Trendy v kontrole kvality 2026: Co se na výrobních linkách skutečně mění

Projděte se v roce 2026 středně velkým potravinářským nebo farmaceutickým závodem a oddělení kvality vypadá jinak než ještě před třemi lety. Méně papírových protokolů, méně vzorkovacích stolů, více kamer. Ten posun nepohání hype, ale prostá aritmetika: lidí je málo a jsou drazí, stahování výrobků z trhu je viditelnější než kdy dřív a cena kamerového hardwaru i AI modelů klesla natolik, že kontrolovat každý kus často vyjde levněji než kontrolovat vzorek. Tady je praktický přehled trendů, které letos formují kontrolu kvality — a co znamenají pro každého, kdo výrobní linku řídí nebo projektuje.

Od vzorkování ke 100% inline kontrole

Největší strukturální změnou je ústup statistického vzorkování jako výchozí strategie kontroly kvality. Vzorkování dávalo smysl, dokud byla kontrola ruční a pomalá. Když ale kamera dokáže klasifikovat každý výrobek v plném taktu linky, kontrola 2 % produkce a extrapolace zbytku začíná vypadat jako zbytečné riziko.

Automatizovaná vizuální kontrola (AVI) se z doplňkového monitorovacího nástroje stala běžným procesním krokem. V roce 2026 kamerové systémy stále častěji sedí přímo v lince — za plničkou, za etiketovačkou, před balením do kartonů — a třídí OK/NOK kusy v reálném čase, místo aby generovaly reporty, které si někdo přečte druhý den ráno.

Co to v praxi mění:

• Vady se zachytí na stanici, kde vznikají, ne až při závěrečném auditu — zmetkem je jeden kus, ne celá paleta.
• Data o kvalitě jsou kontinuální. Místo reportu ze vzorků na konci směny máte živou zmetkovitost podle SKU, směny, trysky nebo kavity.
• Stahování z trhu jsou menší a vzácnější, protože se anomálie odchytí dřív, než opustí závod.

Trh strojového vidění to potvrzuje: analytici odhadují globální trh v roce 2026 na 13–17 miliard USD s výhledem zhruba zdvojnásobení do roku 2034. Tento růst nepohánějí automobilky, které vidění používají desítky let — táhnou ho středně velké potravinářské, farmaceutické, obalové a logistické provozy, které ho nasazují poprvé.

AI vidění nahrazuje systémy postavené na pravidlech

Klasické strojové vidění — prahování, detekce hran, porovnání se šablonou — pořád dobře funguje na tuhé, opakovatelné díly. Jenže většina reálné výroby tuhá není. Pečivo nevypadá dvakrát stejně. Etikety se krčí. Osvětlení driftuje. Tradiční systémy to řešily křehkými sadami pravidel, které se rozsypaly pokaždé, když dodavatel změnil lesk fólie.

Modely hlubokého učení — převážně konvoluční sítě a stále častěji i kompaktní vision transformery — si s přirozenou variabilitou poradí výrazně lépe. Z příkladů se naučí, jak vypadá dobrý výrobek včetně jeho přípustného rozptylu, a hlásí odchylky — i typy vad, se kterými nikdo nepočítal, díky detekci anomálií natrénované jen na OK kusech.

Praktický důsledek pro rok 2026: čas nasazení dramaticky klesá. Kde systém postavený na pravidlech potřeboval týdny práce vision inženýra na každé SKU, AI model se často natrénuje z pár stovek označených snímků nasbíraných během běžné výroby. Tím se vidění stává reálným i pro linky s vysokým mixem a častými přestavbami — historicky nejtěžší případ.

Novinkou, kterou stojí za to sledovat, jsou vision-language modely na edge zařízeních. Místo trénování klasifikátoru pro každý typ vady dokážou malé multimodální modely odpovídat na otázky typu „je svár neporušený a kód šarže čitelný?“. Letos se posouvají z výzkumu do prvních produkčních nasazení, i když pro tvrdé real-time třídění zatím dominují dedikované natrénované modely.

Edge zpracování a konec zajížďky přes cloud

Před dvěma lety řada pilotů AI kontroly streamovala snímky do cloudu na inferenci. V roce 2026 tato architektura ze seriózních nasazení prakticky zmizela, a to ze tří důvodů: latence (rozhodnutí o vyřazení při 60+ kusech za minutu nemůže čekat na round trip), šířka pásma (streamy snímků ve vysokém rozlišení z tuctu kamer zahltí závodní síť) a IT politika (řada potravinářských a farmaceutických závodů prostě odmítá posílat snímky z výroby mimo areál).

Vítězný vzorec je inference na edge zařízení přímo u linky — chytrá kamera nebo kompaktní průmyslová řídicí jednotka (AI PLC) — přičemž nahoru odcházejí jen výsledky, statistiky a vybrané snímky pro trénink. Aktualizace modelů tečou opačným směrem. To sedí i do náročných prostředí: hermetické kamery s krytím IP67 přežijí mokré provozy a sanitační cykly, kde by řešení postavené na PC neobstálo.

Do tohoto trendu přirozeně zapadají kamerové sady formou předplatného. Místo integračního projektu za miliony závod nasadí kameru s edge AI jednotkou jako provozní náklad a škáluje linku po lince. Robopipe je jedním z příkladů: AI kamera formou předplatného navržená k montáži přímo na linku pro kontrolu kvality, detekci vad, počítání a kontrolu etiket a obalů — přesně ten nízkoprahový vstup, který přivádí středně velké evropské výrobce ke 100% kontrole.

Určujícím posunem roku 2026 je, že inline AI kontrola zlevnila a zrychlila natolik, že kontrola každého kusu často vychází ekonomicky lépe než vzorkování — a závody, které ji nasadí, dostanou kontinuální procesní data jako vedlejší produkt zdarma.

Data o kvalitě živí proces, ne jen report

Jakmile se kontroluje každý kus, kvalita přestává být jen branou OK/NOK a stává se senzorem celého procesu. Trendem roku 2026, na který analytici řízení kvality opakovaně upozorňují, jsou hybridní strategie: klasická disciplína SPC kombinovaná s predikcí založenou na AI.

Konkrétní příklady, které technologové zavádějí už teď:

• Detekce driftu: pomalu rostoucí podíl nedoplněných obalů spustí upozornění pro údržbu plničky dřív, než se objeví tvrdé zmetky.
• Korelace příčin: zmetkovitost spojená s daty z PLC (teploty, rychlosti, ID šarží) odhalí, který parametr na začátku procesu skutečně žene NOK kusy nahoru.
• Uzavřená smyčka: výsledky kontroly automaticky upravují nastavení strojů — stále vzácné, ale už ne exotické.

Předpokladem je, že kontrolní systém poskytuje strukturovaná data přes standardní rozhraní (OPC UA, MQTT, REST), místo aby fungoval jako černá skříňka. Při výběru jakéhokoli systému v roce 2026 by měl být přístup k datům tvrdým požadavkem, ne příjemným bonusem.

Regulace potichu zvedá laťku

Evropští výrobci mají v trasovatelnosti regulatorní vítr do zad. Digitální produktový pas (DPP) z nařízení o ekodesignu se rozjíždí — infrastruktura registru a technické normy přicházejí v průběhu roku 2026 a sektorová pravidla budou následovat. Průzkumy naznačují, že velké většině evropských firem strukturovaná data o životním cyklu, která bude DPP vyžadovat, stále chybí.

I tam, kde DPP zatím neplatí, je směr jasný: regulátoři i velcí obchodní řetězce stále častěji očekávají důkaz na úrovni šarže — někdy i kusu — o tom, co bylo vyrobeno, kdy a zda prošlo kontrolou. Kamerová kontrola tento důkaz produkuje jako vedlejší efekt: snímek s časovým razítkem a verdikt ke každému kusu. Závody, které už jedou 100% inline kontrolu, budou mít tyto požadavky z velké části vyřešené; závody spoléhající na papírové záznamy ze vzorkování nikoli.

Nedostatek lidí jako hnací síla

Pod tím vším leží jednoduché omezení: lidé nejsou. Výroba napříč EU — a Česko rozhodně nevyjímaje — má problém obsadit kontrolní pozice, a vizuální kontrola je přesně ten typ monotónní práce citlivé na únavu, kde výkon člověka během směny klesá. Studie ruční kontroly konzistentně ukazují, že u jemných vad uniká 20 % a více.

Realistický vzorec roku 2026 není nahrazování pracovníků kvality — je to jejich přesunutí. Kamery zvládají opakované kontroly kus po kuse; operátoři a technologové kvality řeší výjimky, přetrénování modelů a zlepšování procesu. Závody hlásí, že stejný počet lidí pokryje více linek a práce se mění ze zírání na dopravník na správu systému.

Kde začít

Pokud váš závod stále jede na ručním vzorkování, pragmatická cesta pro rok 2026 je začít v malém: vyberte jednu linku se známou a drahou vadou — opakující se chyba etikety, chybějící komponenty, vadné sváry. Nasaďte tam edge AI kameru, nechte ji pár týdnů běžet v monitorovacím režimu souběžně se stávajícím procesem, porovnejte její záchyt s daty ze vzorkování a teprve pak ji zapojte do vyřazování. Technologie dozrála do bodu, kdy tou těžkou částí už není AI — ale volba správného prvního problému a získání čistých příkladů OK/NOK kusů. Začněte tam.