AI-defectdetectie in de maakindustrie: een casestudy-gids

Een AI-defectdetectieproject in de maakindustrie plaatst camera's en een getraind visiemodel op de lijn, zodat elk onderdeel wordt vergeleken met een aangeleerd beeld van "goed" en wordt gemarkeerd bij afwijkingen. De bruikbare casestudy's laten de methode, de data en de metrics zien, en zijn eerlijk over het feit dat de pilot, niet het model, over succes beslist.

Belangrijkste punten

• Menselijke visuele inspectie is minder betrouwbaar dan de meeste fabrieken denken: in een onderzoek van Sandia ving geschoolde inspecteurs 85% van de defecte onderdelen op en keurden ze ten onrechte 35% van de goede af.
• Een werkend systeem bestaat uit vijf onderdelen: camera en belichting, beeldvoorbewerking, een detectiemodel, een afkeur- of alarmactie en een feedbacklus voor hertraining.
• Beoordeel een casestudy op de cijfers van voor en na, de gedekte defecttypen, het percentage onterechte afkeur en de looptijd van de pilot. Zie elk cijfer zonder nulmeting als marketing.
• Betrek de inspecteurs vanaf dag één. Zij weten hoe defecten er echt uitzien en waar beelden misleiden, en het model is slechts zo goed als hun labels.
• Houd rekening met platformwijzigingen: AWS heeft Amazon Lookout for Vision op 31 oktober 2025 stopgezet, dus houd uw beelden en labels overdraagbaar.

Wat bewijst een casestudy over AI-defectdetectie eigenlijk?

Een goede casestudy bewijst dat een specifiek model specifieke defecten op een specifieke lijn heeft opgespoord, vergeleken met een gemeten nulmeting. Het bewijst niet dat hetzelfde resultaat geldt voor uw onderdelen, uw belichting of uw lijnsnelheid.

Veel gepubliceerde "casestudy's" slaan juist de belangrijke delen over. Ze noemen een detectiepercentage zonder te zeggen hoeveel defecte monsters in de testset zaten, of rapporteren ROI zonder de kostenbasis. Stel vier vragen voordat u een cijfer vertrouwt:

• Wat was de nulmeting? Handmatige inspectie, steekproeven of een regelgebaseerd camerasysteem. Elk geeft een ander uitgangspunt.
• Welke defectklassen vielen binnen de scope? Krassen en deuken zijn eenvoudiger dan haarscheurtjes of verontreiniging.
• Wat gebeurde er met goede onderdelen? Een model dat te veel goede onderdelen afkeurt, verschuift de kosten van doorgelaten fouten naar uitval en nawerk.
• Hoe lang draaide het in productie? Een pilot van twee weken onder gecontroleerde belichting zegt weinig over maand zes, wanneer een nieuwe leverancier de oppervlakteafwerking verandert.

Waarom handmatige inspectie ruimte voor verbetering laat

Handmatige inspectie is flexibel maar inconsistent, en die inconsistentie uit zich zowel in gemiste defecten als in onnodige uitval.

Het duidelijkste openbare bewijs komt uit een onderzoek van Sandia National Laboratories naar de betrouwbaarheid van visuele inspectie. Tweeëntachtig inspecteurs controleerden 140 onderdelen op acht defecttypen. Ze keurden 85% van de defecte items terecht af, maar keurden ook 35% van de acceptabele onderdelen af. De auteurs merken op dat het aandeel gevonden defecten niet ver boven een branchegemiddelde van circa 80% lag en dat de taak mentaal veeleisend was.

Die cijfers komen van precisieonderdelen in een omgeving met hoge inzet, dus ze vormen geen universele maatstaf. Ze laten wel de twee faalwijzen zien die elk geautomatiseerd systeem moet verslaan: doorgelaten fouten en onterechte afkeur. Vermoeidheid, ploegenwissels en verschillende persoonlijke drempels tussen inspecteurs beïnvloeden die cijfers allemaal.

Statistische procesbeheersing (SPC) helpt bij trends, maar werkt met steekproefmetingen achteraf. Het vertelt u dat een proces afdrijft, niet dat onderdeel nummer 4.312 een scheur heeft. Cameragebaseerde inspectie vult dat gat door elke eenheid op lijnsnelheid te controleren.

Een openbaar voorbeeld: het AIQX-platform van BMW

BMW Group beschrijft het eigen platform AIQX ("Artificial Intelligence Quality Next") als een kernonderdeel van het productiesysteem. Volgens het eigen artikel van BMW over AIQX voeden camera's en sensoren langs de lopende band AI-modellen die gegevens in realtime analyseren en feedback sturen naar medewerkers aan de lijn op slimme apparaten.

De voorbeelden die BMW geeft zijn praktisch in plaats van spectaculair:

• Bevestigen dat de juiste variant is gebouwd en dat een assemblage compleet is.
• Een ontbrekend onderdeel signaleren, zoals een gevarendriehoek, en medewerkers en productiesystemen waarschuwen.
• Acoustic Analytics in fabriek Dingolfing: microfoons nemen rijgeluid op en een AI-model classificeert het als laatste controle vóór de overdracht.

BMW publiceert in dat artikel geen cijfers over defectpercentages of ROI voor AIQX, dus wij citeren er geen. De les zit in het ontwerp: veel smalle, goed gedefinieerde controles die in de lijn en het personeel zijn ingebed, in plaats van één model dat "alles ziet".

Uitgewerkt voorbeeld: de uitlijning van zonnepanelen inspecteren

Om de methode concreet te maken, volgt hier hoe een cameragebaseerde inspectiepipeline voor de assemblage van zonnepanelen doorgaans wordt opgebouwd. Panelen vragen om uitlijning van cellen en lintjes op submillimeterniveau, en kleine scheurtjes of verschuivingen verlagen later in het veld de opbrengst.

Merk op dat stap 2 tot en met 4 klassieke computervisie zijn, geen deep learning. Geometriecontroles met duidelijke toleranties zijn vaak betrouwbaarder en met regels gemakkelijker uit te leggen. Deep learning verdient zijn plek in stap 5, waar defecten te veel variëren om met regels te beschrijven.

Welke modellen worden gebruikt voor defectdetectie?

Convolutionele neurale netwerken (CNN's) zijn de standaardkeuze om zichtbare defecten te classificeren en te lokaliseren. Als u weinig defecte monsters hebt, leren anomaliedetectiemodellen zoals autoencoders hoe normale onderdelen eruitzien en markeren ze alles wat ze slecht reconstrueren. Synthetische beelden, bijvoorbeeld uit generatieve modellen, kunnen voorbeelden van zeldzame defecten toevoegen, maar mogen nooit uw enige testdata zijn.

Hoe voert u een pilot uit die een echte casestudy oplevert?

Een pilot moet één vraag beantwoorden: verslaat dit model, op deze lijn, de huidige inspectie op doorgelaten fouten en onterechte afkeur tegen aanvaardbare kosten?

1. Kies één station en twee of drie defectklassen. Kies klassen die echt geld kosten in uitval, nawerk of retouren.
2. Meet eerst de nulsituatie. Registreer het huidige percentage doorgelaten fouten, het percentage onterechte afkeur en de inspectietijd per eenheid gedurende minstens enkele weken.
3. Los de optiek op vóór het model. Belichting, lens en montage veroorzaken meer storingen dan de modelkeuze. Test met de echte bandsnelheid.
4. Bouw samen met inspecteurs een gelabelde dataset. Spreek een defectencatalogus af met foto's van elke klasse en grensgevallen.
5. Draai in schaduwmodus. Laat het systeem onderdelen markeren terwijl mensen blijven beslissen. Vergelijk beide op dezelfde eenheden.
6. Bepaal drempelwaarden samen met kwaliteit en productie. Elke drempel weegt doorgelaten fouten af tegen uitval.
7. Leg de resultaten vast met de nulmeting. Dat document is uw interne casestudy en de basis voor opschaling.

Waarom de inspecteurs het belangrijkst zijn

Een team dat het systeem zonder de inspecteurs bouwt, mist waarschijnlijk hoe defecten daadwerkelijk worden herkend en waar beelden vaak verkeerd worden gelezen. Inspecteurs weten welke vlekken onschuldig zijn, welke hoeken scheuren verbergen en welke "defecten" slechts reflecties zijn. Betrek hen bij het labelen en bij de beoordeling van drempelwaarden, en geef hen een eenvoudige manier om een modelbeslissing aan te vechten. Die betwiste gevallen worden uw beste hertrainingsdata.

Keuzes voor cloud, edge en platform

Inferentie draait meestal op de edge, naast de lijn, omdat een afkeurbeslissing vaak binnen milliseconden moet vallen en de lijn moet blijven draaien als het netwerk uitvalt. De cloud is de juiste plek voor beeldopslag, labeling, training en monitoring van de modelnauwkeurigheid over alle locaties.

Houd uw data overdraagbaar. AWS sloot Amazon Lookout for Vision in oktober 2024 voor nieuwe klanten en stopte de dienst op 31 oktober 2025, waarbij gebruikers werden verwezen naar Amazon SageMaker, Amazon Bedrock en partneroplossingen, zoals uitgelegd in de migratierichtlijnen van AWS. Teams die hun eigen beelden en labels in open formaten bewaarden, konden overstappen. Teams die alleen een model binnen de dienst hadden, moesten opnieuw beginnen.

Veelvoorkomende redenen waarom projecten stilvallen

• Te weinig defectbeelden. Goede lijnen produceren weinig defecten. Begin maanden voor de training met het verzamelen van afgekeurde onderdelen en beelden.
• Belichtingsdrift. Een vervangen lamp of zonlicht door een raam kan een model breken dat in de pilot werkte.
• Productwijzigingen. Nieuwe varianten vragen nieuwe labels. Reken hertraining als normale bedrijfsvoering, niet als project.
• Geen eigenaar na livegang. Iemand moet wekelijks de percentages onterechte afkeur bewaken en de hertrainingslus beheren, zoals iemand ook eigenaar is van een machine.
• Integratie te laat opgepakt. Het PLC-signaal, het afkeurmechanisme en de MES-logging kosten net zoveel tijd als het model.

Hoe Opsio helpt

Opsio bouwt en beheert systemen voor geautomatiseerde visuele inspectie en biedt computer vision-consultancy vanuit teams in Karlstad en Bangalore. Wij beginnen met een afgebakende pilot op één station, meten de nulsituatie samen met uw kwaliteitsteam en richten de cloudkant in voor beelden, training en modelmonitoring als onderdeel van onze bredere data- en AI-diensten. Voor een vergelijking van tools naast elkaar leest u onze gids over het vergelijken van defectdetectiesystemen voor productielijnen.

Veelgestelde vragen

Hoe nauwkeurig is AI-defectdetectie vergeleken met menselijke inspecteurs?

Dat hangt af van het defect en de opzet, dus vraag naar de testset achter elke nauwkeurigheidsclaim. De bruikbare vergelijking is uw eigen nulmeting: het Sandia-onderzoek toonde dat geschoolde inspecteurs 85% van de defecte onderdelen vonden en 35% van de goede afkeurden, wat laat zien hoeveel ruimte een goed gebouwd systeem kan hebben.

Welke soorten defecten kan computervisie detecteren?

Oppervlaktedefecten zoals krassen, deuken, afbrokkelingen en vlekken, geometrische fouten zoals verkeerde uitlijning of afmetingen, en assemblagefouten zoals ontbrekende of verkeerde componenten. Interne defecten vragen om andere sensoren, bijvoorbeeld röntgen, ultrageluid of akoestische controles.

Hoeveel beelden zijn nodig om een defectdetectiemodel te trainen?

Er is geen vast aantal. Anomaliedetectiemodellen kunnen starten met alleen beelden van goede onderdelen, terwijl classificatiemodellen gelabelde voorbeelden van elke defectklasse nodig hebben. Plan enkele weken in om beelden te verzamelen vóór de training en blijf daarna betwiste gevallen toevoegen.

Hoe lang duurt een pilot voor AI-visuele inspectie?

Het meeste werk zit in nulmeting, optiek en labeling, niet in modeltraining. Een schaduwmodusrun die lang genoeg duurt om normale variatie in ploegen, batches en leveranciers te zien, maakt het resultaat geloofwaardig.

Waarmee heeft AWS Lookout for Vision vervangen?

AWS heeft geen directe opvolger gelanceerd. De richtlijnen verwijzen naar Amazon SageMaker, inclusief vooraf getrainde defectdetectiemodellen in SageMaker JumpStart, Amazon Bedrock voor toepassingen zonder strenge latentie-eisen, en partneroplossingen.