Computer vision ve výrobě bez nové kamery: jak využít stávající CCTV pro detekci vad, počítání kusů a BOZP

Proč právě teď: CCTV jako zdroj provozních dat

Kamery v provozech tradičně sloužily k ostraze a incident managementu. Dnes je lze beze změny hardwaru proměnit v aktivní senzorickou síť. Přináší to tři jasné výhody: minimální počáteční náklady, rychlý čas do hodnoty a vícenásobné využití stejného obrazu napříč use-case. V ekonomice utažených rozpočtů a tlaku na kvalitu a bezpečnost je to pragmatická cesta, jak přinést AI na výrobní plochu bez velkých investic.

• CAPEX light - využití existujících RTSP streamů a VMS bez výměny kamer.
• Rychlost - první přínos v týdnech, ne v kvartálech.
• Multiplicita - jeden stream obslouží kvalitu, počítání i BOZP, jen se mění model a pravidla.
• Audit a učící smyčka - video dává kontext, který lze zpětně vyhodnotit a zlepšit modely i procesy.

Základní principy a typy úloh computer vision ve výrobě

Computer vision ve výrobě převádí vizuální jevy na strukturovaná rozhodnutí. Prakticky to znamená: zachytit video, spustit inference, agregovat události, aplikovat pravidla a přenést výsledek do akce. Nejčastější kategorie úloh:

• Detekce objektů - přítomnost komponenty, čitelná etiketa, identifikace nástroje.
• Segmentace - přesné ohraničení povrchu výrobku pro kontrolu vad a znečištění.
• Počítání a průtok - kusy na dopravníku, plnění krabic, obsazenost palet.
• Akční a stavová analýza - pracovní postupy, stání stroje, otevřené dveře, kouř či pára.
• Detekce osob a PPE - helmy, vesty, rukavice, brýle a jejich správné nošení.
• Zónová pravidla - vstup do zakázané zóny, zóna jeřábu, crossing line.

Klíčový rozdíl oproti klasickému strojovému vidění je tolerance variability: AI modely zvládají změny světla, úhlu a pozice lépe než rigidní pravidla, pokud je k dispozici dostatečný a reprezentativní dataset.

CCTV vs. průmyslové kamery: kdy stačí to, co už máte

Průmyslové kamery jsou nepřekonatelné v přesné metrologii, mikropovrchových vadách a milisekundové synchronizaci s PLC. To ale neznamená, že bez nich nelze začít. Pro neinvazivní kontrolu kvality, počítání kusů a BOZP často stačí běžná CCTV. Rozhodovací kritéria:

• Velikost a kontrast vady - výrazné a makroskopické vady zvládne CCTV bez speciálního nasvícení.
• Rychlost a rozmazání - pokud pohyb nezpůsobuje výrazné motion blur, není potřeba high speed optika.
• Stabilita scény - fixní úhel a relativně stabilní světelné podmínky jsou ideál.
• Regulované požadavky - tam, kde audit vyžaduje certifikovanou metrologii, je CCTV jen podpůrná.

Pragmatický postup: začít na CCTV, ověřit přínos, a teprve pokud je přínos limitován kvalitou obrazu, cíleně investovat do jedné až dvou průmyslových kamer na kritické body linky.

Rychlá PoC integrace: 14 - 30 dní od nápadu k výsledkům

PoC má odpovědět na jednoduché otázky: dosáhneme požadované přesnosti, latence a stability v reálném prostředí a napojíme výstup do procesu tak, aby vznikla měřitelná hodnota. Osnova rychlého PoC:

1. Výběr use-case - jedna linka, jedno zorné pole, jedna metrika dopadu. Příklad: snížit zmetkovitost u etiketace o 30 procent.
2. Napojení streamu - RTSP z NVR nebo přímo z kamery, ideal 1080p při 15 - 25 fps. Ověřit stabilitu a latenci.
3. Dataset a anotace - 1 000 - 3 000 vzorků z různých směn, světla a stavů. Rychlá anotace v nástroji, dohled člověka z výroby.
4. Baseline model a kalibrace - předtrénovaný detektor, doladění na lokální data. Nastavit prahy a NMS, otestovat několik variant.
5. Shadow mode - 7 - 14 dní běhu bez zásahu do výroby. Logovat TP, FP, FN, latenci, výpadky streamu.
6. Byznys vyhodnocení - zmetky, prostoje, zásahy operátora, skutečná úspora. Teprve pak rozhodnout o pilotu.

Důraz na disciplínu: PoC není prototyp pro další 2 roky. Je to krátký experiment s jasnými brankami úspěchu a s omezeným rozsahem.

Data, anotace a syntetika: jak postavit kvalitní dataset ze stávajících záběrů

Kvalita modelu stojí na rozmanitosti a vyváženosti dat. CCTV bývá bohaté na proměnlivé podmínky, což je výhoda. Na co si dát pozor:

• Třídy a distribuce - nezapomeňte na reprezentativní podíl "negativních" snímků bez události. Vyhněte se datové únavě jedné směny.
• Anotace - definujte přesná pravidla, co je vada a co ještě ne. Vytvořte anotátorský manuál a double check u 10 - 20 procent vzorků.
• Augmentace - změna jasu, šumu, drobné rotace, drobné ořezy. Cílem je robustnost, ne změna podstaty objektu.
• Syntetická data - pro vzácné stavy lze doplnit syntetikou. Vždy ale validujte na reálném videu.
• Gold set - zamražený validační balíček pro regresní testy při každé změně modelu.

Modelové přístupy: detekce, segmentace, počítání, akční a stavová analýza

Neexistuje jeden model pro všechno. Správná volba vychází z cíle, rozlišení a rychlosti.

• Detekce objektů - univerzální volba pro přítomnost objektu, počítání kusů a základní kvalitu. Dobře funguje na CCTV, pokud jsou objekty zřetelné.
• Instance segmentace - přesné ohraničení vad na povrchu, kontaminace, nánosy. Vhodné pro menší rychlosti nebo pro offline kontrolu šarží.
• Tracking a vícekamerová fúze - plynulé počítání v hustém provozu a vyhodnocení trajektorií, užitečné pro BOZP a průtoky.
• Akční rozpoznávání - detekce postupů, opomenutí kroku, otevřené kryty. Většinou režie nad výstupy detektoru, ne čisté 3D CNN.
• Anomální detekce - když nemáte kompletní výčet vad, učíte normál a hledáte odchylky. V praxi kombinovat s menší sadou definovaných tříd.

Praktická rada: začněte s jednodušší detekcí a trackingem. Pokud narážíte na limity, přidejte segmentaci na kritické podmnožině kamer nebo scén.

Detekce vad a inline kvalita bez nové optiky

Kontrola kvality patří mezi první úlohy, kde CCTV přináší hodnotu i bez výměny kamer. Typické scénáře:

• Etiketace a potisk - chybějící nebo špatně umístěná etiketa, chybějící datumovka, nečitelný QR. CCTV to zvládá, pokud je etiketa dostatečně kontrastní a kamera zabírá správný úhel.
• Kompletace a montáž - chybějící šroub, klip nebo kryt. Zvládnutelné i z mírné perspektivy, pokud je definovaná zónová maska pro kontrolu.
• Deformace a balení - promáčklý karton, otevřená klopa, špatně zavřený vak. CNN detektor si často poradí i s hádankovým světlem.

Omezení: mikrovady, lesklé povrchy s reflexí a extrémně rychlé linky. Zde pomůže změna úhlu, lokální clonění světla nebo přechod na jednu průmyslovou kameru pro kritický krok, zatímco zbytek zůstane na CCTV.

Počítání kusů a OEE: jak získat přesná čísla z dopravníků a shluků

Počítání je nejvděčnější úloha pro rychlé PoC. Dopravník, jasné objekty, dobrá rytmika. Postup:

1. Vymezit zónu počítání - virtuální brána, kterou objekt prochází. Odolné vůči parazitním objektům v pozadí.
2. Tracking - při vyšší hustotě je třeba spojovat detekce napříč snímky, aby nedošlo k dvojímu počítání.
3. Antidouble logika - časový a prostorový filtr. Každý objekt lze započítat jednou, dokud nezmizí ze zóny.
4. Validace vůči PLC nebo váze - pro odhalení systematických chyb a odchylek.

Praktické rozšíření: kombinujte počítání s detekcí vad v téže zóně a logujte metriky do MES. Dostanete přímou vazbu mezi průtokem a kvalitou v čase.

BOZP a bezpečnost: PPE, zóny, kolize a pády

BOZP z počátku vyvolává otázky soukromí a akceptace zaměstnanců. Transparentní komunikace, anonymizace a focení procesu místo lidí pomáhá. Nejčastější use-case:

• PPE detekce - helma, vesta, brýle. Hlášení porušení pravidel s rozumným prahem a bez veřejného "shamingu".
• Zónová pravidla - vstup do nebezpečné zóny, jeřábový koridor, prostor AGV. Vizualizace teplotních map a incidentů.
• Kolizní prevence - blízkost člověk - vozík - stroj. Alerty s nízkou latencí, ideálně běžící na edge.
• Detekce pádů - kombinace postury a kontextu. Vyžaduje pečlivé nastavení, aby se minimalizovaly falešné poplachy.

Doporučení: BOZP modely zavádět postupně a v režimu upozornění. Po stabilizaci a akceptaci lze přidat vazbu na povinné školení nebo incident ticket v HSE systému.

Architektura: edge, cloud a hybrid, VMS a RTSP bez bolesti

Jak dostat video do AI a výsledek zpět do provozu bez zbytečných komplikací:

• Ingest - RTSP z kamer nebo VMS. Ověřte kodek, fps, autorizaci a multicast vs. unicast. Ideál je jeden ingest hub, který publikuje stream do více modelů.
• Edge inference - GPU box v hale pro nízkou latenci a citlivé use-case. Vhodné pro BOZP a realtime alarmy.
• Cloud inference - flexibilita a snadná správa modelů. Vhodné pro offline analýzy, dávkové vyhodnocení šarží a archiv.
• Hybrid - detekce na edge, re-trénink, správa a audit v cloudu. Nejlepší kompromis nákladů a výkonu.
• High availability - watchdogy streamu, automatický restart, fronty pro dočasnou ztrátu konektivity, lokální buffer.

Nezapomeňte na síťovou hygienu: separátní VLAN pro CCTV, řízení přístupů a centrální správu tajných klíčů a certifikátů.

Integrace do MES, ERP, SCADA a datového skladu

Vizuální AI bez integrace je ostrůvek. Cíl je dostat eventy a metriky do systémů, kde se z nich stává akce a reporting:

• MES - zápis počtů, vad a příčinných kódů. Napojení na OEE, pareto vad a traceability šarží.
• ERP - potvrzení výroby, automatický nákup náhradních dílů podle anomálií, evidence scrapu.
• SCADA - vizualizace alarmů, zón a stavů linek. Ovládáníack pro potvrzení operátorem.
• DWH a BI - centralizované metriky, porovnání směn, link vs. link, závod vs. závod.
• Integrace kanály - OPC UA, MQTT, REST webhook, souborové dávky pro starší systémy. Vždy s idempotencí a korekcí časových razítek.

MLOps pro video: verze modelů, drift a zpětná vazba z výroby

Stabilní provoz stojí na disciplíně. Co se v praxi osvědčilo:

• Verzování - model, váhy, prahy, konfigurace zón a postprocessing pravidel. Vše verzovat a auditovat.
• Drift monitoring - sledovat změny scén a výkonu. Při poklesu přesnosti spustit re-trénink a dočasně utáhnout prahy.
• Regresní testy - před nasazením nové verze ověřit na gold setu a na posledním týdnu reálných dat.
• Human-in-the-loop - operátor snadno označí špatnou detekci. Vzorky putují do datového trezoru pro další tréninky.
• Bezpečnostní brzdy - limity na počet alarmů za minutu, backoff při výpadcích streamu, fallback do stavu "jen loguji".

KPI, metriky a ROI: co a jak měřit, aby se projekt udržel

Bez měření dopadu projekty slábnou. Doporučené metriky:

• Precision, recall a F1 - kvalita detekcí. V byznysu ale vždy překlopit do dopadu: méně zmetků, méně incidentů, méně prostojů.
• Latency - u BOZP a kolizí má být pod 300 - 500 ms mezi událostí a alarmem.
• Uptime - procento času se stabilním streamingem a inference. Cíl 99 procent a více pro kritické use-case.
• False alarm rate - nízká míra falešných poplachů je klíčová pro akceptaci operátory.
• ROI - ušetřená práce, snížení zmetků, nižší prostoje, prevence incidentů. Ukazovat kumulativně po měsících.

Vždy definujte prahy, kdy se spouští review a jaký je plán nápravy. Transparentní reporting buduje důvěru vedení i výroby.

Governance, GDPR a etika: jak pracovat s video daty korektně

Video je osobní údaj, pokud identifikuje osoby. Doporučení pro korektní a akceptovatelné zavedení:

• Minimalizace - analyzujte na edge a ukládejte pouze události a metriky. Video archivujte jen tam, kde je to nutné.
• Anonymizace - rozmazání tváří pro tréninkové balíčky, pokud není nezbytné osoby identifikovat.
• Transparentnost - informujte zaměstnance, k čemu systém slouží, jaká data se ukládají a kdo k nim má přístup.
• Přístupová práva - RBAC a audit. Omezte přímé přehrávání videa jen pro oprávněné role, preferujte agregované reporty.
• Retention - jasné doby uchování, typicky dny pro surové video a měsíce pro agregované metriky.

Playbooky a checklisty: od výběru use-case po škálování

Checklist před PoC

• ✔ Jasný use-case a metrika dopadu (zmetky, throughput, incidenty).
• ✔ Stabilní RTSP stream a domluvený přístup z IT.
• ✔ Souhlas BOZP a HR s rozsahem a způsobem zpracování videa.
• ✔ Kapacita na anotace a validaci dat ze směn.
• ✔ Definovaný plán shadow mode a byznys evaluace.

Checklist pro přechod na pilot

• ✔ Precision a recall splňují cíle, false alarm rate nízká.
• ✔ Latence ověřena v ostrém provozu, uptime nad dohodnutým prahem.
• ✔ Integrace do MES nebo SCADA s potvrzením operátora.
• ✔ Nastavené prahy, alerty a odpovědnosti směnových rolí.
• ✔ Založené MLOps postupy: verze, gold set, drift monitoring.

Checklist škálování

• ✔ Standardizované šablony zón, masek a konfigurací pro nové kamery.
• ✔ Edge kapacita s rezervou, vzdálená správa modelů.
• ✔ Centrální dashboard KPI a incidentů pro závod i skupinu závodů.
• ✔ Pravidelné review s výrobou, kvalitou a BOZP, plán iterací.

Příklady a scénáře z praxe

Etiketace ve stáčírně nápojů

Stávající CCTV v rozlišení 1080p snímá výstup z etiketovačky. Po 3 týdnech anotací a tréninku model detekuje chybějící či posunuté etikety a nečitelnou datumovku. Shadow mode ukázal přesnost nad 95 procent a nízkou latenci. Po zapojení do MES se snížila zmetkovitost o 28 procent a variabilita mezi směnami výrazně klesla.

Počítání kusů a OEE v montážní hale

Kamera nad dopravníkem, jednoduchá zónová brána a tracking. Automatický zápis do OEE dashboardu nahradil manuální sčítání. Rozdíl v počtech proti PLC odhalil nepravidelné prokluzování dopravníku. Oprava vedla k 3 procentnímu zvýšení průtoku linky.

BOZP v logistickém uzlu

Tři zóny s vysokým rizikem kolize mezi vozíky a chodci. Edge inference s lokálním GPU a akustický alarm pro chodce i řidiče. Po dvou měsících pokles near-miss incidentů o 41 procent. Data posloužila i pro redesign podlahového značení.

Kontaminace povrchu u balených výrobků

Instance segmentace na podmnožině kamer detekuje zbytky materiálu na okraji svařu obalu. Systém upozorní operátora a zastaví linku jen při opakovaných detekcích v krátkém intervalu, aby se předešlo nadměrnému zastavování. Výsledkem je menší odpad a méně reklamací.

FAQ

Potřebuji vyměnit světla nebo přidat osvětlení

Ne vždy. Většinou stačí pracovat s tím, co je. Pokud však scéna trpí výrazným stroboskopickým blikáním nebo silnými reflexemi, levná opatření jako lokální clonění, matná fólie nebo fixace úhlu záběru přinesou velké zlepšení bez výměny kamery.

Co když zaměstnanci odmítají "snímání"

Otevřená komunikace a důraz na proces, ne na jednotlivce, dělají rozdíl. Vysvětlete, že cílem je bezpečnost a kvalita, nikoliv mikromanagement. Používejte anonymizaci a agregované reporty, jasně definujte pravidla přístupu k surovému videu.

Jak řešit výpadky streamu a nestabilitu sítě

Sledujte zdraví streamů, nastavte automatické restartování a failover. Pro kritické use-case preferujte edge inference, která krátkodobé výpadky překlenuje lokálním bufferem. Logujte incidenty a řešte je s IT v pravidelném rytmu.

Co když model dává falešné poplachy

Zvažte snížení prahu, lepší maskování rušivých oblastí a doplnění tréninkových vzorků z problematických směn. Zaveďte dvoustupňové potvrzení u drahých zásahů. Pracujte s operátory na značení špatných detekcí pro další iteraci modelu.

Jak rychle uvidíme návratnost

U počítání kusů a jednoduché kvality bývá viditelný dopad v horizontu 4 - 8 týdnů. U BOZP se efekt projeví postupně, ale bývá zásadní v prevenci incidentů a v lepší kultuře bezpečnosti.

Závěr a doporučení pro praxi

Využití computer vision výroba na stávající CCTV je nejrychlejší cesta, jak dostat umělou inteligenci do každodenního provozu bez velkých investic a dlouhých projektů. Reálné záběry z vašich kamer v sobě nesou bohatý kontext a variabilitu, kterou nelze nasimulovat v laboratoři. Pokud ji zkombinujete s disciplinovaným přístupem k datům, jednoduchými a vysvětlitelnými modely a jasnou integrací do MES, ERP a SCADA, získáte měřitelné zlepšení kvality, průtoku a bezpečnosti.

Doporučený postup je pragmatický: začněte jedním use-case s jasným byznys dopadem, během 14 - 30 dní proveďte PoC v shadow režimu, transparentně vyhodnoťte přínosy a teprve pak přecházejte na pilot s integrací a MLOps disciplínou. U BOZP dbejte na soulad s GDPR a budujte důvěru přes transparentnost a anonymizaci. Škálujte až ve chvíli, kdy máte standardizované šablony zón a konfigurací, a kdy je zajištěna edge kapacita i vzdálená správa modelů.

Tato cesta není o dokonalosti na první dobrou. Je o nepřetržitém zlepšování: každá špatná detekce je data pro další iteraci, každá zachycená vada je ušetřená reklamace, každé včasné varování je incident, který se nestal. Právě tato učící smyčka, podložená existující CCTV, dělá z computer vision ve výrobě nástroj, který se vrací v číslech i v kvalitnější, bezpečnější práci na hale.