Membantu Kecerdasan Buatan Mendeteksi Cacat Cetak Pabrik

Mengapa pabrik percetakan berkecepatan tinggi masih sering mengandalkan mata manusia untuk memeriksa jutaan lembar kemasan makanan dan label setiap hari? Di tengah laju mesin cetak rotogravure yang berputar puluhan meter per detik, cacat sekecil goresan halus atau pergeseran warna tipis bisa merusak satu gulungan besar material. Petugas pemeriksa tentu memiliki keterbatasan fisik saat menatap gulungan material yang melesat tanpa henti. Sayangnya, upaya mengganti inspeksi manual dengan kamera cerdas berbasis kecerdasan buatan kerap terganjal satu masalah klasik, yaitu kelangkaan contoh gambar cacat produksi untuk melatih algoritma pengenal.

Sebuah tim peneliti yang terdiri dari Korota Arsène Coulibaly, Mohamed Hamlich, Khalid Hmali, dan Andrea Trombin menawarkan jalan pintas yang praktis lewat publikasi ilmiah di repositori arXiv. Alih-alih menunggu mesin cetak berbuat salah demi memotret lembaran yang rusak, mereka merancang sistem pencipta data visual sintetis. Sistem ini secara mandiri menghasilkan ribuan gambar cacat tiruan beresolusi tinggi, mulai dari kerutan kertas, goresan tinta, hingga pergeseran lapisan warna pada gambar kemasan. Lewat pendekatan ini, algoritma deteksi objek dapat mempelajari aneka pola kerusakan tanpa membebani proses produksi harian di lantai pabrik.

Hambatan terbesar dalam melatih model penglihatan komputer mutakhir memang bertumpu pada ketersediaan data latih. Pabrik modern dirancang untuk bekerja seefisien mungkin, sehingga produk gagal yang keluar dari jalur pencetakan berjumlah sangat sedikit. Mengumpulkan ribuan foto cacat secara manual memakan waktu berbulan-bulan serta biaya yang tidak sedikit bagi manajemen pabrik. Selain itu, pekerja teknis harus menandai kotak batas pada setiap titik kerusakan satu per satu dengan ketelitian tinggi agar komputer memahami letak masalahnya.

"Kami menyadari bahwa menunggu mesin melakukan kesalahan di jalur produksi nyata adalah langkah yang sangat tidak efisien," jelas Korota Arsène Coulibaly dalam laporan riset tersebut. Perangkat lunak yang mereka kembangkan bekerja layaknya studio grafis otomatis yang sengaja merusak gambar digital secara terukur. Menariknya, sistem ini tidak hanya menyisipkan cacat buatan, melainkan juga langsung mencatat koordinat lokasi kerusakan secara otomatis. Hasilnya, para peneliti berhasil memproduksi sekitar 7.500 gambar latih berkualitas tinggi dalam waktu singkat tanpa perlu menggambar label secara manual.

Kumpulan gambar tiruan tersebut kemudian digunakan untuk melatih model deteksi objek mutakhir bernama RFDETR. Ujian sesungguhnya terjadi ketika model kecerdasan buatan yang hanya belajar dari gambar rekayasa ini diuji langsung pada sampel fisik dari mesin pabrik nyata. Pengujian membuktikan bahwa model mampu mencatatkan tingkat ketepatan rata-rata hingga 80,9 persen dalam mengenali sekaligus memetakan letak kerusakan fisik. Keberhasilan ini memperlihatkan bahwa informasi visual dari data buatan dapat diterapkan langsung pada lingkungan industri yang nyata.

Temuan ini membuka peluang efisiensi bagi industri kemasan yang memproduksi jutaan bungkus barang konsumen setiap hari, seperti kemasan makanan ringan atau sabun di Indonesia. Percetakan rotogravure mengalirkan rol plastik dan kertas dalam kecepatan yang sangat tinggi, sehingga keterlambatan deteksi beberapa menit saja dapat membuang bahan baku bernilai jutaan rupiah. Lewat kehadiran data sintetis, pelaku usaha dapat memasang sistem inspeksi otomatis tanpa harus mengeluarkan modal besar untuk mengumpulkan data awal dari nol.

Kendati menawarkan efisiensi tinggi, penerapan data tiruan tetap memerlukan penyesuaian berkala di lapangan. Gambar buatan komputer tentu belum sepenuhnya menangkap variasi pencahayaan lampu pabrik, pantulan plastik yang mengilap, atau getaran mekanis pada kamera pengawas. Oleh sebab itu, integrasi terbaik dapat dilakukan dengan memadukan data sintetis sebagai fondasi awal, lalu melengkapinya dengan sedikit sampel riil dari pabrik terkait. Langkah kompromi ini memastikan kecerdasan buatan tetap peka terhadap keunikan mesin tertentu tanpa membuang banyak waktu penyiapan.

Eksperimen Coulibaly dan rekan-rekannya menegaskan bahwa data latih tidak selalu harus dipanen dari dunia nyata untuk memecahkan persoalan industri manufaktur. Rekayasa simulasi digital kini menjadi jembatan praktis untuk mempercepat otomatisasi pabrik yang selama ini terhambat biaya pengumpulan data. Bagi sektor percetakan kemasan, terobosan ini memberi sinyal kuat bahwa inspeksi visual mandiri kini jauh lebih terjangkau untuk diterapkan langsung di jalur produksi.