← Alle artikelen
AI

Computer vision in de productie: kwaliteitscontrole, veiligheidsmonitoring en waarom MES-integratie de uitkomst bepaalt

📅 · 4 min leestijd · Meta Smart Factory Team

Waar AI-vision menselijke inspectie echt verslaat en waar niet, wat een echte uitrol nodig heeft aan verlichting en gelabelde beelden, en waarom een camera die niet terugschrijft naar je MES een demo blijft.

Computer vision is het makkelijkst te demonstreren en een van de lastigst in productie te brengen onderdelen van een smart factory. Een model dat op een slide een defect vindt is een opgelost probleem. Een model dat om drie uur 's nachts in november standhoudt, wanneer de zon niet meer zo door het dakraam valt als tijdens de pilot, is een andere oefening.

Dit is wat de twee scheidt, en wat je een leverancier vraagt vóór de proof of concept in plaats van erna.

Waarin vision echt beter is dan een mens

Consistentie op snelheid, op een gedefinieerd defect, blijvend. Een mens is beter dan elk model in het opmerken van iets nieuws en vreemds. Een mens is slechter dan elk model in het bekijken van het achthonderdste stuk van een dienst met dezelfde aandacht als het eerste.

De cases die renderen hebben daarom dezelfde vorm: hoog volume, een beschrijfbare defectklasse, en reële kosten als er iets doorheen glipt. Oppervlaktedefecten op lopende baan. Aanwezigheid en oriëntatie van componenten voordat een doos wordt gesloten. Leesbaarheid van etiket, lotcode en datum — saai werk, en in voeding en farma een van de meest voorkomende oorzaken van een klantklacht. Vulniveau en sluitnaadintegriteit. Maatcontroles die iemand anders met een kaliber en een klembord doet.

De teleurstellende cases delen ook een vorm: zeldzame defecten zonder beeldhistorie, defectdefinities die met het humeur van de klant veranderen, en alles waar het eerlijke antwoord is dat twee ervaren mensen het oneens zijn of het een defect is.

Realtime veiligheidsmonitoring is een ander product

Veiligheidsmonitoring wordt met kwaliteitsvision meeverkocht en gedraagt zich totaal anders. Kwaliteitsinspectie kijkt naar een stuk in een gecontroleerd beeld. Veiligheidsmonitoring bewaakt een gebied op mensen, PBM-naleving, heftruck-voetgangernabijheid en toegang tot een zone die leeg hoort te zijn terwijl een machine draait.

Het technische verschil is dat veiligheid continu op een ongecontroleerde scène draait, dus valse positieven zijn het hele probleem. Een kwaliteitsmodel dat te vaak alarm slaat levert herbewerking op. Een veiligheidsmodel dat te vaak alarm slaat wordt binnen twee weken uitgezet — en dan is het systeem slechter dan niets, want het wordt vertrouwd en het heeft ongelijk.

Het organisatorische verschil is groter. Mensen filmen tijdens hun werk is in grote delen van Europa eerst een OR- en privacyvraag en pas daarna een technische. De uitrollen die overleven zijn die waar bewaartermijn, anonimisering en kijkrechten geregeld waren vóórdat er een camera hing.

Waarom integratie bepaalt of het een systeem of een demo is

Een inspectiecel die een rode lamp aanzet heeft het de operator verteld die ernaast staat. Meer niet. De fabriek weet van niets.

Wat inspectie laat opstapelen is het terugschrijven. Het oordeel landt bij een werkorder, batch, station en tijdstempel, in hetzelfde systeem dat de rest van de productie houdt. Zodra dat gebeurt wordt er meerdere dingen mogelijk die een losstaande camera bij geen enkele nauwkeurigheid kan.

Een afwijking blokkeert automatisch de volgende bewerking, zodat het stuk op weg naar afkeur geen waarde meer opneemt. Het defectpercentage wordt een variabele die de planning ziet, zodat een machine die uit tolerantie loopt het plan verandert in plaats van het te verrassen. Genealogie beantwoordt een recallvraag in minuten, omdat elk beeld en oordeel aan een batch hangt die aan een leverancierslot hangt. En het model wordt beter, omdat correcties van operators door de opzet zelf gelabelde trainingsdata worden in plaats van wanneer iemand aan een export denkt.

Daarom hoort de integratievraag vóór de nauwkeurigheidsvraag. Vraag welk systeem de werkorder houdt waartegen het oordeel wordt weggeschreven. Houdt het vision-platform zijn eigen productieregistratie, dan gaat iemand twee waarheden afstemmen.

Wat een uitrol werkelijk nodig heeft

Verlichting, ten eerste en het minst glamoureus. De meeste vision-projecten die op nauwkeurigheid stranden, strandden op belichting en op herhaalbaarheid van de productpresentatie, niet op het model. Gecontroleerd, constant licht en een vaste productpositie verslaan bijna altijd een beter algoritme.

Beelden van het defect, ten tweede. Enkele honderden gelabelde voorbeelden per defectklasse is voor de meeste oppervlakte- en aanwezigheidstaken een realistisch begin. Komt een defect twee keer per jaar voor, dan is vision niet het gereedschap — dat is een procesbeheersingsprobleem.

Ten derde een beslissing over wat er bij een positief gebeurt, genomen vóór go-live: uitwerpen, blokkeren, alarmeren of markeren voor beoordeling. Teams die dit uitstellen houden een inspectiesysteem over waar niemand op mag handelen.

En ten vierde een overrulepad voor operators. Niet als concessie — als het mechanisme waarmee het model beter wordt, en als wat het vertrouwen intact houdt de eerste keer dat het model ernaast zit.

Edge of cloud

Inferentie hoort aan de edge, naast de lijn. Latentie en netwerkafhankelijkheid zijn geen aanvaardbare risico's voor een beslissing die tussen twee stations moet vallen, en een fabriek hoort niet te stoppen met inspecteren omdat een WAN-verbinding hikte.

Training, modelbeheer, versionering en vergelijking tussen fabrieken horen centraal. Een groep die hetzelfde product in vier landen maakt wil één modellijn, geen vier lokaal bijgeregelde modellen die stilletjes uiteenlopen tot hun uitvalpercentages niet meer vergelijkbaar zijn.

Zo voer je de proof of concept uit dat hij iets bewijst

Eén defectklasse, één lijn, met kosten eraan gehangen. Draai hem parallel aan de bestaande inspectie in plaats van in de plaats ervan, en tel afwijkingen in beide richtingen — doorglippers wegen zwaarder dan vals alarm, en alleen parallel draaien maakt ze zichtbaar.

Draai over een dienstenpatroon heen en zo mogelijk over een weersomslag. Leg het slaagcriterium vast vóór de start, in de termen van de fabriek zelf: doorglippers per duizend, of vrijgekomen inspectie-uren. Een proof of concept zonder vooraf afgesproken drempel eindigt altijd in een discussie over de vraag of vierennegentig procent goed is.

Bespreek dit met onze experts

Veelgestelde vragen

Hoe werkt computer vision-kwaliteitscontrole aan een productielijn?

Een camera met gecontroleerde verlichting legt elk stuk op een vaste positie vast, een model dat getraind is op gelabelde voorbeelden van de defectklassen geeft binnen milliseconden aan de edge een oordeel, en dat oordeel wordt in MES weggeschreven tegen werkorder, batch en station. Dat terugschrijven maakt het mogelijk dat een afwijking de volgende bewerking blokkeert in plaats van bij de eindcontrole op te duiken.

Kunnen computer vision-platforms integreren met MES- of ERP-systemen?

Dat kan, en het is het verschil tussen een systeem en een demo. Het oordeel moet landen bij dezelfde werkorder en batch die de rest van de productie gebruikt. In MSF schrijft de vision-module in hetzelfde datamodel als uitvoering en kwaliteit, zodat het defectpercentage doorstroomt naar de planning, genealogie recallvragen beantwoordt en correcties van operators automatisch trainingsdata worden.

Welke nauwkeurigheid haalt AI-inspectie?

Op een goed gedefinieerde defectklasse met gecontroleerde verlichting en herhaalbare productpresentatie is vision consequent beter dan menselijke inspectie, omdat het niet moe wordt. De nauwkeurigheid wordt gedomineerd door belichting en presentatie, niet door het model. Zeldzame defecten zonder beeldhistorie, en defecten waarover twee ervaren inspecteurs het oneens zouden zijn, zijn bij elke geclaimde nauwkeurigheid slechte kandidaten.

Verschilt AI-veiligheidsmonitoring van kwaliteitsinspectie?

Aanzienlijk. Veiligheidsmonitoring bewaakt continu een ongecontroleerd gebied op mensen, PBM en nabijheid, dus valse positieven zijn het centrale risico — een alarm dat te vaak loeit wordt uitgezet, en dan is het systeem vertrouwd én fout. In grote delen van Europa is het bovendien een OR- en privacykwestie: bewaartermijn, anonimisering en kijkrechten horen geregeld te zijn vóór er een camera hangt.

Hoeveel beelden zijn nodig om een industrieel vision-model te trainen?

Enkele honderden gelabelde voorbeelden per defectklasse is voor de meeste oppervlakte-, aanwezigheids- en oriëntatietaken een realistisch begin. Komt een defect maar een paar keer per jaar voor, dan komen er nooit genoeg voorbeelden en hoort het als procesbeheersingsprobleem te worden aangepakt.

Moet inferentie aan de edge of in de cloud draaien?

Inferentie aan de edge, naast de lijn, omdat een beslissing tussen twee stations niet van een WAN-verbinding mag afhangen. Training, modelversionering en vergelijking tussen fabrieken horen centraal, zodat een groep die hetzelfde product in meerdere landen maakt één modellijn houdt in plaats van vier die stilletjes uiteenlopen.