Bagaimana AI Merevolusi Visi Mesin:Wawasan dari Para Pemimpin Industri

Kecerdasan buatan mengubah visi mesin dengan memungkinkan sistem menafsirkan informasi visual yang kompleks dengan kecepatan dan akurasi serta mempelajari dan meningkatkan pengenalan visual. Didorong oleh AI multimodal, model generatif, dan sistem AI agen, visi mesin modern beralih dari serangkaian algoritme menjadi ekosistem persepsi cerdas yang lengkap.

Dengan beralih dari pemeriksaan yang kaku dan berbasis aturan ke sistem visi yang dapat dilatih dengan sejumlah kecil sampel gambar, organisasi dapat menerapkan solusi dengan lebih cepat dan dengan fleksibilitas yang lebih besar. Evolusi ini mendorong keuntungan terukur di berbagai industri utama — memungkinkan produsen otomotif mendeteksi cacat perakitan lebih awal, perusahaan dirgantara dapat memvalidasi komponen kompleks dengan presisi lebih tinggi, pabrik semikonduktor dapat mengidentifikasi anomali mikroskopis secara real-time, produsen perangkat medis dapat memastikan konsistensi dan kepatuhan, dan produsen elektronik konsumen dapat mempercepat kontrol kualitas dalam skala besar.

Dalam fitur khusus ini, kami bertanya kepada tiga pakar industri — Eric Carey, CTO, Teledyne DALSA, Brian Benoit, Director of Advanced Vision Products di Cognex, dan Ron Jubis, President of Sales, Amerika Utara dan Managing Director SICK, Inc.— untuk berbagi pemikiran mereka tentang dampak AI pada visi mesin, tantangan yang muncul dan praktik terbaik, serta keandalan inspeksi visual berbasis AI.

Ringkasan Teknis: Pergeseran transformatif apa yang didorong oleh AI dalam visi mesin dan bagaimana perubahan ini mendefinisikan ulang kemampuan di berbagai sektor industri?

Eric Carey: Evolusi AI industri mewakili perubahan mendasar dari sistem yang kaku dan berbasis aturan menjadi kecerdasan agen yang otonom. Secara historis, pengendalian kualitas bergantung pada algoritma pemrosesan gambar yang dikodekan secara keras (hard-coded) yang memerlukan pemrograman manual untuk setiap cacat — sebuah proses kuantitatif yang tepat secara matematis namun rapuh secara fungsional. Transisi ke pembelajaran mendalam memperkenalkan pendekatan yang lebih kualitatif, memungkinkan mesin meniru penilaian berbeda dari para ahli di bidangnya. Dengan melatih kumpulan data gambar yang luas — atau memanfaatkan “kumpulan emas” untuk pembelajaran tanpa pengawasan — sistem ini dapat beradaptasi dengan variabel lingkungan seperti perubahan pencahayaan. Untuk mengatasi kelangkaan anomali di dunia nyata, AI generatif kini mensintesis simulasi cacat langka untuk meningkatkan pelatihan model. Kita kini memasuki era AI agen, di mana sistem memantau alur produksi secara mandiri untuk mengantisipasi dan memitigasi masalah sebelum terjadi. Penerapan kemampuan ini di pabrik memerlukan AI yang canggih, memastikan pemrosesan lokal untuk menghilangkan latensi, dan menjaga ketahanan operasional secara real-time.

Brian Benoit: AI mempercepat peralihan dari inspeksi yang kaku dan berbasis aturan ke sistem visi yang dapat dilatih melalui contoh dengan sejumlah kecil gambar sampel dan yang beradaptasi dengan variabilitas dalam tampilan produk, pencahayaan, dan pengemasan. Model AI tingkat lanjut kini hanya melatih sedikit gambar dan dapat berjalan pada perangkat edge ringkas yang dilengkapi dengan NPU atau GPU. Hasilnya, penerapan menjadi lebih cepat, sederhana, dan lebih mudah diakses. Di seluruh industri, manfaatnya sangat besar. Otomotif, ruang angkasa, semikonduktor, dan elektronik konsumen mengandalkan visi AI untuk pemeriksaan presisi tinggi, sementara operasi logistik menggunakannya untuk menangani variabilitas SKU yang besar dan memungkinkan ketertelusuran otomatis. Ketika pabrik menjadi lebih terhubung secara digital, sistem visi AI dilatih dengan gambar dan data sensor yang representatif, sehingga mendorong tingkat otomatisasi, efisiensi, dan kualitas yang lebih tinggi. Penerapannya semakin cepat secara global karena produsen menghadapi meningkatnya kompleksitas, kendala tenaga kerja, dan permintaan rantai pasokan yang terus berubah.

Ron Jubis: AI mendorong visi mesin dari inspeksi yang kaku dan berbasis aturan menuju sistem yang adaptif dan berbasis contoh. Perangkat edge modern dapat melatih dan menjalankan model pembelajaran mendalam secara langsung di perangkat, sehingga mengurangi kerumitan penyiapan dan memungkinkan konfigurasi ulang dengan cepat seiring perubahan produk atau proses. Kemajuan ini mendukung inspeksi resolusi berkecepatan tinggi dan memungkinkan tim dengan berbagai tingkat keterampilan untuk menerapkan aplikasi visi yang canggih. Selain inspeksi tetap, persepsi 3D yang didukung AI juga meningkatkan penghindaran tabrakan dan pemahaman lingkungan pada mesin bergerak dan luar ruangan, yang menggambarkan tren yang lebih luas di mana visi mesin menyatu dengan keselamatan, otonomi, dan optimalisasi alur kerja di seluruh sektor.

Ringkasan Teknis: Bagaimana kemajuan dalam pembelajaran mendalam dan AI generatif membentuk kembali kemampuan deteksi cacat dalam sistem visi mesin?

Eric Carey: Transisi dari pemrosesan gambar berbasis aturan ke pembelajaran mendalam menandai lompatan penting dalam kelincahan manufaktur. Secara historis, deteksi cacat memerlukan insinyur khusus untuk memprogram algoritma yang kaku secara manual — sebuah proses yang memakan waktu dan sulit untuk diukur. Saat ini, model pembelajaran mendalam telah mendemokratisasi alur kerja ini, menggantikan pengkodean kompleks dengan siklus pelatihan yang cepat dan intuitif. Pergeseran ini mempercepat penerapan dan memastikan sistem cukup fleksibel untuk beradaptasi terhadap perubahan parameter produksi secara real-time. Sistem yang digerakkan oleh AI menawarkan ketahanan operasional yang unggul. Sistem visi tradisional terkenal rapuh, sehingga memerlukan lingkungan yang sangat konsisten untuk menghindari hasil negatif palsu. Sebaliknya, model pembelajaran mendalam unggul dalam menangani variabilitas dunia nyata. Dengan melatih kumpulan data yang beragam, sistem ini menjadi tahan terhadap fluktuasi lingkungan, seperti perubahan pencahayaan atau perubahan posisi atau skala kecil. Transisi dari persyaratan “piksel sempurna” ke kecerdasan yang dapat disesuaikan memastikan akurasi yang lebih tinggi dan pemeliharaan yang lebih rendah, sehingga memungkinkan kami untuk fokus pada penskalaan strategis daripada kalibrasi ulang algoritmik yang konstan.

Brian Benoit: Visi mesin tidak lagi bergantung pada aturan yang diprogram dengan susah payah. Model AI modern melatih gambar spesifik aplikasi — yang diambil secara online, dihasilkan secara sintetis, atau keduanya — sehingga model tersebut dapat menangani variabilitas produksi nyata dan mendeteksi cacat yang halus dan sulit ditentukan dengan konsistensi yang jauh lebih besar. Karena sistem ini sering kali hanya memerlukan sejumlah kecil gambar nyata, dan AI generatif dapat menciptakan varian yang realistis, sistem ini memerlukan lebih sedikit kumpulan data besar dan berlabel serta dapat diterapkan lebih cepat. Pembelajaran mendalam juga membuat inspeksi menjadi lebih akurat dan adaptif. Ini membantu sistem membedakan cacat kritis dari variasi kosmetik yang tidak berbahaya, beroperasi dengan andal pada jalur berkecepatan tinggi, dan menjaga presisi meskipun terjadi perubahan dalam pencahayaan, pengemasan, atau material. Dengan mengidentifikasi pola-pola yang muncul sejak dini, inspeksi berbasis AI menjadi lebih prediktif dan proaktif. Seiring dengan semakin matangnya kemampuan ini, produsen dapat mengharapkan hasil yang lebih tinggi, kesalahan penolakan yang lebih sedikit, dan efisiensi yang lebih besar melalui kontrol kualitas yang lebih cerdas dan tangguh.

Ron Jubis: Deteksi cacat menggunakan pembelajaran mendalam untuk mengenali pola cacat yang halus, bervariasi, atau tidak teratur yang sulit diatasi oleh aturan tradisional. Riset industri menunjukkan jaringan saraf modern meningkatkan akurasi dan ketahanan di berbagai ukuran dan tekstur cacat. AI Generatif semakin meningkatkan kinerja dengan mengurangi ketergantungan pada kumpulan data berlabel besar, memungkinkan pembelajaran dan pembuatan data sintetis untuk jenis kerusakan yang jarang terjadi. Jika digabungkan, tren-tren ini mengurangi kesalahan positif, meningkatkan lokalisasi fitur, dan membuat pemeriksaan real-time lebih mudah dilakukan pada platform komputasi edge.

Ringkasan Teknis: Saat produsen mengintegrasikan sistem visi AI berbasis 3D, hiperspektral, dan edge, tantangan apa yang muncul dalam memastikan keandalan data, kontrol latensi, dan interoperabilitas sistem di lingkungan OT/IT lama?

Eric Carey: Integrasi pencitraan 3D dan hiperspektral menghasilkan kumpulan data berdimensi tinggi yang secara eksponensial meningkatkan kebutuhan throughput data. Meskipun platform cloud menyediakan skala untuk memproses volume informasi ini, platform tersebut masih belum memenuhi persyaratan latensi milidetik yang penting untuk operasi industri secara real-time. Akibatnya, arsitektur berbasis edge harus diterapkan di dekat sensor untuk memastikan pemrosesan yang cepat. Namun, perubahan ini mengungkap kendala mendasar dalam sistem industri lama, yang tidak dirancang untuk aliran data berkecepatan tinggi. Ketidakcocokan ini sering kali mengakibatkan kemacetan jaringan dan potensi kelebihan beban pada node komputasi tepi. Selain itu, kesenjangan protokol yang signifikan masih ada antara perangkat keras lama dan sistem visi modern. Untuk menjembatani hal ini memerlukan adaptasi data yang canggih — menyelaraskan format, stempel waktu, dan sinyal perintah yang berbeda melalui penerjemah protokol khusus. Mengelola tantangan interoperabilitas ini secara efektif sangat penting untuk menjaga ketahanan operasional dan memastikan visi mesin yang canggih dapat berhasil diperluas ke seluruh lingkungan lama.

Brian Benoit: Mengintegrasikan sistem visi AI berbasis 3D, hiper-spektral, dan edge menghadirkan tantangan nyata seputar keandalan data, latensi waktu nyata, dan interoperabilitas dengan infrastruktur OT/TI yang lama. Data sensor berdimensi tinggi memerlukan saluran pipa yang disinkronkan secara ketat untuk memastikan bahwa wawasan inspeksi tetap selaras dengan kontrol produksi, terutama di lingkungan berkecepatan tinggi. Pemrosesan tepi mengurangi latensi, namun juga meningkatkan kebutuhan akan kalibrasi yang disiplin, antarmuka terstandarisasi, dan manajemen siklus hidup model yang konsisten untuk menjaga akurasi di seluruh shift, kondisi, dan fasilitas. Hambatan terbesarnya adalah banyak sistem lama yang tidak dibangun untuk menangani volume data, ekspektasi keamanan, atau determinisme yang dituntut oleh visi AI modern. Untuk mengatasi hal ini memerlukan jaringan industri yang skalabel, protokol komunikasi umum, dan lapisan data terstruktur yang menjembatani operasi pabrik dengan sistem perusahaan. Ketika fondasi ini diterapkan, produsen dapat menerapkan sistem visi canggih dengan percaya diri tanpa mengganggu alur kerja yang ada.

Ron Jubis: Produsen menghadapi peningkatan tuntutan terhadap fitur-fitur ini. Hal ini sangat relevan karena semakin banyak pabrik yang memadukan sistem fieldbus lama dengan arsitektur berbasis Ethernet yang lebih baru. Peran SICK dalam lanskap ini berpusat pada perancangan sensor dan platform visi yang beroperasi secara native di edge sekaligus mendukung standar interoperabilitas industri yang sedang berkembang ini. Sensor kami menggunakan Ethernet industri standar, CAN, REST API, dan protokol komunikasi lainnya, membantu menjembatani inspeksi berbasis AI tingkat lanjut atau persepsi 3D dengan lingkungan otomatisasi yang ada. Hal ini memastikan produsen dapat mengadopsi sistem visi dengan kompleksitas lebih tinggi tanpa mengganggu arsitektur kontrol yang sudah ada.

Ringkasan Teknis: Bagaimana sistem inspeksi dan deteksi anomali yang didukung AI memengaruhi pengambilan keputusan di pabrik, dan bagaimana tim teknisi memvalidasi model ini untuk memenuhi persyaratan kualitas, keselamatan, dan peraturan yang ketat?

Eric Carey: Visi mesin sedang bertransisi dari inspeksi pasca produksi yang pasif menjadi penggerak kontrol proses yang dinamis. Selain hanya mengidentifikasi cacat, sistem AI modern menganalisis tren produksi untuk mendeteksi penyimpangan proses yang halus, memungkinkan strategi pemeliharaan prediktif proaktif yang meminimalkan waktu henti dan mengoptimalkan hasil. Namun, sifat AI yang probabilistik menimbulkan hambatan regulasi dan operasional yang penting. Karena model menghasilkan skor keyakinan, bukan kepastian biner, maka kemampuan menjelaskan sangat penting untuk kepatuhan. Alat-alat seperti peta panas memberikan transparansi yang diperlukan dengan memvisualisasikan alasan di balik keputusan penolakan, sementara kasus-kasus yang ambigu dan tidak meyakinkan diteruskan ke para ahli di bidangnya untuk validasi langsung. Selain itu, penerapan model pembelajaran berkelanjutan menghadapi tantangan sertifikasi yang signifikan. Dalam lingkungan yang diatur, pembaruan model apa pun dapat memicu proses sertifikasi ulang wajib, meskipun perangkat keras yang mendasarinya tetap statis. Mengatasi ketegangan antara pengoptimalan AI yang berulang dan standar industri yang kaku kini menjadi prioritas utama untuk mempertahankan inovasi dan kepatuhan operasional.

Brian Benoit: Inspeksi AI secara real-time memberikan tim produksi di pabrik visibilitas lebih awal terhadap masalah-masalah yang muncul, sehingga memungkinkan pengambilan keputusan yang lebih cepat dan tepat. Dalam industri yang mengutamakan presisi dan ketertelusuran, wawasan awal ini membantu mengidentifikasi potensi masalah kualitas sebelum mencapai ambang batas kritis. Daripada menunggu pemeriksaan akhir, deteksi anomali yang digerakkan oleh AI menampilkan pola yang tidak biasa saat terjadi, sehingga memungkinkan produsen untuk melakukan intervensi lebih cepat. Sinyal-sinyal ini juga memperkuat perencanaan pemeliharaan, penjadwalan, dan stabilitas proses secara keseluruhan. Untuk memvalidasi model ini dan memastikan konsistensi, tim teknik menggabungkan pengujian statistik, validasi silang, kumpulan data tahan, dan uji coba produksi di dunia nyata. Keluaran dari pemeriksaan ini harus dapat diukur, diulang, dan diaudit. Dengan memasukkan AI ke dalam proses pengendalian perubahan dan kualitas yang ada, serta memastikan model dapat dijelaskan dan didokumentasikan dengan baik, produsen memperoleh peningkatan hasil produksi yang dimungkinkan oleh AI dan kepercayaan yang diperlukan untuk pengambilan keputusan di tingkat pabrik.

Ron Jubis: AI mengubah keputusan di pabrik dari inspeksi berkala menjadi evaluasi tingkat komponen yang berkelanjutan. Dengan menghasilkan klasifikasi atau skor anomali secara real-time, visi mesin semakin mendukung pengendalian langsung, penyesuaian otomatis, dan ketertelusuran kualitas. Untuk sistem seluler dan otonom, deteksi orang/objek berbasis AI menambah kesadaran lingkungan sehingga meningkatkan keselamatan operasional. Tim teknik memvalidasi model ini melalui pemeriksaan keterwakilan data, operasi mode bayangan, dan dokumentasi siklus hidup. Pemantauan terus-menerus terhadap penyimpangan dan penilaian kemampuan menjelaskan menjadi bagian integral untuk memenuhi ekspektasi kualitas, keselamatan, dan peraturan.

Ringkasan Teknis: Apakah ada praktik atau standar terbaik yang Anda lihat membantu produsen membangun transparansi dan kepercayaan dalam inspeksi visual berbasis AI?

Eric Carey: Standar ISO yang baru semakin mendefinisikan lanskap tata kelola AI, sehingga memerlukan kerangka penerapan yang transparan dan andal. Praktik terbaik yang utama adalah AI yang Dapat Dijelaskan (XAI); memanfaatkan alat seperti peta panas memungkinkan sistem memvisualisasikan piksel spesifik yang mendorong pengambilan keputusan, yang kemudian dapat diaudit oleh pakar di bidangnya untuk mengetahui keakuratannya. Selain itu, pengujian bayangan menawarkan jalur validasi berisiko rendah. Dengan menjalankan AI dalam mode “senyap” bersama dengan sistem visi lama, organisasi dapat membandingkan keputusan otomatis AI dengan tolok ukur yang telah ditetapkan. Hal ini memastikan keandalan model dan membangun kepercayaan operasional sebelum model diterapkan secara aktif untuk mengontrol proses produksi.

Brian Benoit: Ketika visi AI menjadi lebih mampu dan lebih mudah diterapkan, praktik-praktik terbaik pun bermunculan. Hal ini dimulai dengan tata kelola kumpulan data yang disiplin dan jalur pelatihan yang dapat direproduksi:mendokumentasikan sumber data, memvalidasi model dalam beragam kondisi dunia nyata, dan memelihara log perubahan yang dapat dilacak untuk mendukung kemampuan audit. Produsen juga memperluas kerangka kualitas yang sudah ada, termasuk sistem berbasis ISO, untuk menerapkan kontrol siklus hidup khusus AI. Pos pemeriksaan yang melibatkan manusia tetap penting, terutama selama penerapan awal atau dalam aplikasi yang berdampak pada keselamatan atau peraturan. Pelaporan pengecualian yang jelas dan alat penjelasan membantu operator memahami alasan sistem mengambil keputusan tertentu. Kelompok industri juga melakukan pekerjaan penting dalam menyusun pedoman seputar AI yang bertanggung jawab dan dapat dijelaskan di lingkungan industri.

Ron Jubis: Organisasi seperti Organisasi Internasional untuk Standardisasi (ISO) dan Institut Nasional Standar dan Teknologi (NIST) beralih ke kerangka tata kelola AI formal untuk memastikan bahwa sistem inspeksi berbasis AI bersifat transparan dan dapat diaudit. ISO/IEC 42001 menetapkan pendekatan sistem manajemen untuk penerapan AI yang bertanggung jawab, mengatasi masalah seperti kualitas data, pengendalian risiko, dan ketertelusuran. ISO/IEC 5338 memberikan panduan siklus hidup terstruktur, memperkuat praktik seperti dokumentasi kumpulan data, protokol pengujian, dan manajemen perubahan. Selain itu, standar AI NIST menambahkan panduan lebih lanjut mengenai evaluasi kinerja, mitigasi bias, dan implementasi yang aman. Di seluruh industri, kerangka kerja ini menjadi landasan untuk membangun kepercayaan terhadap peraturan dalam inspeksi otomatis.

Ringkasan Teknis: Visi mesin bertenaga AI telah melampaui manufaktur tradisional dan kini diadopsi di berbagai sektor seperti dirgantara, otomotif, dan elektronik. Industri manakah yang saat ini memimpin penerapan sistem visi mesin berbasis AI dan apakah Anda melihat penerapannya akan meningkat dalam lima tahun ke depan?

Eric Carey: Sektor elektronik dan semikonduktor berada di garis depan dalam penerapan visi mesin berbasis AI, yang diperlukan karena adanya persyaratan pencitraan resolusi tinggi untuk mengidentifikasi cacat mikroskopis. Dalam industri yang bercirikan margin sempit, meningkatkan hasil produk melalui deteksi presisi di awal proses produksi akan secara signifikan meningkatkan profitabilitas secara keseluruhan. Dalam industri otomotif, AI digunakan secara luas di jalur perakitan untuk penyelarasan komponen berbasis 3D dan pemeriksaan kualitas cat otomatis. Selain itu, sektor ini beralih ke Sistem Bantuan Pengemudi Tingkat Lanjut (ADAS), yang memanfaatkan AI untuk mengubah kendaraan menjadi perangkat visi mesin seluler yang menganalisis lingkungan jalan secara real-time. Meskipun sebagian besar sektor manufaktur secara bertahap mengintegrasikan AI ke dalam alur kerja mereka, sektor elektronik, semikonduktor, dan otomotif saat ini memimpin dalam hal ini. Penerapan awal sistem ini menggarisbawahi pergeseran industri yang lebih luas di mana sistem visi cerdas tidak lagi bersifat opsional namun penting untuk mempertahankan keunggulan kompetitif dalam lingkungan produksi dengan presisi tinggi dan volume tinggi.

Brian Benoit: Sektor-sektor yang disebutkan di atas – bersama dengan semikonduktor, pengemasan, dan logistik volume tinggi – merupakan sektor yang paling banyak diadopsi, didorong oleh proses perakitan yang kompleks dan kebutuhan akan presisi tinggi. Produsen otomotif menggunakan visi AI untuk memverifikasi komponen penting keselamatan dalam skala besar. Perusahaan dirgantara menerapkannya pada inspeksi permukaan dan penelusuran. Produsen semikonduktor dan elektronik mengandalkannya untuk pemeriksaan wafer, cetakan, dan fitur halus. Operasi logistik menggunakan pemindaian cerdas untuk meningkatkan hasil dan memungkinkan ketertelusuran ujung ke ujung. Selama lima tahun ke depan, adopsi akan meluas dan dipercepat. Kemajuan dalam arsitektur jaringan saraf dan perangkat edge yang ringkas akan membuat visi AI semakin mudah diterapkan. Industri-industri terkemuka akan semakin bergantung pada teknologi ini, dan seiring dengan menyusutnya kebutuhan data dan sistem beradaptasi lebih baik terhadap variabilitas dunia nyata, penerapan ilmu hayati, energi terbarukan, dan barang-barang konsumsi yang bergerak cepat akan semakin meluas. Biaya yang lebih rendah dan integrasi yang lebih sederhana akan membawa produsen kecil ikut serta, menjadikan visi berbasis AI sebagai lapisan dasar otomasi industri modern.

Ron Jubis: Manufaktur otomotif, elektronik, dan semikonduktor terus memimpin penerapan visi mesin AI, didorong oleh persyaratan kualitas yang ketat, hasil produksi yang tinggi, dan kebutuhan akan pemeliharaan prediktif di seluruh lini produksi yang terintegrasi erat. Pabrik otomotif mempercepat penggunaan sistem inspeksi dan persepsi yang didukung AI sebagai bagian dari peralihan yang lebih luas menuju sel produksi otonom dan proses perakitan yang semakin fleksibel. Di seluruh industri, AI diintegrasikan ke dalam inspeksi pengelasan, evaluasi permukaan, verifikasi perakitan, dan pemeriksaan kualitas akhir, yang semuanya memanfaatkan pembelajaran mendalam dan putaran umpan balik secara real-time.

Artikel ini ditulis oleh Chitra Sethi, Direktur Editorial, SAE Media Group. Untuk informasi lebih lanjut kunjungi www.teledynedalsa.com  , www.cognex.com  , dan www.sick.com  .