Visuele inspectie met AI op de productielijn: de technische keuzes die vooropgaan

Begin bij het defect, niet bij de camera

Leg vóór elke hardwarevraag vast wat op dit product als defect geldt, en wie dat bepaalt. Dat klinkt triviaal, tot u het toetst.

Neem honderd producten van de lijn, inclusief de lastige exemplaren, en laat twee ervaren inspecteurs ze onafhankelijk van elkaar sorteren in goed en afkeur. Over de duidelijke defecten zijn ze het eens. Over de grensgevallen — de vage kras, de onvolledige vulling, de opdruk die leesbaar is maar niet scherp — vaak niet.

Die onenigheid is het werkelijke plafond voor de nauwkeurigheid. Als twee mensen die het werk al jaren doen het over hetzelfde product niet eens worden, bestaat er geen enkel juist antwoord dat een model kan leren, en kan geen enkele leverancier dat leveren. Elk nauwkeurigheidscijfer in een offerte is dus betekenisloos zolang de definitie niet vastligt.

De oplossing is geen beter algoritme. Het is een geschreven defectcatalogus — elk type benoemd, met beelden — plus per klasse een set fysieke grensmonsters: het slechtste product dat nog goed is, het beste product dat nog afkeur is. Die producten worden de referentie voor het labelen en voor de acceptatietest.

Een probleem dat niemand consistent kan definiëren, laat zich niet automatiseren, alleen sneller bediscussiëren.

Een camera kiezen op criteria, niet op merk

Cameraselectie is rekenwerk, geen voorkeur.

De resolutie volgt uit het kleinste kenmerk dat u moet zien. Deel het beeldveld — het product plus speling voor hoe het kan liggen — door het aantal sensorpixels; dat geeft millimeters per pixel. Een defect dat op één pixel valt, wordt niet betrouwbaar gevonden, dus reken op meerdere pixels over het kleinste kenmerk, en op meer zodra het contrastarm is. Resolutie daarboven kost bandbreedte en scherptediepte, en contrast wint het toch al van pixelaantal.

De belichtingstijd moet de lijn voorblijven. Bewegingsonscherpte is snelheid maal belichtingstijd: een product dat met één meter per seconde beweegt, veegt bij een belichtingstijd van één milliseconde over één millimeter uit. Is die veeg groter dan het defect, dan bent u al verloren. Een kortere belichtingstijd vraagt meer licht, en precies daarom zijn belichting en camera één beslissing. Voor alles wat beweegt: specificeer een global shutter. Een rolling shutter leest regel voor regel uit en vervormt een bewegend product.

Matrixcamera of lijncamera. Een matrixcamera past bij losse producten die stilstaan of geïndexeerd op een station aankomen. Een lijncamera bouwt het beeld rij voor rij op, voor doorlopende banen, strip of extrusie, of voor een cilindrisch product dat langs de camera wordt gedraaid, en vraagt om beweging die constant is of gekoppeld aan een encoder.

Monochroom, tenzij kleur het defect is. Monochroom besteedt elke pixel aan detail en is gevoeliger bij weinig licht. Kies alleen kleur als de kleur de informatie draagt: een component in de verkeerde kleur, een vlek, drukkleur tegenover een specificatie.

Interface en bekabeling. De interface bepaalt kabellengte, bandbreedte en kosten — GigE voor lange trajecten, USB3 op een werktafel, industriële interfaces met hoge bandbreedte voor snelle lijncamera's. En dan het onopvallende deel dat de meeste storingen in het veld veroorzaakt: sleepkettinggeschikte kabel, vergrendelbare connectoren, trekontlasting, en een kabelweg weg van aandrijf- en laskabels.

Belichting bepaalt meer uitkomsten dan de camera

Een defect dat door het licht vanzelf opvalt, is een eenvoudig probleem; hetzelfde defect dat een model uit een ruisrijk beeld moet opdiepen, is een duur probleem. Een handvol geometrieën dekt het meeste werk. Lichtveld, licht langs de kijkas, geeft een gelijkmatig beeld voor algemeen gebruik: opdruk, kleur en aanwezigheid. Donkerveld, onder een scherende hoek, laat krassen en gravures oplichten tegen een donkere achtergrond. Tegenlicht zet het product in silhouet, voor buitenmaten, gatposities en vulniveau. Een koepel omhult een gebogen of glanzend product in gelijkmatig licht en is het antwoord voor opdruk op reflecterende oppervlakken. Coaxiaal licht komt binnen langs de optische as, voor vlakke spiegelende oppervlakken en lasermarkering.

Een kras, een deuk en een drukfout zijn drie verschillende belichtingsvraagstukken: scherend licht voor de kras; voor de deuk, die de helling verandert en niet de kleur, licht waarvan de weerspiegeling met die helling meeschuift; vlak licht zonder schittering voor de opdruk. Alle drie vanuit één armatuur willen dekken, is de manier waarop een station overal middelmatig in wordt.

Dan het omgevingslicht, dat stilletjes systemen sloopt die de acceptatietest wel doorstonden: middagzon door een lichtkoepel, een ploeg die andere plafondverlichting aanzet. Pak dat fysiek aan — scherm het station af, monteer een bandpassfilter dat past bij de golflengte van de LED, en flits vanaf de opnametrigger kort en fel, zodat uw eigen licht het licht in de hal overheerst.

Een stabiel beeld is goedkoper dan een groter model.

2D of 3D

Het meeste inspectiewerk is een 2D-vraagstuk: aanwezigheid, positie, maten in het vlak, opdruk, kleur, alles wat als contrast op een oppervlak verschijnt.

Ga naar 3D wanneer het kenmerk hoogte of vorm is en niet betrouwbaar contrast oplevert — rupshoogte bij een lijmrups, coplanariteit van pennen, het profiel van een lasnaad, kromtrekken, een deuk in onbehandeld metaal, vulniveau in een ondoorzichtige verpakking. Lasertriangulatie heeft relatieve beweging nodig, gestructureerd licht werkt op een stilstaand product; beide hebben moeite met spiegelende afwerkingen en met afscherming, en leveren veel meer data per product op.

Een praktische toets: kan een goede inspecteur het product beoordelen op een foto, dan is het 2D-werk. Moet hij het in het licht kantelen, dan is het 3D of een gespecialiseerde belichtingsgeometrie — en die belichting is het proberen waard vóór de rest.

Label- en printcontrole is meestal geen AI-vraagstuk

Veel van wat als AI-inspectievraag binnenkomt, is label- en printcontrole, en daarvan is veel deterministisch: het beoordelen van een barcode of datamatrix, gedrukte tekst vergelijken met een verwachte tekenreeks, controleren of de juiste revisie op het juiste product staat.

Het lastige zit niet in het lezen, maar in de vraag waar de verwachte waarde vandaan komt. Typt de operator de doeltekst in op het station, dan hebt u een typefout geautomatiseerd; code, batch, datum en revisie moeten uit de order in MES of ERP naar beneden komen. Machine learning verdient hier zijn plaats voor de drukkwaliteit — uitvloeien, ontbrekende punten, vervorming op gebogen oppervlakken — niet voor de vergelijking.

Trainingsdata, eerlijk bekeken

Uw lijn produceert overweldigend veel goede producten, en die onbalans bepaalt hoe inspectiedata eruitzien. Ze maakt de totale nauwkeurigheid nutteloos: een model dat alles goedkeurt, scoort prima op een dataset die bijna volledig uit goede producten bestaat. Beoordeel op de defecten — hoeveel er zijn gevonden, en hoeveel goede producten zijn afgekeurd.

Die onbalans bepaalt ook de aanpak. Anomaliedetectie leert het normale uit goede producten en signaleert afwijking; er zijn weinig defectbeelden voor nodig en het reageert op dingen die het nooit eerder zag, maar het zegt alleen dat het product ongewoon is, niet wat eraan mankeert. Gesuperviseerde classificatie en segmentatie benoemen en lokaliseren het defect, wat een defectcatalogus en SPC nodig hebben, maar ze vragen echte voorbeelden van elke klasse — meer dan iedereen verwacht. Hoe dan ook kent een model alleen de defecten die het te zien heeft gekregen.

Dan de drift. Het model is een momentopname van de lijn tijdens de training, en de lijn beweegt: een nieuwe leverancier, een andere materiaalpartij, gereedschapslijtage, een camera die tijdens het schoonmaken is aangestoten, een productrevisie. Hertrainen is onderhoud, met een eigenaar en een planning, en geen projectfase die ooit afloopt.

Over het labelen hoort een besluit te worden genomen, want wie de beelden labelt, definieert de kwaliteit voor de hele fabriek. Het hoort bij de mensen die eigenaar zijn van de defectdefinitie en die met de grensmonsters werken; anders komt de onenigheid tussen inspecteurs hierboven terug als inconsistente labels, en die begrenzen alles wat erop volgt.

Synthetische en aangevulde data helpen op specifieke plekken. Augmentatie — kleine variaties in rotatie, positie, helderheid en scherpstelling — is goedkoop, zolang u binnen blijft wat het station fysiek kan voortbrengen. Gerenderde beelden helpen het meest waar het defect geometrisch en beschrijfbaar is: een ontbrekend component, een verkeerde oriëntatie. Ze helpen het minst waar juist het uiterlijk van het defect de onbekende is, en dat is precies wat een renderer niet kan verzinnen.

Waar u ook op traint: houd een testset met echte beelden apart, inclusief grensgevallen. Dat is de enige eerlijke manier om vast te stellen of een nieuw model het oude verslaat.

Valse meldingen zijn een bedrijfsafweging, geen technische

Elk inspectiesysteem heeft een drempelwaarde, en die weegt twee fouten tegen elkaar af: zet u hem strakker, dan vangt u meer defecten en keurt u meer goede producten af; zet u hem ruimer, dan geldt het omgekeerde. Geen enkele instelling haalt beide fouten weg. Welke kant u op leunt, is economie die specifiek is voor uw fabriek — wat een gemist defect kost, tegenover wat overmatige afkeur kost aan schroot, herbewerking en operatortijd.

Op de asymmetrie loont het te anticiperen. Overmatige afkeur breekt het vertrouwen sneller af dan gemiste defecten dat doen. Gemiste defecten blijven wekenlang onzichtbaar; een station dat goede producten afkeurt, is binnen het uur zichtbaar, en de reactie laat zich voorspellen: de operator begint te overrulen, kijkt daarna niet meer, en de camera wordt een dure lamp.

Iemand moet dus eigenaar zijn van waar de drempelwaarde ligt: een bij naam genoemd persoon binnen kwaliteit, de instelling vastgelegd in het inspectieplan, en een logboek van wijzigingen. Drie uitkomsten in plaats van twee — goed, afkeur, en een beoordelingsband die naar een mens gaat — laten u de detectie strak zetten zonder de grensgevallen bij de operator te dumpen. Leg de acceptatiecriteria vóór livegang vast in fabriekstermen: gemiste defecten per duizend producten en onterechte afkeuringen per ploeg.

Een oordeel op een scherm verandert niets

Het beeld is opgenomen, het model heeft een antwoord, en met het product is nog niets gebeurd. Er moeten twee dingen volgen.

Aansturing. De afkeur moet fysiek worden afgedwongen — een uitduwer, een wissel, of een vergrendeling die de volgende bewerking op dat product tegenhoudt — via de PLC, met een handshake die zo is ontworpen dat een mislukte opname of een trage inferentie tot een veilige toestand leidt en niet tot een stille goedkeuring. Bevestig het uitwerpen met een sensor die het product ziet vertrekken. Een uitwerper die mist zonder dat iemand het hoort, is erger dan geen inspectie, want nu geloven mensen dat de producten gecontroleerd zijn.

De registratie. Het oordeel, het beeld en het tijdstip horen vastgelegd te worden bij de werkorder, de batch, het serienummer, het station en de modelversie, in MES en QMS. De modelversie doet ertoe: na een hertraining kwamen de oordelen van gisteren van een andere beoordelaar. Die registratie is wat inspectie laat renderen — het defectpercentage per klasse wordt een SPC-variabele, en indammen wordt een query in plaats van een week papierwerk.

Waar een implementatie op stukloopt

Bijna altijd op een van deze punten, en zelden op het model.

Instabiele aanbieding — het product dat niet steeds op dezelfde plek, hoek en afstand aankomt: trillingen, een losse beugel, een houder die tijdens het schoonmaken is verschoven. Opspanning is de goedkoopste nauwkeurigheid die u ooit koopt.

Een drempelwaarde zonder eigenaar, die meebeweegt met wie er dienst heeft.

Een productrevisie waarvoor niemand opnieuw heeft getraind. Het wijzigingsbeheer moet inspectie opnemen als geraakt systeem.

Een omleiding zonder spoor. Operators hebben een override nodig, maar die moet worden gelogd en beoordeeld.

Niemand die beelden bekijkt. Iemand moet met een vast ritme naar de afkeuringen kijken, en naar een steekproef van de goedkeuringen; zo wordt drift opgemerkt voordat een klant hem opmerkt.

Proof-of-conceptomstandigheden die als productie worden behandeld. De demo draaide op een werktafel, 's avonds, met het product stil in iemands hand.

Waar wij passen

De Computer Vision-module van Meta Smart Factory dekt de inspectiekant hiervan — camera's en belichting gespecificeerd voor het defect dat u hebt, modellen getraind op uw eigen producten, inferentie aan de lijn — en integreert met onze MES- en Quality (QMS)-modules, zodat het oordeel bij de werkorder en de batch terechtkomt en doorstroomt naar traceerbaarheid en SPC, in plaats van te stranden bij een lamp. De aansturing van de afkeur loopt via de PLC over dezelfde IIoT- en OPC UA-connectiviteit.

Staat u aan het begin hiervan, dan is de nuttige eerste stap geen demo. Het is de test met honderd producten en twee inspecteurs, en een geschreven defectcatalogus — en die voeren we graag samen met u uit voordat iemand een camera specificeert.