Pengukuran Dimensi dengan Camera Vision: Kalibrasi, Akurasi, dan Toleransi
Ketika Inspeksi Bukan Soal Cacat, Tapi Angka
Sebagian besar pembahasan inspeksi otomatis berhenti di pertanyaan OK atau NG. Padahal banyak lini butuh jawaban lain: berapa milimeter diameter lubang ini, apakah panjang potongan konsisten sepanjang shift.
Di sinilah camera vision bekerja sebagai alat ukur, bukan sekadar pendeteksi. Deteksi cacat memaafkan pergeseran kecil, pengukuran tidak: satu piksel yang salah tafsir langsung menjadi kesalahan berskala milimeter di laporan QC.
Kalibrasi: Menerjemahkan Piksel ke Milimeter
Kamera hanya tahu piksel. Kalibrasi memberi tahu sistem berapa milimeter yang diwakili satu piksel, dengan memotret benda referensi berukuran pasti — pelat papan catur, gauge block, atau produk yang sudah diukur dengan CMM. Tiga hal ikut dikoreksi: skala, distorsi lensa yang melengkungkan garis lurus di tepi bidang pandang, dan perspektif akibat kamera yang tidak tegak lurus.
Angka skala hanya berlaku pada satu jarak kerja. Begitu kamera digeser atau produk berganti ketebalan, kalibrasi lama tidak sah lagi — karena itu pemilihan lensa dan penguncian mekanisnya menentukan sekali, seperti diuraikan di panduan memilih kamera dan lensa camera vision industri.
Berapa Resolusi yang Dibutuhkan Toleransi Anda
Aturan praktisnya: sistem butuh 3–5 piksel untuk menyatakan satu satuan toleransi terkecil secara andal. Dari situ resolusi bisa dihitung mundur.
| Lebar bidang pandang | Toleransi target | Resolusi yang masuk akal |
|---|---|---|
| 50 mm | ±0,1 mm | 5 MP (≈ 0,02 mm/piksel) |
| 100 mm | ±0,2 mm | 5 MP (≈ 0,04 mm/piksel) |
| 200 mm | ±0,5 mm | 5 MP (≈ 0,08 mm/piksel) |
| 300 mm | ±0,1 mm | Tidak realistis — pecah jadi beberapa kamera |
Baris terakhir adalah kesalahan tersering: satu kamera dipaksa memotret produk besar sekaligus sambil diminta ketelitian sepersepuluh milimeter. Solusinya bukan menaikkan megapiksel tanpa batas, melainkan mempersempit bidang pandang atau memakai beberapa kamera yang areanya saling melengkapi — konsekuensi bebannya ada di panduan sizing hardware.
Sumber Error yang Sering Terlewat
- Tepi objek kabur. Fokus meleset sedikit membuat batas benda melebar beberapa piksel; pengukuran menuntut fokus lebih ketat daripada deteksi cacat.
- Arah cahaya. Cahaya dari depan membuat sisi benda tampak membesar karena pantulan; untuk pengukuran siluet, backlight hampir selalu lebih akurat — alasannya di panduan pencahayaan camera vision.
- Getaran mesin. Dudukan kamera perlu terpisah dari rangka mesin yang bergetar.
- Suhu. Rangka logam memuai sepanjang hari; pada toleransi ketat, kalibrasi pagi bisa meleset di sore hari.
- Produk tidak datar. Bagian yang menonjol terlihat lebih besar karena lebih dekat ke lensa.
Untuk perhitungan angkanya sendiri, algoritma geometris klasik — pencarian tepi sub-piksel, fitting lingkaran, jarak antar titik — biasanya lebih akurat dan lebih mudah dipertanggungjawabkan daripada model AI. Peran AI ada di lapisan sebelumnya: menemukan produk dan menentukan orientasinya saat posisi benda tidak seragam, seperti dibahas di AI visual vs machine vision rule-based.
Uji Kelayakan Sebelum Dipercaya
- Siapkan 10 sampel yang mencakup rentang dari batas bawah sampai batas atas toleransi.
- Ukur tiap sampel 10 kali tanpa memindahkannya — sebaran hasilnya menunjukkan repeatability.
- Ukur ulang setelah sampel diangkat dan diletakkan kembali; selisihnya menunjukkan pengaruh penempatan.
- Bandingkan rata-ratanya dengan caliper atau CMM untuk melihat bias yang konsisten.
- Sistem layak bila total sebarannya di bawah sepersepuluh lebar pita toleransi.
Bias yang konsisten masih bisa dikoreksi lewat offset; sebaran yang lebar tidak — itu tanda optik, fokus, atau dudukannya yang harus dibereskan dulu, dan pelaporannya mengikuti kerangka di metrik akurasi QC inspection AI.
Hasil Ukur Berguna Kalau Mengalir ke Sistem Lain
Nilai terbesar pengukuran otomatis ada pada trennya, bukan pada lolos-tidaknya satu produk. Diameter yang perlahan bergeser ke tepi toleransi sepanjang shift adalah peringatan dini bahwa perkakas mulai aus — jauh sebelum ada produk yang benar-benar ditolak. Karena itu angka mentah sebaiknya mengalir ke sistem produksi lewat integrasi ke PLC, MES, dan ERP, bukan sekadar disimpan sebagai verdict.
Ingin tahu apakah toleransi produk Anda masih terjangkau oleh camera vision? Lihat paket & edisi Nirmana VisionAI.
Ingin lihat Nirmana VisionAI bekerja di lini Anda?
Konsultasi gratis kebutuhan visual inspection & QC inspection Anda via WhatsApp.
Hubungi Sales