# Wizyjna kontrola jakości EN: **Automated visual inspection** · id `visualinspection` · aliases: visual inspection, automated optical inspection, AOI, defect detection, machine vision inspection, kontrola wizyjna, inspekcja wizyjna, wykrywanie wad Path: [AI Atlas](https://aiatlasgraph.com/llms.txt) › [AI w przemyśle](https://aiatlasgraph.com/t/industrialai.md) › Wizyjna kontrola jakości ## Description - PL: Wykrywanie, lokalizacja i klasyfikacja wad wyrobów na obrazach z kamer przemysłowych metodami widzenia komputerowego, z etykietami wad lub bez nich. - EN: Detecting, localising and classifying product defects in industrial camera images with computer vision, with or without defect labels. ## In one sentence - PL: Kamery i programy, które oglądają każdy wyrób na linii produkcyjnej i odrzucają te z rysą, pęknięciem albo brakującym elementem. - EN: Cameras and software that look at every product on the line and reject those with a scratch, crack or missing part. ## Problem it solves - PL: Ludzie przy taśmie męczą się po godzinie patrzenia, przeoczają drobne wady, a reklamacje od klientów kosztują więcej niż sama produkcja. - EN: People at the belt tire after an hour of watching and miss small defects, and customer complaints cost more than production itself. ## What it does - PL: Jak kontroler, który nigdy nie mruga: porównuje każdy wyrób z tym, jak powinien wyglądać, i zaznacza miejsce, które się nie zgadza. - EN: Like an inspector who never blinks: it compares each product with how it should look and marks the spot that does not match. ## Everyday example - PL: W fabryce elektroniki kamera nad taśmą zatrzymuje płytkę z krzywo przylutowanym elementem, zanim trafi do montażu w urządzeniu. - EN: In an electronics factory a camera over the belt stops a circuit board with a crooked solder joint before it goes into a device. ## This concerns you if you… - PL: odpowiadasz za jakość wyrobów na linii - PL: dostajesz reklamacje za wady, których nikt nie zauważył - EN: are responsible for product quality on a line - EN: get complaints about defects nobody noticed ## Keywords MVTec AD · VisA · PatchCore · defect segmentation · automated optical inspection · surface defect detection · anomaly localization · machine vision · AUROC ## How it works - PL: Gdy przykładów wad jest dużo, stosuje się klasyfikację, detekcję lub segmentację uczone na oznaczonych zdjęciach. Częściej wad jest mało, więc model uczy się tylko wyglądu dobrych sztuk i zgłasza odstępstwa jako anomalię. Ważne są oświetlenie, optyka i stałe ustawienie kamery, a wynik musi zmieścić się w takcie linii. - EN: When defect examples are plentiful, classification, detection or segmentation is trained on labelled images. More often defects are scarce, so the model learns only what good parts look like and flags deviations as anomalies. Lighting, optics and fixed camera placement matter, and results must fit the line's cycle time. ## Limits - PL: Nowe rodzaje wad, zmiana partii materiału albo oświetlenia psują model. Trzeba dobrać próg między przepuszczeniem wady a odrzucaniem dobrych sztuk. Oznaczanie wad co do piksela jest drogie, a decyzja musi zapaść w ułamku sekundy. - EN: New defect types, a new material batch or changed lighting break the model. A threshold must balance missed defects against rejected good parts. Pixel-level defect labelling is costly, and decisions must come in a fraction of a second. ## Key terms - PL: **AOI**: Automatyczna inspekcja optyczna, np. płytek elektroniki. - PL: **takt linii**: Czas, w jakim kolejny wyrób przechodzi przez stanowisko. - PL: **fałszywe odrzucenie**: Dobra sztuka błędnie uznana za wadliwą. - EN: **AOI**: Automated optical inspection, e.g. of circuit boards. - EN: **cycle time**: Time in which the next product passes a station. - EN: **false reject**: A good part wrongly judged defective. ## Know first - [Detekcja obiektów (Object detection)](https://aiatlasgraph.com/t/objectdetection.md) - [Segmentacja obrazu (Image segmentation)](https://aiatlasgraph.com/t/segmentation.md) ## Subtopics (4 direct, 4 in total) - [Generowanie syntetycznych obrazów wad (Few-shot synthetic defect image generation)](https://aiatlasgraph.com/t/defectsynthesis.md): Generating defect image–mask pairs from a few defect examples and many normal images, as augmentation for training detectors. - [Wykrywanie wad bez przykładów z modelem wizja–język (Zero- and few-shot anomaly detection with vision-language models)](https://aiatlasgraph.com/t/zeroshotdefect.md): Anomaly classification and segmentation with no training data for the category, or a few normal images, by matching image features to text descriptions. - [Wykrywanie wad uczone tylko na dobrych sztukach (Unsupervised industrial anomaly detection)](https://aiatlasgraph.com/t/unsupdefect.md): Detecting and localising image anomalies when training only on nominal samples, usually by comparing features with a model of normality. - [Wykrywanie wad w skanach 3D i chmurach punktów (3D and multimodal industrial anomaly detection)](https://aiatlasgraph.com/t/inspection3d.md): Unsupervised anomaly detection and localisation in point clouds or depth maps, often fused with RGB images. ## Sources - [Towards Total Recall in Industrial Anomaly Detection]() `roth-patchcore-2021` · by Karsten Roth, Latha Pemula, Joaquin Zepeda, Bernhard Schölkopf, Thomas Brox, Peter Gehler - [WinCLIP: Zero-/Few-Shot Anomaly Classification and Segmentation]() `jeong-winclip-2023` · by Jongheon Jeong, Yang Zou, Taewan Kim, Dongqing Zhang, Avinash Ravichandran, Onkar Dabeer --- AI Atlas revision 122 (2026-10-30) · HTML: https://aiatlasgraph.com/t/visualinspection · index: https://aiatlasgraph.com/llms.txt · everything: https://aiatlasgraph.com/llms-full.txt · updated 2026-10-30