Malaysia ada lebih 45,000 syarikat pembuatan dalam kategori SME — majoriti dalam sektor electrical & electronics, food processing, rubber & plastics, dan textile. Hampir semua dorang ada satu benda yang sama: QC yang masih bergantung pada inspector manusia yang penat, yang ada bad days, dan yang susah nak scale bila order naik.
Ini bukan kritik terhadap pekerja. Ia adalah had biologi yang genuine. Seorang inspector yang tengok 500 unit per jam selama lapan jam akan miss lebih banyak defect pada jam ketujuh berbanding jam pertama. Model computer vision tak kenal penat. Dia perform sama pada minit pertama dan minit ke-empat ratus lapan puluh.
Soalannya bukan sama ada computer vision berguna untuk manufacturing — ia memang berguna. Soalannya adalah bila ia make sense untuk kilang korang specifically, dan apa yang perlu ada sebelum boleh implement dengan betul.
Macam mana QC manual sebenarnya jalan sekarang
Sebelum boleh argue untuk AI, kena faham dahulu apa yang AI nak replace atau augment. Setup QC manual yang typical dalam SME kilang Malaysia nampak macam ni:
- Visual inspection on conveyor atau bench — inspector pegang atau tengok unit, identify defect secara visual. Kelajuan bergantung pada complexity product dan experience inspector. Typical range: 200–600 units per hour per inspector bergantung pada industri.
- Sampling-based, bukan 100% inspection — kebanyakan SME tak check every unit. Dorang check satu dalam sepuluh, atau satu dalam lima puluh. Defect yang lepas sampling akan sampai kepada customer.
- Subjective pass/fail criteria — "scratch yang acceptable" versus "scratch yang reject" seringkali bergantung pada judgment inspector tu, bukan standard yang written down dan measurable secara objektif.
- Shift handover problem — inspector pagi dan inspector malam mungkin ada threshold yang berbeza tanpa sedar. Reject rate yang inconsistent antara shift adalah symptom masalah ni.
- No data trail — defect jenis apa yang paling kerap? Kat bahagian mana dalam production line dia paling banyak berlaku? Bila peak time untuk defect? Kebanyakan kilang tak ada answer untuk soalan-soalan ni.
Masalah terakhir tu — tiada data trail — adalah yang paling underrated. Kalau korang tak tahu defect apa yang paling kerap dan dari mana ia datang, korang tak boleh fix root cause. Korang hanya boleh catch symptom kat hujung line. Computer vision solve ni bukan sahaja dengan detect defect, tapi dengan log setiap defect dengan timestamp, lokasi dalam line, dan defect category — data yang boleh feed balik kepada process improvement.
Apa yang computer vision sebenarnya buat
Computer vision untuk manufacturing QC bukan sekadar "AI yang tengok gambar dan cakap ok atau tak ok." Ada beberapa distinct capabilities yang relevan untuk industri ini, dan pilihan mana satu untuk implement bergantung pada use case korang.
Defect classification
Model dilatih untuk classify jenis defect — scratch, dent, discoloration, missing component, misalignment. Input adalah image atau video frame dari camera yang dipasang atas line. Output adalah classification dengan confidence score dan bounding box menunjukkan lokasi defect dalam image.
Tool yang kami recommend untuk SME starting point: YOLOv8 (You Only Look Once, versi 8). Ia adalah object detection model yang boleh run real-time pada GPU consumer-grade — bermakna korang tak perlu server enterprise. Sebuah NVIDIA RTX 4060 yang kos dalam RM1,500–2,000 boleh handle inference untuk kebanyakan line speed kilang SME.
Dimensional inspection
Guna camera dengan calibration untuk measure dimension produk secara optik — panjang, lebar, diameter, jarak antara component. Berguna untuk part yang ada tolerance yang ketat di mana measurement dengan calliper manual terlalu perlahan untuk 100% inspection.
Anomaly detection
Berbeza dari defect classification — anomaly detection train model pada gambar produk yang bagus sahaja, kemudian flag apa-apa yang nampak berbeza dari baseline. Berguna bila korang ada banyak jenis defect yang possible tapi susah nak label semua, atau bila korang nak catch defect baru yang korang tak pernah nampak sebelum ni.
Mana satu untuk kilang korang? Kalau defect korang boleh di-categorise dengan jelas dan ada historical images — mula dengan defect classification menggunakan YOLOv8. Kalau defect korang varied dan susah nak label, atau korang dalam industri di mana defect type berubah-ubah — consider anomaly detection menggunakan PatchCore atau FastFlow. Dua-dua boleh run pada hardware yang affordable.
Cara ia kerja: dari camera sampai keputusan
Apa yang perlu ada sebelum boleh implement
Ini bahagian yang ramai skip tapi paling penting. Computer vision untuk manufacturing bukan plug-and-play. Ada prerequisites yang genuine yang kalau tak ada, project akan fail walaupun technology dia betul.
Data — minimum 500 labelled images per defect category
Ini adalah bottleneck yang paling kerap kami nampak. Untuk train YOLOv8 yang boleh generalise dengan baik, korang perlukan labelled images yang cukup untuk setiap defect type yang nak di-detect. Practical minimum adalah 500 images per category, dan lebih baik 1,000+. Images kena cover variation — lighting berbeza, orientation berbeza, severity berbeza.
Kalau korang tak ada historical defect images yang labelled, korang perlu collect dulu — yang bermakna run manual inspection untuk tempoh tertentu sambil save dan label images. Ini boleh ambil masa beberapa bulan sebelum ada data yang cukup untuk train model yang useful.
Consistent lighting dan camera setup
Model yang ditraining dalam satu lighting condition akan perform teruk bila lighting berubah. Ini bukan masalah AI — ia adalah physics. Kilang yang ada window lighting yang berubah ikut masa dalam sehari, atau yang ada multiple inspection stations dengan lighting berbeza, perlu standardize lighting sebelum deploy computer vision.
Minimum setup: diffuse LED ring light atau backlight yang consistent, camera dengan fixed focus dan exposure, dan housing yang shield inspection area dari ambient light variation. Budget untuk ini: RM2,000–8,000 bergantung pada setup complexity.
Defined defect criteria dalam bahasa yang measurable
Kalau inspectors sekarang pun tak boleh agree apa yang "scratch yang acceptable" bermaksud, model pun tak akan boleh learn definisi yang consistent. Sebelum collect training data, kena ada written defect criteria yang inspectors boleh apply secara consistent. Ini kerja process engineering, bukan kerja AI.
IT/OT integration pathway
Computer vision system kena sambung kepada sesuatu — sama ada physical rejector pada conveyor, SCADA system, MES, atau sekurang-kurangnya sebuah dashboard yang operator boleh monitor. Pastikan ada orang dalam organisasi yang boleh handle integration ni, atau plan untuk perlukan external integrator.
| Prerequisite | Kenapa penting | Masa untuk prepare |
|---|---|---|
| Labelled defect images (500+ per category) | Model tak boleh learn apa yang dia tak nampak | 1–4 bulan collection + labelling |
| Consistent lighting setup | Lighting variation = false positives yang tinggi | 1–3 minggu setup + validation |
| Written defect criteria | Ambiguous criteria = inconsistent training labels | 1–2 minggu dengan QC team |
| IT/OT integration plan | Tanpa integration, system jadi standalone island | Bergantung pada complexity sistem sedia ada |
| Champion dalam organisasi | Perlu ada orang yang own system post-deployment | Identify sebelum start project |
ROI framework — nombor yang korang boleh apply sendiri
Ini bukan projection yang kami bagi. Ia adalah calculation method yang korang boleh isi dengan nombor sebenar dari kilang korang.
Contoh: Kilang plastic component, 1 line, 2 shifts, 400 units/jam per shift
Ganti nombor dalam calculator ni dengan angka sebenar kilang korang — output per hari, defect rate semasa, kos per returned unit, dan gaji inspector. Kalau payback period lebih dari 18 bulan, mungkin ada higher-ROI automation yang patut di-prioritise dulu.
Satu caveat penting: Jangan assume inspector yang di-redeploy tu adalah pure saving. Ada kilang yang lebih bijak guna dorang untuk final assembly check atau customer-facing QA yang memerlukan judgment yang computer vision tak boleh buat. Inspector experience adalah asset — redeploy dengan strategik, bukan sekadar kurang headcount.
Apa yang computer vision tak boleh buat (lagi)
Artikel ni tak akan lengkap tanpa bahagian ni.
Defect yang melibatkan touch, smell, atau sound — computer vision adalah visual only. Produk yang ada internal defect yang tak nampak dari luar, atau yang kena test secara functional, perlukan pendekatan lain.
Highly reflective atau transparent surfaces — cermin, chrome-plated parts, clear plastic — semua ni adalah challenge untuk camera-based inspection sebab lighting reflections create artifact yang confuse model. Ada technique untuk handle ni (polarised lighting, structured light) tapi ia tambah complexity dan cost.
Defect criteria yang subjective dan context-dependent — "cosmetic defect yang acceptable untuk grade B product tapi reject untuk grade A" adalah decision yang memerlukan context yang computer vision susah nak encode tanpa significant engineering effort.
Low-volume, high-mix production — kalau kilang korang buat 50 jenis product yang berbeza dengan run size kecil setiap satu, training model untuk setiap product type adalah mahal dari segi data dan development time. Computer vision paling make sense untuk high-volume, low-mix scenarios.
Takeaway
Computer vision untuk manufacturing QC adalah proven technology — bukan experimental. Kilang besar dah guna ia selama bertahun. Yang berubah sekarang adalah kos hardware, accessibility of tools seperti YOLOv8, dan availability of expertise yang membolehkan SME implement tanpa kena belanja macam enterprise.
Tapi "boleh implement" dan "patut implement sekarang" adalah dua benda berbeza. Audit kilang korang dulu: ada ke data defect yang cukup? Lighting consistent ke? Defect criteria dah written down ke? Kalau jawapan untuk ketiga-tiga tu adalah ya — korang mungkin sudah ready untuk start. Kalau tidak, kerja prerequisites dulu. Ia bukan delay — ia adalah investment dalam probability that the implementation actually works.