Kasus-kasus

Rumah > Kasus-kasus > Dongguan Qiaosen Machinery Co., Ltd. Kasus perusahaan terbaru tentang Implementasi Proyek Inspeksi Visual AI Daring untuk Benda Kerja Stempel Sasis Otomotif

Acara

Berita

Kasus-kasus

Hubungi Kami

titi@qiaosenmachinery.com

86-0769-26626853

Hubungi Sekarang

Implementasi Proyek Inspeksi Visual AI Daring untuk Benda Kerja Stempel Sasis Otomotif

2026-08-20

Studi Kasus: AI Implementasi Proyek Inspeksi Visual Online untuk Bagian Kerja Stamping Sasis Otomotif

Siklus Kasus: September 2025-Agustus 2026

Latar Belakang Perusahaan: Perusahaan ini adalah pemasok stamping sasis otomatis tingkat 2 di Cina Selatan, yang mengoperasikan 9 jalur stamping otomatis, terutama memproduksi komponen bracket sasis dan penguatan pelat.Sebelum transformasi, produk jadi lengkap bergantung pada inspeksi offline manual. pergantian staf yang sering dan kelelahan shift malam menyebabkan defek keluar sesekali, yang mengarah pada pengembalian pelanggan dan biaya inspeksi ulang.Perusahaan memutuskan untuk menerapkan on-line AI visual retrofitting untuk dua inti besar-volume line stamping.

Kasus Sebelum Transformasi Data Dasar Nyata (September 2025)

Tingkat aliran keluar cacat produk jadi: 5,12%
Rata-rata harian personel QC manual untuk dua jalur: 8 orang
Jumlah bulanan pelanggan kembali: 216 pcs
Biaya bulanan untuk pemeriksaan ulang & pengolahan ulang: USD 4,120
Persentase kerja lembur dari tim QC: 32%
Cacat yang hilang terutama: lubang permukaan kecil, retakan mikro di sudut lentur

Tindakan Transformasi Teknis Inti

Mengerahkan kamera industri multi-sudut resolusi tinggi dan sumber cahaya difus yang disesuaikan di samping port pelepasan pers, menghilangkan gangguan refleksi pada permukaan stamping logam;
Mengumpulkan lebih dari 12 000 sampel gambar cacat nyata dari lokasi produksi untuk melatih model segmentasi AI, terus menambahkan sampel cacat yang baru ditemukan untuk optimasi berulang;
Menghubungkan sistem visual dengan penggerak penolakan jalur konveyor; setelah cacat diidentifikasi, memicu penolakan otomatis untuk mengisolasi bagian yang tidak sesuai;
Membuat antarmuka data antara platform penglihatan dan MES pabrik, merekam jenis cacat, jumlah dan stempel waktu untuk setiap benda kerja yang diperiksa;
Mengoptimalkan SOP: memposisikan kembali inspektur manual dari pemeriksaan seluruh bagian ke pemeriksaan langsung dan pekerjaan pemeliharaan model, mengurangi kerja visual yang berulang.

Perbandingan Data Operasi Nyata 11 Bulan Sebelum & Setelah Transformasi

Indikator Kualitas dan Operasi	Sebelum AI Visual Upgrade	Setelah Penyebaran Inspeksi AI Online	Manfaat Komprehensif yang Nyata
Tingkat aliran keluar cacat produk jadi	5.12%	0.37%	-92,8% penurunan arus keluar
Tenaga kerja QC yang dibutuhkan untuk dua jalur produksi	8 orang	3 orang	- 62,5% pengurangan tenaga kerja QC
Jumlah pengembalian pelanggan bulanan	216 pcs	17 pcs	-92,1% penurunan volume pengembalian
Biaya pemeriksaan ulang & pengolahan ulang bulanan	USD 4,120	USD 680	-83,5% penghematan biaya rework
Rasio lembur-pekerjaan tim QC	32%	7%	Sangat meringankan tekanan kerja
Statistik data cacat bulanan yang valid	Catatan kertas manual, tidak lengkap	Catatan digital lengkap yang dapat dilacak	Analisis korelasi kualitas peralatan pendukung

Analisis Q&A Profesional Kasus

T1: Setelah memperkenalkan visi AI, bisakah pemeriksaan manual dibatalkan sepenuhnya?

A1: Dalam kasus nyata ini, pemeriksaan manual penuh dibatalkan, tetapi pemeriksaan spot dan pemeliharaan model masih membutuhkan operator.Kecacatan tipe baru yang tidak diketahui yang tidak termasuk dalam perpustakaan sampel pelatihan kadang-kadang bisa lolosPemeriksaan spot manual berfungsi sebagai penghalang keamanan kedua dan menyediakan sampel cacat baru untuk perbaikan model yang terus menerus.Penghapusan total partisipasi manusia tidak dianjurkan dalam praktik produksi massal saat ini.

T2: Kesulitan utama apa yang dihadapi proyek dalam fase persiyapan?

A2: Refleksi permukaan logam membawa gambar yang tidak stabil pada awalnya. Setelah penyesuaian sudut sumber cahaya berulang kali dan menambahkan penutup reflektif difus, stabilitas gambar sangat meningkat.Pada awal periode berjalan, tingkat false-alarm relatif tinggi; tim insinyur terus-menerus melengkapi sampel di tempat dan mengoptimalkan ambang algoritma selama 6 minggu sebelum mencapai akurasi siap produksi yang stabil.

T3: Berapa jangka waktu pengembalian investasi pemeriksaan visual AI ini?

A3: Total investasi proyek untuk dua jalur adalah USD 34 800.Periode pengembalian investasi yang sebenarnya adalah 8,1 bulan.

Kesimpulan Kasus & Prospek

Kasus produksi nyata ini membuktikan bahwa inspeksi visual AI on-line dapat secara efektif memecahkan titik nyeri yang telah lama terjadi dari kelelahan inspeksi manual dan penilaian yang tidak stabil di bengkel cap.Hal ini secara signifikan mengurangi defek aliran keluar, mengurangi biaya kerja ulang dan mengurangi ketergantungan pada tenaga kerja QC skala besar.Sementara itu, perusahaan harus menyadari bahwa sistem visual membutuhkan uji coba berulang dan debugging di lokasi daripada instalasi satu kaliPada tahap berikutnya, pabrik akan mendorong linking data cacat ke peralatan pers,mewujudkan peringatan dini dari keausan cetakan sesuai dengan meningkatnya frekuensi cacat retakan dan bergerak menuju kontrol kualitas prediktif.

Kirim pertanyaan Anda langsung ke kami