Przemysłowe systemy kontroli wizyjnej dzielimy według kilku kryteriów: architektury sprzętowej, geometrii akwizycji obrazu, typu kamery, używanego spektrum światła oraz stosowanych algorytmów. Wybór odpowiedniego rodzaju systemu zależy od tempa linii, charakteru wykrywanych wad i wymagań środowiskowych.

W artykule znajdziesz przegląd wszystkich głównych klasyfikacji – od prostych czujników wizyjnych po systemy hiperspektralne i deep learning.

Klasyfikacja ze względu na architekturę sprzętową

Architektura sprzętowa to pierwsze kryterium, które pozwala podzielić rodzaje systemów wizyjnych na trzy główne grupy różniące się poziomem złożoności i możliwościami obliczeniowymi.

Czujniki wizyjne i proste czytniki

Czujniki wizyjne to najprostszy rodzaj przemysłowego systemu wizyjnego – realizują jedno, z góry zdefiniowane zadanie. Sprawdzają obecność elementu, wykrywają kontrast lub odczytują proste kody kreskowe 1D. Mają wbudowany procesor, ale jego moc obliczeniowa jest ograniczona. Konfiguracja odbywa się przez gotowe, uproszczone narzędzia programowe. Stosuje się je tam, gdzie zadanie jest powtarzalne, proste i nie wymaga żadnej elastyczności – np. wykrycie obecności nakrętki na linii pakowania.

Kamery inteligentne

Kamera inteligentna to zintegrowane urządzenie, w którym procesor, pamięć i oprogramowanie znajdują się bezpośrednio w obudowie kamery. Nie wymaga zewnętrznego komputera. Obsługuje bardziej złożone zadania niż prosty czujnik: weryfikację wymiarową, odczyt kodów 2D, kontrolę obecności wielu elementów, podstawowe pomiary geometryczne. Komunikuje się z PLC przez standardowe protokoły przemysłowe. To rozwiązanie sprawdza się w pojedynczych stanowiskach inspekcji, gdzie liczy się kompaktowość i szybki czas wdrożenia.

Systemy z oddzielnym kontrolerem lub PC

Zaawansowane systemy wizyjne z zewnętrznym kontrolerem lub komputerem przemysłowym oferują największą moc obliczeniową i elastyczność. Mogą obsługiwać wiele kamer jednocześnie, uruchamiać złożone algorytmy – w tym sieci neuronowe – oraz integrować dane z wielu źródeł. Tego rodzaju rozwiązania stosuje się w wielostanowiskowej kontroli jakości, inspekcji wieloaspektowej i aplikacjach z robotami.

Więcej o możliwościach takich rozwiązań znajdziesz na stronie systemów wizyjnych dla przemysłu.

Klasyfikacja ze względu na geometrię akwizycji obrazu

Geometria akwizycji obrazu określa, ile wymiarów przestrzennych obejmuje pomiar. To kryterium decyduje o tym, czy system wykryje tylko wady powierzchniowe, czy również błędy geometryczne w trzech wymiarach.

Systemy 2D

Systemy 2D rejestrują płaski obraz i analizują informacje o kształcie, kolorze, obecności i położeniu obiektów. Są najczęściej stosowanym typem w przemyśle. Nadają się do kontroli obecności i kompletności, odczytu kodów, weryfikacji etykiet i pomiaru wymiarów w płaszczyźnie. Ich ograniczeniem jest brak informacji o wysokości i głębokości obiektu.

Systemy 2.5D – profilometria laserowa

Systemy 2.5D mierzą profil wysokości obiektu za pomocą lasera liniowego i triangulacji. Kamera rejestruje odkształcenie linii laserowej, a oprogramowanie przelicza je na mapę wysokości. Sprawdzają się przy kontroli spoin, pomiaru wypukłości, weryfikacji uszczelek i detekcji brakujących elementów na złożonych powierzchniach. Nie budują pełnego modelu 3D – rejestrują wyłącznie profil w przekroju.

Systemy 3D

Systemy 3D tworzą pełny model przestrzenny obiektu, umożliwiając pomiary objętościowe i lokalizację w przestrzeni. Technologie obejmują: structured light (światło strukturalne), stereowizję, skanery laserowe 3D i kamery ToF (Time of Flight). Zastosowania to bin picking, pomiary objętości, kontrola geometrii złożonych detali i nawigacja robotów. Szczegółowe porównanie systemów 2D i 3D opisuje osobny artykuł – tutaj warto zaznaczyć, że wybór między nimi determinuje cały dobór sprzętu i oprogramowania. Systemy 3D obsługują nasze roboty przemysłowe i stanowiska zrobotyzowane.

Klasyfikacja ze względu na typ kamery

Typ matrycy kamery wpływa bezpośrednio na to, jakie obiekty i procesy można efektywnie kontrolować.

Kamery matrycowe (area scan)

Kamera matrycowa rejestruje pełną klatkę obrazu w jednym momencie. Jest standardowym wyborem dla obiektów o skończonych wymiarach, które zatrzymują się lub poruszają powoli. Oferuje prosty schemat akwizycji i szeroką dostępność oprogramowania. Parametry takie jak rozdzielczość matrycy, liczba klatek na sekundę i wielkość piksela determinują zdolność do wykrywania drobnych wad.

Kamery liniowe (line scan)

Kamera liniowa rejestruje obraz linia po linii, budując pełny obraz z ruchu obiektu. Jest niezastąpiona przy kontroli materiałów ciągłych – tkanin, folii, papieru, blachy, kabli – oraz przy inspekcji walcowych obiektów obracających się wokół własnej osi. Jeden sensor liniowy może mieć rozdzielczość od 1024 do ponad 16 000 pikseli w jednej linii, co daje bardzo wysoką rozdzielczość poziomą niezależnie od prędkości taśmy. Wadą jest konieczność precyzyjnej synchronizacji z prędkością ruchu obiektu.

Kamery wysokiej prędkości

Kamery wysokiej prędkości rejestrują setki lub tysiące klatek na sekundę, umożliwiając kontrolę szybkich procesów. Stosuje się je przy inspekcji produktów na szybkich liniach pakowania, kontroli procesów tłoczenia, spawania lub napełniania. Wymagają mocnego oświetlenia o krótkim czasie błysku, by uniknąć rozmycia ruchu.

Klasyfikacja ze względu na spektrum światła

Dobór spektrum to jeden z najważniejszych – i często niedocenianych – aspektów klasyfikacji systemów wizyjnych. Różne długości fal ujawniają różne typy wad.

• Światło widzialne (VIS, 400–700 nm) – standardowe zastosowania: kontrola kształtu, koloru, obecności, odczyt kodów. Dostępna szeroka gama kamer i oświetlaczy.
• Bliska podczerwień (NIR, 700–1000 nm) – ujawnia zanieczyszczenia organiczne niewidoczne w świetle widzialnym, pęknięcia w materiałach krzemowych, kontrola wilgotności w produktach spożywczych.
• Krótkofalowa podczerwień (SWIR, 1000–2500 nm) – wykrywanie wad w szkle, inspekcja tworzyw sztucznych, kontrola sortowania surowców wtórnych.
• Ultrafiolet (UV) – detekcja śladów klejów, lakierów, uszczelnień, pęknięć w materiałach ceramicznych i metalowych. Wady fluorescencyjne są widoczne tylko pod UV.
• Termowizja (IR termalna, 8–14 µm) – wykrywanie przegrzewających się elementów elektronicznych, kontrola szczelności, analiza rozkładu temperatury w procesach przemysłowych.
• Rentgen (X-ray) – inspekcja wnętrza produktów bez ich otwierania: wykrywanie ciał obcych w żywności, kontrola spoin, weryfikacja kompletności podzespołów elektronicznych.
• Systemy hiperspektralne – rejestrują pełne widmo dla każdego piksela obrazu. Wykrywają zanieczyszczenia chemiczne, rozwarstwienia materiałów, klasyfikują skład surowców. Drogie i wymagające obliczeniowo, ale niezastąpione tam, gdzie inne metody zawodzą.

Klasyfikacja ze względu na funkcję inspekcji

Podział według funkcji pozwala dobrać typ systemu do konkretnego zadania produkcyjnego.

• Kontrola obecności i kompletności – czy dany element istnieje i czy wszystkie komponenty są na miejscu.
• Weryfikacja wymiarowa – pomiar odległości, średnic, kątów z dokładnością rzędu dziesiątych części milimetra lub lepiej. Szczegółowe możliwości opisują maszyny pomiarowe i kontrolne.
• Kontrola powierzchni – wykrywanie rys, wgnieceń, plam, pęcherzy, odprysków lakieru.
• Odczyt kodów i OCR/OCV – identyfikacja produktów przez kody kreskowe 1D, kody 2D (DataMatrix, QR), weryfikacja treści nadruku.
• Lokalizacja i orientacja – wyznaczanie pozycji i kąta obiektu dla robota lub systemu transportowego.
• Inspekcja koloru – weryfikacja barwy produktu lub etykiety z uwzględnieniem tolerancji kolorystycznych.

Klasyfikacja ze względu na algorytmy przetwarzania

Wybór między klasycznymi algorytmami a sieciami neuronowymi to dziś jedno z kluczowych pytań przy projektowaniu systemów machine vision.

Klasyczne algorytmy opierają się na progowaniu, dopasowaniu wzorca (pattern matching), analizie blobów i pomiarach geometrycznych. Są deterministyczne, szybkie i łatwe do walidacji w środowiskach regulowanych (np. farmaceutyk, automotive). Wymagają jednak precyzyjnego sparametryzowania każdej reguły decyzyjnej. Zawodzą przy wadach o zmiennym wyglądzie – np. nieregularnych rysach, których nie można opisać prostym wzorcem.

Z kolei systemy oparte na sieciach neuronowych uczą się na podstawie przykładów zamiast ręcznych reguł. Sprawdzają się przy wadach trudnych do sparametryzowania, zmiennym oświetleniu, różnorodności produktów i klasyfikacji tekstur. Wymagają zestawu danych treningowych i więcej czasu na uruchomienie, ale po nauczeniu osiągają bardzo wysoką skuteczność detekcji. Nie zastępują one klasycznych algorytmów w każdej sytuacji – dobry system często łączy obie metody.

Tryby pracy systemu wizyjnego

Sposób integracji z procesem produkcyjnym determinuje wymagania dotyczące szybkości i sposobu komunikacji z resztą linii.

• In-line – system pracuje bezpośrednio na linii produkcyjnej, każdy produkt przechodzi przez punkt kontrolny. Wymaga krótkiego czasu cyklu i niezawodnej komunikacji z PLC.
• At-line – stanowisko kontrolne znajduje się obok linii. Produkty są losowo pobierane do kontroli. Czas cyklu jest mniej krytyczny, ale wyniki nie wpływają na każdy produkt z osobna.
• Off-line – kontrola odbywa się całkowicie poza linią, np. w laboratorium. Stosowana przy kosztownych lub precyzyjnych pomiarach, gdzie szybkość nie jest priorytetem.

Tryb in-line stosowany jest w liniach produkcyjnych z kontrolą wizyjną, gdzie każdy produkt musi być zweryfikowany przed dalszym przetwarzaniem.

Kluczowe kryteria doboru rodzaju systemu wizyjnego

Wybór właściwego rodzaju systemu powinien wynikać z analizy kilku czynników jednocześnie.

• Tempo linii i czas cyklu – decydują o wymaganej liczbie klatek na sekundę i typie kamery.
• Wymagana dokładność pomiaru – wyznacza minimalną rozdzielczość matrycy i dobór optyki.
• Charakter wad – wady geometryczne wymagają innego podejścia niż powierzchniowe czy ukryte wewnątrz produktu.
• Środowisko pracy – temperatura, wilgoć, zapylenie, mycie ciśnieniowe wpływają na klasę IP obudowy i typ uszczelnień.
• Sposób integracji – konieczność komunikacji z PLC, robotem lub systemem MES ogranicza wybór platform sprzętowych.

Jeśli system ma współpracować z robotem, warto zapoznać się z ofertą stanowisk zrobotyzowanych lub sprawdzić, co wchodzi w skład stanowiska zrobotyzowanego. Dobór platformy wykonawczej ma bezpośredni wpływ na wymagania wizyjne.

Masz wątpliwości, który rodzaj systemu pasuje do Twojej aplikacji? Skontaktuj się z nami –pomożemy dobrać rozwiązanie dopasowane do Twoich wymagań.

Najczęściej zadawane pytania

Czym różni się kamera inteligentna od systemu wizyjnego z osobnym kontrolerem PC?

Kamera inteligentna ma procesor i oprogramowanie wbudowane w obudowę, więc działa samodzielnie bez zewnętrznego komputera. Jest szybsza we wdrożeniu i zajmuje mniej miejsca. System z osobnym kontrolerem lub PC oferuje znacznie większą moc obliczeniową, obsługę wielu kamer i możliwość uruchamiania zaawansowanych algorytmów, w tym sieci neuronowych. Kamerę inteligentną wybiera się przy prostszych zadaniach i ograniczonej przestrzeni. System z kontrolerem – gdy zadanie jest złożone lub wymaga skalowania.

Kiedy w przemyśle stosuje się kamery liniowe zamiast matrycowych?

Kamery liniowe stosuje się przy inspekcji materiałów ciągłych lub obiektów o bardzo dużej powierzchni. Przykłady to kontrola folii, tkanin, papieru, blachy ze zwoju, a także inspekcja obrotowych elementów walcowych. Kamera liniowa buduje obraz z kolejnych linii zsynchronizowanych z ruchem obiektu. Daje bardzo wysoką rozdzielczość przy stosunkowo niskim koszcie matrycy. Kamera matrycowa nie sprawdzi się tu, bo albo rozdzielczość będzie zbyt niska, albo konieczne będzie użycie dziesiątek kamer.

Jakie typy wad można wykryć tylko w spektrum UV, IR lub przy użyciu rentgena?

Każde spektrum ujawnia inne typy wad niewidoczne w świetle białym. UV wykrywa ślady klejów, fluorescencyjnych środków uszczelniających i pęknięcia powierzchniowe w ceramice. NIR/SWIR pozwala zlokalizować wewnętrzne pęknięcia w krzemie, wilgoć w produktach spożywczych i zanieczyszczenia organiczne. Termowizja identyfikuje przegrzane elementy elektroniczne i nieszczelności termoizolacji. Rentgen wykrywa ciała obce wewnątrz produktów – metalowe odłamki w żywności, pustki w spoinach, braki w podzespołach zamkniętych obudowach.

Czy systemy wizyjne oparte na deep learning zastąpią klasyczne algorytmy przetwarzania obrazu?

Nie – deep learning uzupełnia klasyczne algorytmy, ale ich nie zastępuje. Klasyczne metody są deterministyczne, szybkie i łatwe do walidacji w branżach regulowanych, jak farmaceutyka czy motoryzacja. Deep learning sprawdza się przy wadach zmiennych wizualnie i trudnych do opisania regułami. W praktyce najskuteczniejsze systemy łączą obie metody: klasyczne algorytmy do zadań precyzyjnych i powtarzalnych, sieci neuronowe do klasyfikacji trudnych defektów.

Jaką klasę szczelności IP powinien mieć system wizyjny pracujący w przemyśle spożywczym?

W przemyśle spożywczym minimalnym wymaganiem jest klasa IP65, a w strefach mokrych i przy myciu ciśnieniowym – IP67 lub IP69K. IP65 zapewnia ochronę przed strumieniami wody z każdego kierunku. IP67 dodaje odporność na chwilowe zanurzenie. IP69K to najwyższy standard – odporność na mycie gorącą wodą pod wysokim ciśnieniem. Obudowa musi być wykonana ze stali nierdzewnej lub tworzywa dopuszczonego do kontaktu z żywnością. Dobór niewłaściwej klasy IP to jeden z najczęstszych błędów przy wdrożeniach w sektorze spożywczym i farmaceutycznym.