Karcolás. Felületi hiba. Hiányzó alkatrész. Nem megfelelő pozíció. Deformáció. Színeltérés.

Egy tapasztalt minőségellenőr rövid idő alatt számos olyan eltérést képes felismerni, amely potenciális minőségi problémára utalhat.

A gyártástechnológia fejlődésével azonban egyre komolyabb szerepet kap mellette a mesterséges intelligenciával támogatott machine vision.

2026 augusztusában két ipari technológiai fejlesztés is jól mutatta, milyen irányba haladhat a minőségellenőrzés.

A kérdés azonban nem feltétlenül az, hogy:

AI vagy ember?

Sokkal inkább az:

melyik feladatot melyik tudja hatékonyabban elvégezni?

Az AI már nemcsak képet lát – térbeli eltéréseket is elemezhet

A SICK 2026. augusztus 3-án jelentette be AI-val támogatott 3D machine vision megoldását a Nova platformhoz.

A megoldás a deep learning algoritmusokat precíz 3D magassági adatok elemzésével kombinálja. A gyártó szerint ezzel a rendszer a hagyományos kétdimenziós képfeldolgozáson túl térbeli jellemzőket is felhasználhat az ellenőrzés során.

A technológiát többek között autóipari, akkumulátorgyártási és elektronikai alkalmazásokhoz pozicionálják.

Ennek különösen olyan környezetben lehet jelentősége, ahol a hibák:

  • formában,
  • magasságban,
  • geometriában,
  • pozícióban
  • vagy összetett felületi struktúrában jelentkeznek.

Az autóipar pedig pontosan ilyen gyártási környezet.

Amikor a kamerarendszer összekapcsolódik a QMS-sel

Néhány nappal később, 2026. augusztus 11-én a Rockwell Automation bejelentette a Plex Quality Management System és a FactoryTalk Analytics VisionAI API-alapú integrációját.

A cél, hogy az AI-alapú vizuális ellenőrzés eredményei közvetlenül bekapcsolódhassanak a minőségirányítási folyamatokba, támogatva többek között a hibafelismerést és a traceabilityt.

Ez minőségügyi szempontból fontos változás.

A kamera többé nem feltétlenül csak azt jelzi:

„Hibát találtam.”

Az ellenőrzési adat összekapcsolható azzal is, hogy:

melyik terméknél, mikor, melyik folyamatban és milyen eltérés jelentkezett.

Ez már nemcsak ellenőrzés.

Ez strukturált minőségügyi adat.

Miért lehet hatékony az AI a vizuális minőségellenőrzésben?

A hagyományos, szabályalapú képfeldolgozó rendszereknél jellemzően előre definiált kritériumok alapján történik az ellenőrzés.

Bizonyos hibák azonban nehezen írhatók le egyszerű szabályokkal.

Egy karcolás például:

  • különböző helyeken jelenhet meg,
  • eltérő hosszúságú lehet,
  • más szögből látszódhat,
  • eltérő fényviszonyok között más képet mutathat,
  • és nem minden esetben jelent ugyanakkora minőségi kockázatot.

A deep learning alapú megközelítések egyik fontos lehetősége, hogy megfelelő tanítóadat mellett komplexebb mintázatok felismerésére is alkalmasak lehetnek.

Akkor az AI kiváltja a minőségellenőrt?

Nem feltétlenül.

Sokkal valószínűbb, hogy a következő években megváltozik az ember és a technológia közötti munkamegosztás.

Az AI és a machine vision különösen erős lehet:

  • nagy ismétlésszámú feladatokban,
  • folyamatos ellenőrzésben,
  • mintázatok összehasonlításában,
  • nagymennyiségű adat kezelésében,
  • meghatározott eltérések következetes keresésében.

Az emberi minőségellenőr azonban olyan képességekkel rendelkezik, amelyek továbbra is meghatározóak.

Képes értelmezni a kontextust.

Észrevehet korábban nem tapasztalt problémákat.

Összekapcsolhat több különálló jelet.

És dönthet olyan helyzetekben is, amelyekre a rendszer nem rendelkezik megfelelő tanítóadattal vagy előre definiált reakcióval.

Éppen ezért talán nem az a megfelelő kérdés, hogy:

AI vagy ember?

Hanem az:

AI és ember – hogyan osszuk el közöttük megfelelően a feladatokat?

Az AI megtalálja a NOK darabot. Mi történik utána?

Ez az egyik legfontosabb kérdés.

Tegyük fel, hogy egy AI-alapú kamerarendszer felismer egy eltérést.

Mi történik ezután?

Megáll a folyamat?

Automatikusan elkülönítésre kerül a termék?

Ki dönti el, hogy valóban NOK-e?

Érintett lehet az előző 10, 100 vagy 1 000 termék?

Szükséges containment?

El kell indítani egy 100%-os válogatást?

Mi lehet a root cause?

Szükséges módosítani valamelyik gyártási paramétert?

Ezek jelentős része már nem egyszerű képfelismerési feladat.

Ez minőségügyi döntéshozatal.

A technológia önmagában még nem minőségbiztosítás

Egy fejlett AI-alapú kamerarendszer önmagában még nem jelent teljes minőségbiztosítási folyamatot.

A valódi érték akkor jelenik meg, ha a technológia kapcsolódik:

  • az egyértelmű OK/NOK kritériumokhoz,
  • a reakciótervhez,
  • a QMS-rendszerhez,
  • a traceability adatokhoz,
  • a gyártási információkhoz,
  • a containment folyamathoz,
  • és az emberi döntéshozatalhoz.

A rendszer megtalálhatja az eltérést.

De a szervezetnek tudnia kell, mit kezdjen vele.

A legnagyobb érték talán nem is maga a hibafelismerés

Az AI-alapú ellenőrzés hosszú távú értéke nem feltétlenül kizárólag abban rejlik, hogy gyorsabban találja meg a NOK terméket.

Hanem abban, hogy minden ellenőrzésből adat keletkezhet.

Ha ezt megfelelően összekapcsoljuk a gyártási információkkal, olyan mintázatok is felismerhetővé válhatnak, amelyek korábban kevésbé voltak láthatók.

Például:

egy adott hibakategória egyre gyakrabban jelenik meg;

egy folyamatparaméter változása után növekszik a NOK arány;

egy meghatározott beszállítói tételnél más hibaminta jelentkezik;

egy adott időszakban fokozatosan romlik valamelyik minőségi mutató.

Ebben az esetben a vizuális ellenőrzés már nem egyszerűen hibakeresés.

A folyamatfejlesztés egyik adatforrásává válik.

Az ember szerepe nem feltétlenül csökken – inkább átalakul

A monoton és nagy ismétlésszámú ellenőrzési feladatok egy részét egyre inkább támogathatja automatizáció.

Az ember szerepe pedig fokozatosan eltolódhat:

az egyszerű hibakereséstől az eltérések értelmezése, a komplex problémák vizsgálata, a reakciókezelés és a folyamatfejlesztés felé.

Ez nem csupán technológiai fejlődés.

Ez a minőségellenőri szerepkör fejlődése is lehet.

A jövő minőségellenőrzése valószínűleg hibrid lesz

A SICK AI-alapú 3D machine vision fejlesztése és a Rockwell Automation QMS–VisionAI integrációja is arra utal, hogy a mesterséges intelligencia egyre szorosabban kapcsolódhat a gyártási minőségbiztosítási folyamatokhoz.

De az AI egyik legnagyobb értéke valószínűleg nem az lesz, hogy lecseréli az embert.

Hanem az, hogy olyan eszközt ad a szakemberek kezébe, amely segítségével:

gyorsabban, következetesebben és több adat alapján hozhatnak minőségügyi döntéseket.

A jövő minőségellenőrzésében ezért nem feltétlenül az lesz a versenyelőny, hogy ki használ több mesterséges intelligenciát.

Hanem az, hogy ki tudja jobban összekapcsolni:

a technológiát, az adatot, a folyamatot és az emberi szakértelmet.

A Miell Qualitynél úgy gondoljuk, hogy az alkalmazott technológiától függetlenül az autóipari minőség alapvető célja nem változik:

a megfelelő termék jusson tovább – a nem megfelelő pedig ne.

Források

SICK – AI-powered 3D Quality Inspection with Nova Machine Vision Platform , 2026. augusztus 3.

Rockwell Automation – Rockwell Automation Integrates Plex QMS With FactoryTalk Analytics VisionAI to Advance AI-Driven Quality , 2026. augusztus 11.