مطالعه موردی: پیاده‌سازی یک سیستم کنترل کیفیت پیچیده در صنعت خودرو با استفاده از PC-Based HIKROBOT

چگونه یک خودروساز آلمانی با تکیه بر بینایی ماشین مبتنی بر PC، یادگیری عمیق و یکپارچگی MES/PLC، نرخ فرار عیب را ۹۲٪ کاهش داد؟

در صنعت خودرو، کیفیت دیگر فقط یک شاخص رقابتی نیست؛ کیفیت به‌معنای بقاست. هر قطعه‌ای که از فیلتر کنترل کیفیت عبور می‌کند اما در واقع معیوب است، می‌تواند در ادامه زنجیره ارزش به دوباره‌کاری، توقف خط، فراخوان محصول، آسیب به برند و حتی ریسک ایمنی منجر شود. به همین دلیل، کارخانه‌های پیشرو در اروپا به‌ویژه در آلمان، در سال‌های اخیر از کنترل کیفیت سنتی فاصله گرفته‌اند و به سمت سامانه‌های هوشمند، داده‌محور و تمام‌اتوماتیک حرکت کرده‌اند.

در این مقاله، یک مطالعه موردی جامع از پیاده‌سازی یک سیستم کنترل کیفیت پیچیده در خط تولید قطعات پیشرانه یکی از بزرگ‌ترین خودروسازان آلمانی یا تأمین‌کنندگان رده‌یک آن را بررسی می‌کنیم؛ پروژه‌ای که در سال ۲۰۲۵ به بهره‌برداری کامل رسید و با تکیه بر پلتفرم PC-Based HIKROBOT توانست هم‌زمان سه هدف دشوار را محقق کند: بازرسی صددرصدی، دقت میکرومتری و سرعت سازگار با خط تولید.

این پروژه فقط یک نصب دوربین یا یک ایستگاه بازرسی ساده نبود. بلکه یک اکوسیستم کامل شامل دوربین‌های صنعتی، اسکن سه‌بعدی، نورپردازی مهندسی‌شده، رایانه صنعتی قدرتمند، الگوریتم‌های کلاسیک پردازش تصویر، مدل‌های یادگیری عمیق، ارتباط با PLC و MES، و زیرساخت ذخیره‌سازی و بهبود مستمر بود. نتیجه چه شد؟ کاهش ۹۲ درصدی Escape Rate و افزایش ۳۵ درصدی OEE.

چرا این مطالعه موردی مهم است؟ چون دقیقاً نشان می‌دهد که چرا معماری PC-Based در کاربردهای پیچیده صنعتی، به‌ویژه در خودروسازی، هنوز یک مزیت جدی نسبت به معماری‌های Embedded یا Smart Camera-centric دارد. همچنین به‌روشنی روشن می‌کند که چرا موفقیت چنین پروژه‌ای فقط به انتخاب دوربین خوب وابسته نیست؛ بلکه به درک عمیق از فرایند، مهندسی الزامات، طراحی اپتیک و نور، مدل‌سازی داده و مدیریت تغییر سازمانی وابسته است.

چرا خودروسازی به کنترل کیفیت نسل چهارم نیاز دارد؟

اگر بخواهیم ریشه‌ای به موضوع نگاه کنیم، کنترل کیفیت در خودروسازی امروز صرفاً «یافتن عیب» نیست؛ بلکه «مدیریت ریسک فرایندی» است. علت اصلی این تحول، پیچیده‌تر شدن محصول و حساس‌تر شدن بازار است. موتورهای هیبریدی و الکتریکی، قطعات آلومینیومی سبک‌تر، تلرانس‌های محدودتر، و فشار استانداردهای IATF و VDA باعث شده‌اند که بازرسی دستی یا نیمه‌خودکار دیگر پاسخ‌گو نباشد.

چرایی این نیاز روشن است:

• تلرانس‌ها کوچک‌تر شده‌اند؛ در بسیاری از ویژگی‌های بحرانی، صحبت از چند میکرون است.
• عیوب پیچیده‌تر شده‌اند؛ مثل ترک‌های مویی، تخلخل‌های ریز، آخال، ناهم‌ترازی و تغییرات بافت.
• سرعت خط بالاتر رفته است؛ سیستم باید بدون ایجاد گلوگاه تصمیم بگیرد.
• ردیابی الزامی شده است؛ هر تصمیم بازرسی باید به شناسه قطعه، زمان، ایستگاه و داده تصویری متصل باشد.
• کنترل کیفیت باید به کنترل فرایند تبدیل شود؛ یعنی فقط عیب را نبیند، بلکه علت شکل‌گیری آن را در فرایند تشخیص دهد.

به همین دلیل، کارخانه‌های پیشرو به سمت سیستم‌هایی رفته‌اند که هم تصویر را ببینند، هم داده را بفهمند و هم با سیستم‌های تولید صحبت کنند. این دقیقاً جایی است که HIKROBOT PC-Based وارد میدان می‌شود.

 

 

پلتفرم PC-Based HIKROBOT دقیقاً چه مزیتی دارد؟

در معماری PC-Based، دوربین نقش «چشم» را دارد، اما «مغز» سیستم یک رایانه صنعتی مرکزی است. این تفاوت بنیادین با دوربین های هوشمند بسیار مهم است. در Smart Camera، دریافت تصویر و پردازش روی همان واحد انجام می‌شود؛ اما در پروژه‌های پیچیده که چندین دوربین، چندین الگوریتم، مدل‌های عمیق و نیاز به همگام‌سازی دقیق وجود دارد، این معماری محدودیت ایجاد می‌کند.

چرا؟

چون در پروژه‌های خودرویی، مسئله فقط گرفتن یک عکس و تشخیص یک الگو نیست. شما ممکن است هم‌زمان بخواهید:

• از ۱۲ دوربین تصویر بگیرید،
• چند ویژگی هندسی را با دقت میکرونی اندازه‌گیری کنید،
• یک پروفایل سه‌بعدی را تحلیل کنید،
• ترک و تخلخل را با CNN تشخیص دهید،
• DMC و OCR را بخوانید،
• نتیجه را به PLC بفرستید،
• داده را در MES ثبت کنید،
• و تصاویر NOK را آرشیو کنید.

این حجم از پردازش و هماهنگی، به‌ویژه وقتی زمان چرخه محدود است، به قدرت x86، GPU و نرم‌افزار منعطف نیاز دارد. این دقیقاً همان فلسفه‌ای است که پشت PC-Based HIKROBOT قرار دارد: جدا کردن لایه acquisition از لایه computation تا سیستم هم مقیاس‌پذیرتر شود، هم قابل ارتقا و هم آماده‌تر برای AI.

HIKROBOT در این حوزه یک اکوسیستم نسبتاً کامل ارائه می‌دهد:

• دوربین‌های Area Scan، Line Scan و 3D
• کارت‌های Frame Grabber
• کنترلرهای نور
• پلتفرم Vision Master
• ابزارهای Deep Learning
• ارتباط صنعتی از طریق OPC UA، Profinet، MQTT و Modbus

این یکپارچگی مهم است، چون در صنعت، هزینه اصلی فقط خرید سخت‌افزار نیست؛ هزینه اصلی در پیاده‌سازی، نگهداری و پایداری بلندمدت است.

تعریف پروژه: مسئله‌ای که باید حل می‌شد

در این مطالعه موردی، موضوع بر سر بازرسی قطعات ریخته‌گری و ماشین‌کاری‌شده موتور، به‌ویژه سرسیلندر و بلوک سیلندر بود. قطعاتی بزرگ، فلزی، بازتابنده، دارای ویژگی‌های هندسی پیچیده و بسیار حساس از منظر عملکرد.

خط تولید با این محدودیت‌ها روبه‌رو بود:

• بازرسی صددرصدی نیاز بود
• زمان چرخه کل باید با خط هماهنگ می‌بود
• ۴۸ ویژگی هندسی و ظاهری باید بررسی می‌شد
• برخی تلرانس‌ها در حد ±۱۵ میکرومتر بودند
• سرعت تولید حدود ۴۵ قطعه در ساعت بود
• نرخ فرار عیب قبلی بالا بود
• سیستم سنتی مبتنی بر انسان و حسگرهای پراکنده، خط را کند می‌کرد

اینجا باید به یک نکته کلیدی توجه کرد: در چنین محیطی، یک سیستم بازرسی خوب، فقط سیستمی نیست که دقیق باشد. اگر دقیق باشد اما زمان چرخه را خراب کند، شکست خورده است. اگر سریع باشد اما explainability نداشته باشد و حسابرس کیفیت آن را نپذیرد، باز هم شکست خورده است. اگر مستقل باشد اما با PLC و MES یکپارچه نشود، از نظر کارخانه ناقص است.

بنابراین، معماری راه‌حل باید از ابتدا بر سه محور طراحی می‌شد:

1. Accuracy
2. Throughput
3. Traceability

معماری راه‌حل: از دوربین تا MES

راه‌حل نهایی از سه ایستگاه بازرسی و یک رایانه مرکزی تشکیل شد:

۱) ایستگاه بازرسی ابعادی

در این ایستگاه، اندازه‌گیری قطرها، موقعیت سوراخ‌ها، هم‌مرکزی، و صافی سطوح انجام می‌شد. از دوربین‌های ۲۵ مگاپیکسلی و یک اسکنر سه‌بعدی لیزری استفاده شد تا هم دید دوبعدی و هم ارتفاع‌سنجی سه‌بعدی در اختیار سیستم باشد.

۲) ایستگاه بازرسی سطحی

اینجا تمرکز بر تشخیص عیوب ظاهری مانند تخلخل، ترک، آخال، خراش و ایرادهای ماشین‌کاری بود. شش دوربین ۱۲ مگاپیکسلی با نورپردازی مهندسی‌شده سطح‌های مختلف قطعه را پوشش می‌دادند.

۳) ایستگاه خواندن شناسه و OCR

در این مرحله، Data Matrix Code و نوشته‌های لیزری یا dot-matrix خوانده می‌شد تا نتیجه بازرسی به شناسه یکتای قطعه متصل شود. این بخش برای traceability حیاتی بود.

۴) رایانه صنعتی مرکزی

همه این‌ها توسط یک IPC قدرتمند مبتنی بر Intel Core i9 و GPU حرفه‌ای NVIDIA مدیریت می‌شد. علت انتخاب چنین سخت‌افزاری روشن است: در پروژه‌ای که چندین مدل عمیق و چندین جریان تصویری با رزولوشن بالا به‌صورت موازی اجرا می‌شوند، Bottleneck پردازشی می‌تواند کل ارزش پروژه را از بین ببرد.

۵) لایه اتوماسیون و یکپارچگی

PLC زیمنس، ربات هندلینگ و MES به این هسته متصل بودند. نتیجه بازرسی مستقیماً بر سرنوشت قطعه اثر می‌گذاشت: OK، NOK، یا Borderline برای بازبینی انسانی.

چرا انتخاب سخت‌افزار در این پروژه حیاتی بود؟

در بین پروژه‌های machine vision، شاید هیچ چیزی به‌اندازه انتخاب سخت‌افزار دست‌کم گرفته نمی‌شود. خیلی‌ها فکر می‌کنند مهم‌ترین بخش، الگوریتم است. در حالی‌که در عمل، اگر اپتیک و نورپردازی اشتباه باشد، بهترین الگوریتم هم نمی‌تواند تصویر بد را نجات دهد.

دوربین

برای ویژگی‌های ابعادی، دوربین‌های monochrome با رزولوشن بالا انتخاب شدند. علت این انتخاب این است که سنسورهای مونوکروم نسبت به رنگ، حساسیت نوری و sharpness بالاتری در تشخیص لبه‌ها دارند. وقتی هدف، edge localization زیرپیکسلی است، این موضوع بسیار مهم می‌شود.

برای عیوب سطحی، دوربین‌های رنگی استفاده شدند، چون بعضی عیوب مثل اکسیداسیون یا تغییرات ظریف رنگی روی فلز ممکن است در grayscale از دست بروند.

لنز

در اندازه‌گیری دقیق، لنز تله‌سانتریک فقط یک گزینه لوکس نیست؛ یک ضرورت است. چرا؟ چون در لنزهای معمولی، تغییر ارتفاع قطعه می‌تواند باعث تغییر بزرگ‌نمایی و خطای اندازه‌گیری شود. لنز تله‌سانتریک این خطا را به حداقل می‌رساند و برای metrology حیاتی است.

نورپردازی

سطح آلومینیومی ماشین‌کاری‌شده، یکی از سخت‌ترین سوژه‌ها برای بینایی ماشین است. بازتاب شدید، نقاط داغ، تغییر بافت و آلودگی محیطی باعث می‌شود نورپردازی درست، عملاً نصف پروژه باشد.

ترکیب به‌کاررفته شامل:

• Dome light برای یکنواخت‌سازی سطح
• Coaxial light برای عیوب ریز و ترک‌های مویی
• Structured blue light برای توپوگرافی و برجسته‌سازی عیوب سه‌بعدی

فلسفه این طراحی این بود که هر عیب زیر یک نور خاص بهتر خودش را نشان می‌دهد. در نتیجه به‌جای تکیه بر یک نور همه‌کاره، چند مد نوری مکمل استفاده شد.

رایانه صنعتی

استفاده از GPU حرفه‌ای در این پروژه یک انتخاب تزئینی نبود. وقتی inference شش مدل عمیق روی تصاویر ۱۲MP باید در کسری از ثانیه انجام شود، CPU به‌تنهایی پاسخ‌گو نیست. PC-Based architecture اجازه داد تا inference با TensorRT بهینه شود و زمان پردازش کنترل شود.

 

 

نرم‌افزار Vision Master و منطق طراحی الگوریتم‌ها

نرم‌افزار Vision Master در این پروژه نقش پلتفرم توسعه و اجرا را ایفا کرد. مزیت اصلی آن، low-code بودن در کنار قابلیت ادغام مدل‌های ONNX و ابزارهای کلاسیک بینایی ماشین است.

این موضوع از نظر فلسفه مهندسی مهم است. چرا؟ چون در یک سیستم صنعتی واقعی، شما معمولاً فقط با AI یا فقط با Rule-Based کار نمی‌کنید. راه‌حل مؤثر اغلب Hybrid است.

چه چیزهایی Rule-Based ماندند؟

• اندازه‌گیری سوراخ‌ها
• تشخیص لبه
• محاسبه هم‌مرکزی
• بررسی حضور/عدم حضور ویژگی‌های مشخص
• خواندن برخی کدهای ساخت‌یافته

علتش روشن است: این نوع مسائل ساختار هندسی مشخص دارند، توضیح‌پذیرند، سریع‌اند و برای audit کیفیت هم قابل دفاع‌تر هستند.

چه چیزهایی با Deep Learning حل شدند؟

• تخلخل‌های پیچیده
• ترک‌های ظریف
• عیوب با ظاهر متغیر
• ناهنجاری‌های سطحی غیرخطی

چرا؟ چون این دسته از عیوب اغلب شکل ثابتی ندارند، با تغییر نور و بافت تغییر می‌کنند و با threshold و morphology به‌تنهایی به‌خوبی مدیریت نمی‌شوند.

چرا Hybrid بهترین انتخاب بود؟

چون هر ابزار باید در جای درست استفاده شود. استفاده از CNN برای اندازه‌گیری یک سوراخ، معمولاً overkill و غیرضروری است. همان‌طور که تکیه بر الگوریتم‌های سنتی برای تشخیص برخی ترک‌های سطحی بسیار شکننده است. مهندسی خوب یعنی تخصیص مسئله به ابزار مناسب.

داده آموزشی: جایی که موفقیت واقعی ساخته می‌شود

بخش مهم پروژه، جمع‌آوری و ساخت dataset بود. از خط قبلی، هزاران تصویر OK و NOK جمع‌آوری شد و سپس با برچسب‌گذاری دقیق برای آموزش مدل‌ها به‌کار رفت.

اینجا یک نکته بنیادین وجود دارد: در صنعت، AI معمولاً نه به‌خاطر مدل بد، بلکه به‌خاطر داده بد شکست می‌خورد. اگر داده‌ها نماینده واقعیت خط نباشند، اگر تنوع عیب‌ها پوشش داده نشود، اگر شرایط نوری واقعی در دیتاست نباشد، مدل روی لپ‌تاپ خوب به‌نظر می‌رسد ولی روی خط سقوط می‌کند.

برای همین، در این پروژه:

• تصاویر واقعی خط استفاده شد
• augmentation به‌صورت هدفمند انجام شد
• annotation توسط مهندسان کیفیت انجام گرفت، نه صرفاً اپراتور داده
• مدل anomaly detection هم برای عیوب ناشناخته اضافه شد

افزودن anomaly detection تصمیم بسیار هوشمندانه‌ای بود. چرا؟ چون در خطوط واقعی همیشه عیبی ظاهر می‌شود که قبلاً ندیده‌ایم. مدل supervised فقط چیزی را خوب می‌بیند که قبلاً برایش مثال داشته‌ایم. اما autoencoder یا مدل‌های مشابه می‌توانند deviation از الگوی سالم را هم تشخیص دهند و لایه دوم ایمنی بسازند.

یکپارچگی با PLC و MES: جایی که بازرسی به بخشی از تولید تبدیل می‌شود

خیلی از پروژه‌های بینایی ماشین از نظر فنی خوب‌اند اما از نظر صنعتی ناقص. دلیلش این است که به‌عنوان یک جزیره مستقل طراحی می‌شوند. در حالی‌که در کارخانه، ارزش واقعی وقتی ایجاد می‌شود که سیستم بازرسی در بافت تولید حل شود.

در این پروژه، ارتباط از طریق Profinet و OPC UA انجام شد. PLC ترتیب عملیات را کنترل می‌کرد، ربات قطعه را جابه‌جا می‌کرد، IPC نتیجه را برمی‌گرداند و MES همه چیز را ثبت می‌کرد.

چرا این یکپارچگی حیاتی است؟

• چون نتیجه بازرسی باید بلافاصله تصمیم اجرایی ایجاد کند
• چون traceability بدون MES ناقص است
• چون تحلیل روندها بدون ذخیره ساختاریافته داده‌ها ممکن نیست
• چون کیفیت وقتی ارزشمند می‌شود که به اصلاح فرایند منجر شود

در واقع، این سیستم فقط یک «دوربین تصمیم‌گیر» نبود؛ یک گره داده‌ای در کارخانه دیجیتال بود.

اعتبارسنجی: چرا پروژه فقط با accuracy بالا پذیرفته نمی‌شود؟

در خودروسازی آلمان، هیچ سیستم بازرسی صرفاً به‌خاطر عملکرد خوب در دموی فنی پذیرفته نمی‌شود. باید از نظر MSA، VDA، IATF، قابلیت اندازه‌گیری، پایداری و repeatability هم قابل دفاع باشد.

به همین دلیل:

• مطالعات Cg/Cgk انجام شد
• Gauge R&R ارزیابی شد
• قطعات مرجع و عیوب مصنوعی استفاده شدند
• نتایج با CMM مقایسه شد
• درصد false reject و false accept سنجیده شد

این مرحله شاید از نگاه بعضی تیم‌های فنی زمان‌بر و فرسایشی به‌نظر برسد، اما فلسفه‌اش روشن است: در صنعت خودرو، اعتماد باید اندازه‌گیری شود، نه ادعا.

چالش‌های واقعی پیاده‌سازی و اینکه چرا پروژه شکست نخورد

پروژه با چالش‌هایی روبه‌رو بود که روی کاغذ ساده به‌نظر می‌رسند اما در اجرا می‌توانند کل سیستم را مختل کنند:

بازتاب شدید فلز

با محفظه بسته، پلاریزاسیون متقاطع و HDR حل شد.

لرزش محیط

با ایزولاسیون مکانیکی و تاخیر کنترل‌شده قبل از trigger مدیریت شد.

گرد و غبار روی اپتیک

با air curtain و مانیتورینگ کیفیت تصویر کنترل شد.

تنوع مدل قطعه

با recipe management و فراخوانی پارامتر از MES حل شد.

مقاومت اپراتورها

با آموزش، مشارکت دادن آن‌ها در بازبینی قطعات مرزی و تغییر نقش از «بازرس دستی» به «ناظر کیفیت دیجیتال» مدیریت شد.

این مورد آخر بسیار مهم است. بسیاری از پروژه‌های اتوماسیون از نظر فنی شکست نمی‌خورند، بلکه از نظر انسانی شکست می‌خورند. چون فناوری جدید اگر به‌درستی معرفی نشود، به‌عنوان تهدید دیده می‌شود نه ابزار توانمندساز.

 

 

نتایج عددی: جایی که ارزش اقتصادی روشن می‌شود

نتایج بهره‌برداری شش‌ماهه نشان دادند که پروژه فقط از نظر تکنیکی جذاب نبود، بلکه از نظر مالی هم کاملاً توجیه‌پذیر بود.

• Escape Rate از 3500 PPM به 280 PPM رسید
• OEE از ۶۸٪ به ۹۲٪ افزایش یافت
• زمان چرخه بازرسی از ۵۲ ثانیه به ۳۶ ثانیه کاهش یافت
• False Reject به حدود ۰.۰۸٪ محدود شد
• هزینه ضایعات و دوباره‌کاری به‌شدت کاهش پیدا کرد
• نیاز به نیروی انسانی مستقیم برای بازرسی کم شد
• ROI در کمتر از ۶ ماه حاصل شد

چرا این اعداد مهم‌اند؟ چون در پروژه‌های B2B صنعتی، تصمیم‌گیر نهایی فقط به «فناوری خوب» رأی نمی‌دهد؛ به کاهش ریسک، کاهش هزینه و افزایش بهره‌وری رأی می‌دهد. اگر نتوانی این سه را نشان دهی، حتی بهترین فناوری هم شانس کمی دارد.

مقایسه با راهکارهای سنتی و رقابتی

از منظر مقایسه‌ای، این پروژه یک پیام مهم دارد: در کاربردهای پیچیده چنددوربینه با AI و metrology هم‌زمان، معماری PC-Based هنوز بسیار قدرتمندتر از رویکردهای پراکنده Smart Camera است.

در برابر بازرسی دستی، مزیت‌ها واضح‌اند:

• تکرارپذیری
• traceability
• عدم خستگی
• ثبت داده
• امکان تحلیل تاریخی

در برابر برخی رقبا نیز HIKROBOT مزیت هزینه‌ای و اکوسیستمی داشت. البته باید حرفه‌ای و منصفانه گفت که در بعضی حوزه‌های بسیار تخصصی، مثلاً برخی کتابخانه‌های سه‌بعدی یا الگوریتم‌های خاص metrology، راهکارهایی مانند HALCON هنوز عمق بیشتری دارند. اما در این پروژه، ترکیب قیمت، یکپارچگی، کاربرپسندی و عملکرد باعث شد HIKROBOT انتخاب بهینه باشد.

آینده این نوع سیستم‌ها: از بازرسی به پیش‌بینی

شاید مهم‌ترین درس این پروژه این باشد که سیستم‌های بینایی ماشین دیگر فقط ابزار inspection نیستند. آن‌ها به‌تدریج به ابزارهای quality intelligence تبدیل می‌شوند.

وقتی داده‌های اندازه‌گیری و عیب را در طول زمان جمع می‌کنید، می‌توانید:

• سایش ابزار را پیش‌بینی کنید
• drift فرایند را زودتر ببینید
• تنظیمات CNC را پیش از تولید ضایعات اصلاح کنید
• خرابی منبع نور یا آلودگی لنز را پیش‌بینی کنید
• و در نهایت به سمت Zero-Defect Manufacturing حرکت کنید

در این پروژه، حتی از AI مولد و مدل‌های پیش‌بینانه برای نگهداری خود سیستم بازرسی استفاده شد. این یعنی سیستم فقط قطعه را نمی‌پاید، بلکه خودش را هم پایش می‌کند. این همان جایی است که Industry 4.0 از یک شعار به یک مزیت عملیاتی واقعی تبدیل می‌شود.

جمع‌بندی نهایی

این مطالعه موردی به‌خوبی نشان می‌دهد که پیاده‌سازی یک سیستم کنترل کیفیت پیچیده در صنعت خودرو، چیزی فراتر از نصب چند دوربین و نوشتن چند الگوریتم است. موفقیت چنین پروژه‌ای در گرو ترکیب چند لایه است: درک دقیق نیاز فرایندی، انتخاب درست اپتیک و نور، معماری پردازشی مقیاس‌پذیر، استفاده هوشمندانه از الگوریتم‌های کلاسیک و یادگیری عمیق، اعتبارسنجی بر مبنای استاندارد، و یکپارچگی عمیق با تولید.

PC-Based HIKROBOT در این پروژه توانست نشان دهد که وقتی مسئله، بازرسی چندایستگاهی، چنددوربینه، مبتنی بر AI و متصل به MES/PLC است، این معماری یک انتخاب بسیار منطقی و آینده‌دار است. کاهش ۹۲ درصدی نرخ فرار عیب و افزایش ۳۵ درصدی OEE فقط چند عدد نیستند؛ آن‌ها نشان می‌دهند که کنترل کیفیت هوشمند چگونه می‌تواند هم‌زمان کیفیت، بهره‌وری و سودآوری را جابه‌جا کند.

اگر بخواهیم عصاره این پروژه را در یک جمله بگوییم، باید گفت:

بینایی ماشین در خودروسازی دیگر فقط ابزار تشخیص عیب نیست؛ به ستون فقرات تصمیم‌گیری کیفیت در کارخانه دیجیتال تبدیل شده است.