasi lebih kuat.

Satu part sering butuh dua kondisi cahaya berbeda yang dinyalakan bergantian dalam satu siklus. Dasarnya diuraikan di panduan pencahayaan camera vision, sedangkan pemilihan sensor dan lensanya di panduan memilih kamera dan lensa. Pola cacat yang sama — flash, short shot, bekas cetakan — juga muncul di part karet molded, seperti dibahas di kamera AI untuk industri karet.

Menempatkan Kamera di Dalam Siklus Mesin

Ada tiga posisi yang lazim, dengan konsekuensi berbeda:

Di tangan robot take-out. Part dipegang stabil pada posisi yang sama tiap kali, jadi pencahayaan mudah dikunci. Kelemahannya hanya satu sisi yang terlihat.

Di stasiun jig setelah take-out. Robot meletakkan part di nest, kamera memotret dari beberapa sudut. Paling akurat, dan satu-satunya cara masuk akal mengukur warping — mengikuti prinsip kalibrasi di pengukuran dimensi dengan camera vision.

Di conveyor keluaran. Paling murah dan paling tidak mengganggu, tetapi orientasi part tidak terkendali dan kecepatan sabuk menuntut penanganan seperti di camera vision di conveyor cepat.

Pemicunya sebaiknya diambil dari sinyal mold-open atau dari PLC robot, bukan dari deteksi gerakan. Sinyal mesin memberi waktu yang konsisten milidetik demi milidetik, dan konsistensi itulah yang membuat model stabil.

Tindakan yang Layak Diotomatiskan

Mulailah dengan yang paling sederhana: tandai dan pisahkan part yang mencurigakan, jangan langsung menghentikan mesin. Setelah beberapa minggu dan angkanya terbukti, dua aturan berikut biasanya aman ditambahkan — hentikan mesin bila tiga shot berturut-turut ditolak, dan naikkan alarm bila satu nomor cavity menyumbang reject melebihi ambang dalam satu shift.

Cara menetapkan ambangnya tanpa membanjiri operator dengan alarm palsu dibahas di metrik false reject dan escape. Perlu diingat juga bahwa pergantian batch resin atau masterbatch mengubah tampilan permukaan, dan model perlu disegarkan — gejalanya dijelaskan di drift model AI visual.

Mulai dari Satu Mesin, Satu Part

Jangan memasang kamera di seluruh area molding sekaligus. Pilih satu mesin dengan part bervolume tinggi dan riwayat reject paling mahal, jalankan dalam mode mencatat selama dua sampai empat minggu, lalu bandingkan temuan kamera dengan hasil sortir manual. Urutan langkah lengkapnya ada di roadmap pilot project 30 hari.

Siap menguji satu mesin molding di pabrik Anda? Lihat paket & edisi Nirmana VisionAI.