Memilih toolchain visi industri: Halcon, VisionMaster, OpenCV, YOLO cocok untuk skenario mana

Tetapkan skenario dulu, baru pilih alat

Pertanyaan pertama saat memilih bukan «perangkat lunak vendor mana», melainkan apakah cacat yang harus dinilai stasiun ini bisa ditulis sebagai aturan. Ukuran di luar toleransi, sekrup hilang satu, barcode tidak terbaca — geometri, kontras, dan pencocokan templat bisa dimasukkan ke logika penilaian. Goresan permukaan yang bentuknya berubah, cacat di tekstur kain, apakah gerakan perakitan sesuai prosedur — aturan sulit dihitung habis, biasanya perlu pelatihan sampel.

Jika pemisahan ini salah, mengganti alat kemudian tidak menyelamatkan proyek. Memaksa deep learning ke skenario yang cukup dengan aturan mengubah pengumpulan sampel, pelabelan, dan pemeliharaan model menjadi beban jangka panjang. Menulis aturan kaku untuk cacat tampilan yang bentuknya berubah menimbulkan alarm palsu dan miss, lalu petugas mutu mematikan sistem.

• Bisa dijelaskan dengan aturan: ukuran, posisi, ada/tidak, pembacaan barcode dan karakter — algoritma konvensional cocok
• Sulit dihitung habis: cacat tampilan yang bentuknya beragam, latar tekstur rumit, apakah urutan gerakan sesuai prosedur — perlu sampel dan deep learning
• Skenario campuran sering terjadi: stasiun yang sama mengukur ukuran dan melihat cacat permukaan; jalankan dua toolchain secara paralel, jangan memaksa satu menutupi semua

Empat jenis toolchain masing-masing cocok untuk apa

Perbandingan di bawah mengikuti kemampuan rekayasa yang benar-benar kami kerjakan, bukan kalimat pemasaran vendor. Pengembangan machine vision industri mencakup toolchain Halcon, Hikvision VisionMaster (VM), OpenCV, deep learning YOLO. Per skenario kami mengerjakan cacat tampilan, pengukuran dimensi, panduan posisi, OCR, pencegahan kesalahan perakitan, dan inspeksi bundel pada stasiun manufaktur umum, lalu memasukkan data visi ke rantai ketertelusuran.

• Halcon: pustaka algoritma lengkap untuk skenario aturan seperti pengukuran dimensi, panduan posisi, geometri dan morfologi; tingkat rekayasa tinggi, cocok untuk stasiun dengan syarat pengulangan pengukuran dan kalibrasi yang jelas
• Hikvision VisionMaster: konfigurasi grafis, item inspeksi standar cepat berdiri, cocok untuk stasiun yang insinyur sisi lini merawat sebagian alur inspeksi sendiri; terhubung rapat dengan ekosistem kamera dan lampu Hikvision
• OpenCV: kebebasan tinggi, mudah disisipkan ke HMI atau klien MES yang sudah ada; cocok untuk proyek yang arsitektur perangkat lunaknya sudah ada dan hanya kekurangan modul penilaian visi; algoritma dan kerangka rekayasa harus dibangun sendiri
• YOLO dan deep learning sejenis: cocok untuk cacat tampilan dan deteksi objek yang aturan tidak bisa menghitung habis; sampel, standar pelabelan, dan sumber daya inferensi wajib ada, dan setelah live masih perlu orang yang merawat alarm palsu dan miss

Toolchain, skenario yang cocok, dan prasyarat yang disiapkan

Letakkan «cocok untuk apa» dan «tanpa prasyarat ini jangan mulai» dalam tabel yang sama, pemilihan menjadi praktis. Satu prasyarat pun yang hilang akan memanjangkan jadwal, dan sering kali bukan pada perangkat lunaknya sendiri.

Stasiun yang sama bisa menjalankan dua toolchain bersama. Misalnya ukuran memakai Halcon, tampilan memakai YOLO, hasil penilaian digabung ke catatan ketertelusuran yang sama. Jangan korbankan keandalan tiap penilaian hanya agar satu alat menutupi semuanya.

Lima hal di luar pilihan merek yang menentukan hasil

• Pencahayaan dan jig: sudut, warna, polarisasi cahaya serta pengulangan posisi benda kerja sering menentukan kestabilan deteksi lebih dari algoritma; jika keduanya belum ditetapkan, mengganti toolchain apa pun adalah taruhan
• Standar NG harus ditulis dalam kata: apa yang disebut cacat, bagaimana sampel batas ditangani, siapa yang berwenang mengubah ambang — disepakati tertulis sebelum serah terima, atau mutu dan proses akan berselisih setelah live
• Sampel dikumpulkan dari lini nyata: deep learning sangat bergantung pada sampel setelah ganti model, ganti material, ganti shift; foto laboratorium tidak mewakili lantai produksi
• Kendala takt lini: waktu dari picu pengambilan gambar sampai OK/NG harus lebih pendek dari takt stasiun, dengan sisa untuk gerakan mekanis; sistem yang terlambat akan dimatikan di lapangan
• Hasil visi harus masuk rantai ketertelusuran: penilaian, tangkapan NG, stasiun, nomor benda kerja, dan cap waktu ditulis bersama, agar keluhan dan analisis mutu kemudian bisa memakainya

Pada lini pencegahan kesalahan perakitan, kemampuan harus dinyatakan per rute; kami tidak membuat janji umum bahwa «AI-SOP sudah matang». HkVisionPro deteksi titik fitur lapis-demi-lapis perakitan multi-lapis — lapisan ini semua OK lalu mengalir otomatis, alarm NG dan tangkapan bukti — sudah diterapkan. Rute mandiri pengenalan gerakan OrpaonVision mendekati komersial, tetapi masih memerlukan penerimaan skenario bersama data stasiun, takt, dan kriteria penerimaan; tidak boleh ditulis sebagai sudah dikirim dalam skala. Rute plugin Hikvision VM OrpaonSOP masih di tahap riset-pengembangan dan validasi bersama, tanpa janji pengiriman standar. Akurasi dikonfirmasi pada penerimaan skenario menurut stasiun, sampel, dan kriteria penerimaan yang konkret; artikel ini tidak membuat janji angka.