Detta examensarbete genomfördes vid Volvo Powertrain i Skövde och syftade till att förbättra tillförlitligheten i det kamerasystem som används för att styra en industrirobot vid hantering av cylinderhuvuden, strö och pallar. Tre huvudsakliga mål formulerades: att åtgärda felaktig detektering av cylinderhuvuden på det sista lagret, att förbättra hanteringen av strö samt att undersöka kamerans koordinationsnoggrannhet vid positionering.Förbättringsarbetet tillämpade PDCA-metoden för de två första målen. Genom insamling och analys av bild data kunde felorsaker identifieras, och nya programlogiker utvecklades i Cognex In-Sight Explorer. Dessa inkluderade villkor för att detektera rullar, en ny helformad sökmodell för strö samt ökade rotationstoleranser. Samtliga förbättringar testades i emulatormiljö, där både tidigare felaktiga och korrekta bilder användes för att verifiera resultatens tillförlitlighet. Det tredje målet analyserades med hjälp av Gemba, där observationer i produktionsmiljö visade att koordinatinformationen från kameran var korrekt, medan felet troligen låg i robotens rörelselogik. Slutsatsen är att detekteringsförmågan i visionsystemet har förbättrats genom riktade programmeringsinsatser, och att fortsatt utveckling bör ske i samverkan med robotens styrsystem för att uppnå en mer stabil helhetsfunktion.
This thesis project was carried out at Volvo Powertrain in Skövde with the aim of improving the reliability of the existing vision system used to guide an industrial robot in the handling of cylinder heads, support brackets (Strö), and pallets. Three main objectives were formulated: to address incorrect detection of cylinder heads on the final layer, to improve the handling of support brackets, and to investigate the camera’s positional accuracy in guiding the robot. The improvement work applied the PDCA method for the first two objectives. Through the collection and analysis of image data, root causes were identified, and new logic conditions were developed in Cognex In-Sight Explorer. These included detection criteria for conveyor rollers, a new shape-based model for the support bracket, and increased tolerance for object rotation. All improvements were tested in the emulator environment using both previously misclassified and correctly identified images to validate the reliability of the updated program. The third objective was examined using the Gemba approach. Observations in the production environment confirmed that the camera system delivered accurate coordinates, while errors likely originated from the robot’s motion logic. In conclusion, the system’s detection reliability was significantly enhanced through targeted programming measures, and further development should focus on improving robot-path calibration for stable system performance.