Panduan Memilih Kamera dan Lensa untuk Camera Vision Industri

Salah Pilih Kamera, Model AI Ikut Gagal

Pertanyaan pertama saat merancang sistem camera vision biasanya salah sasaran: "berapa megapiksel yang bagus?" Padahal kamera 20 MP pun percuma kalau bidang pandangnya terlalu lebar, lensanya tidak fokus di jarak kerja yang dipakai, atau produk bergerak terlalu cepat sehingga gambar blur.

Kamera adalah sensor pengambil data bagi model AI. Kalau cacat tidak terwakili jelas di piksel, tidak ada arsitektur AI yang bisa menyelamatkannya. Urutan berpikirnya selalu dari objek yang diperiksa, bukan dari katalog kamera.

Langkah 1: Hitung Resolusi dari Cacat Terkecil

Mulai dari tiga angka: lebar area yang harus masuk frame (field of view), ukuran cacat terkecil yang wajib tertangkap, dan resolusi kamera.

Rumus praktisnya:

mm per piksel = lebar field of view ÷ jumlah piksel horizontal

Aturan lapangan: cacat terkecil sebaiknya terwakili minimal 3–5 piksel. Contoh, produk selebar 300 mm difoto kamera 4096 piksel menghasilkan 0,073 mm/piksel — goresan 0,5 mm terwakili sekitar 7 piksel, aman. Kalau hasilnya hanya 1–2 piksel, pilihannya dua: naikkan resolusi, atau persempit field of view dengan menambah kamera atau stasiun.

Langkah 2: Cocokkan Jenis Kamera dengan Lini

Untuk objek bergerak, global shutter hampir selalu wajib: seluruh piksel terekspos serentak sehingga bentuk objek tidak miring atau meregang. Rolling shutter membaca baris demi baris — cukup untuk objek diam, tapi menimbulkan distorsi di konveyor cepat.

Langkah 3: Lensa dan Jarak Kerja

Lensa menentukan luas area yang tertangkap dari jarak pemasangan yang tersedia. Panjang fokus pendek memberi sudut lebar tapi rawan distorsi barrel di tepi frame — berbahaya untuk inspeksi dimensi. Panjang fokus panjang lebih akurat secara geometris, tapi butuh jarak pasang lebih jauh.

Tiga hal yang sering terlewat:

• Depth of field. Produk dengan tinggi bervariasi butuh rentang fokus lebih dalam; kecilkan aperture dan kompensasi dengan pencahayaan lebih kuat.
• Kunci fokus dan aperture. Ring lensa yang bergeser karena getaran mesin mengubah karakter gambar dan menurunkan akurasi diam-diam.
• Resolving power lensa. Lensa murah pada sensor beresolusi tinggi tetap menghasilkan gambar lembek — pasangkan kelas lensa dengan kelas sensor.

Langkah 4: Komputer dan GPU

Hitung kebutuhan dari throughput: jumlah produk per menit dikali jumlah kamera per produk. GPU kelas menengah umumnya sanggup puluhan frame per detik untuk deteksi objek — cukup untuk sebagian besar lini. Hambatan nyata justru sering ada di bandwidth kabel dan penyimpanan gambar riwayat inspeksi, bukan di GPU — cara menghitungnya ada di panduan sizing hardware kamera AI. Karena pemrosesan berjalan on-premise, tidak ada latensi internet dan gambar produk tidak keluar pabrik — pertimbangannya dibahas di Vision AI on-premise vs cloud.

Checklist Sebelum Membeli

1. mm/piksel sudah dihitung dan cacat terkecil terwakili minimal 3–5 piksel — bila sistem juga dipakai mengukur dimensi, syarat ini lebih ketat lagi.
2. Shutter sesuai kecepatan lini; auto-exposure dan auto-white-balance dimatikan.
3. Pencahayaan dirancang bersamaan dengan kamera, bukan menyusul — lihat panduan pencahayaan camera vision.
4. Sampel gambar nyata sudah diambil dan dinilai dengan metrik akurasi yang benar.
5. Kamera didukung software yang dipakai — kriterianya di cara memilih software visual inspection AI.

Cara paling hemat: mulai dari satu stasiun dengan kamera sederhana, buktikan cacatnya memang terlihat, baru naikkan spesifikasi sesuai kebutuhan nyata — pendekatan bertahap yang sama seperti pada implementasi kamera AI untuk deteksi cacat produk. Lihat paket & edisi Nirmana VisionAI untuk memulai pilot di pabrik Anda.