Detailopname van een industriële transportband in een productieomgeving.

Computer vision voor kwaliteitscontrole: wat kan AI?

Computer vision kan producten en onderdelen op beeld controleren en mogelijke afwijkingen signaleren, van een ontbrekend onderdeel tot een beschadiging. Je leest wanneer zo’n systeem betrouwbaar werkt, welke voorbeeldbeelden en stabiele lichtomstandigheden nodig zijn en waar menselijke beoordeling onmisbaar blijft.

Welke productafwijkingen kan computer vision herkennen?

Met computer vision kun je beelden laten analyseren voor het herkennen van objecten, productkenmerken en afwijkingen. Dus, als je wilt weten of een verpakking compleet is, het etiket niet scheef zit of een onderdeel de juiste vorm heeft, kan zo'n systeem dat signaleren. Ook schade zoals krassen, deuken, verkleuringen, scheuren en vervuiling zijn mogelijk te vangen door het model. Let wel: de camera kijkt niet om zich heen als een mens, bepaalde details ziet hij gewoon niet als ze niet in beeld zijn of buiten de training vallen.

Het succes hangt deels af van jouw specifieke afwijking. Een ontbrekende schroef op een vaste plek? Dat werkt meestal goed. Maar zo'n haarscheurtje, alleen zichtbaar vanuit die lastige hoek, wordt een stuk lastiger. En als jouw productoppervlak, oriëntatie of basismateriaal heel wisselend is, moet je daar in je plannen op letten. Houd je acceptatiegrenzen scherp: een kras aan de onderkant (niet zichtbaar) hoeft geen probleem te zijn, terwijl dezelfde kras aan de zichtzijde direct storing kan opleveren. AI kan afwijkingen aanwijzen, maar weet pas of het echt belangrijk is als je dit soort regels concreet maakt.

Bedenk daarom eerst: om welk product of detail gaat het, op welk moment wil je inspecteren en wanneer moet een verschil tot actie leiden? Zo krijg je geen discussie over of ‘AI ziet fouten’ wel hetzelfde is als echt kwaliteitscontrole afdwingen.

Voorbeeldbeelden verzamelen die de productiewerkelijkheid weerspiegelen

Beeldmodellen leren van de praktijk, niet alleen van perfecte plaatjes. Je hebt dus niet alleen maar foto's nodig van foutloze producten, maar juist van alles wat je op de werkvloer tegenkomt: diverse productiebatches, reeksen van leveranciers, verschillende posities en momenten op de lijn. Als je weet dat een onderdeel weleens een beetje draait, voeg daar dan voorbeelden van toe. Anders krijg je later gezeur: in de test alles perfect, in het echt opeens een storm aan meldingen.

Zorg dat je voorbeelden hebt van goedgekeurde producten én bekende afwijkingen. Label erbij wat er precies speelt, welke controle-criteria gelden en hoe een deskundige het product beoordeelde. Bij zeldzame gebreken wordt het lastig, je zult dan zelf soms doelgericht fouten moeten maken, maar houd die wel geloofwaardig. Een overdreven grote kras of te opvallend kleurvlak lijkt niet genoeg op de subtiele missers uit je echte proces.

Gooi 'moeilijke' beelden ook niet meteen weg. Denk aan afgedekte producten, reflecties, grauwe hoeken. Het zijn misschien geen trainingsplaten, maar ze geven wél duidelijke grenzen aan waar jouw inspectiesysteem mogelijk struikelt. Deel je dataset niet zomaar op willekeur; splits bijvoorbeeld per productiebatch of productiedag. Anders test je straks vaak gewoon opnieuw op praktisch identieke plaatjes en houd je jezelf voor de gek.

Kies tussen defectclassificatie en anomaliedetectie

Laat je een model klassiek classificeren, dan kent het bepaalde labels, zoals ‘goed’, ‘kras’, ‘onderdeel mist’. Dit werkt prima als je vooraf weet welke fouten het belangrijkst zijn en daar echt genoeg plaatjes van hebt. Je krijgt een duidelijke categorie terug, handig in geautomatiseerde processen. Maar, komt er plotseling een foutsoort opduiken die niet in je training zat, dan herkent je model dat niet of schuift het onder de verkeerde categorie.

Anomaliedetectie doet het net anders: je leert het systeem vooral wat normaal is. Afwijkingen zonder label springen er dan uit, maar ja, dat zegt vooral ‘anders’, niet direct dat het slecht is. Signaleert het systeem een afwijkende structuur omdat de kamer net anders verlicht is, dan krijg je mogelijk loze meldingen. Je hebt daarna nog vaak iemand nodig om duiding te geven aan zo’n waarschuwing.

Deze twee methoden strijden niet om de hoofdplaats. Bij weinig typen fouten en veel gelabelde voorbeelden is classificatie logisch. Bij veel onbekende of zeldzame afwijkingen kan anomaliedetectie juist handig zijn als filter. Je kunt trouwens beide samen gebruiken. Meet de prestaties altijd op dezelfde, niet-getrainde beelden, en let goed op wat echt telt: gemiste afwijkingen, onterechte afkeur en de werkelijke vertraging of kosten van je inspectie. Het model met het hoogste cijfer is niet automatisch je beste keus voor jouw lijn.

Waarom cameraopstelling en licht de uitkomst bepalen

De camera laat maar zien wat je instelt. afstand, hoek, scherpte, sluitertijd, resolutie, allemaal bepalend voor welke details zichtbaar worden. Is een kras op het totaalbeeld maar een speldenknop? Dan is hij snel weggevallen in de pixels. Zet je de camera dichterbij, dan zie je meer, maar soms met het gevolg dat je minder product in beeld krijgt en vaker moet wisselen van opstelling. En producten bewegen, zeker op lopende band: lang belichten zorgt dan voor vage beelden.

Licht doet net zo veel als scherpte. Reflecterend metaal geeft snel ongewenste spiegelingen, plastic folie schittert, zwart materiaal verdwijnt in het donker. Als je model werd getraind op diffuus licht, komt er bij feller lamplicht ineens van alles tevoorschijn of juist niet meer. Stabiliteit in belichting is dus (zeker in productiehallen) onderdeel van je inspectie-ontwerp. Denk aan afgedekte lampen, vaste montageplaatsen, een egale achtergrond. Strijklicht werkt goed voor deuken en golvingen; vlak en fel licht juist voor kleur- of vuilcontrole.

Test altijd alles: niet alleen de camera in de ideale opstelling, maar compleet met omgevingslicht, ploegwissels, plotselinge veranderingen, en tijdens dagelijks onderhoud. Staat na het schoonmaken ineens de lamp vijf centimeter verder? Grote kans dat je model minder matcht met de eerste test. Sla instellingen netjes op, zodat je bij elke wijziging snel kunt nagaan of alles nog klopt met wat je eerder hebt gevalideerd.

Definieer labels en kwaliteitscriteria vóór het trainen

Zonder duidelijke labels weet jouw model gewoon niet waar het aan toe is. Als de ene controleur een kras goedkeurt en de andere dezelfde kras afkeurt, geef je het model tegenstrijdige informatie. Dat maakt de grens tussen 'goed' en 'defect' onbetrouwbaar. Dus: spreek eerst samen af wat goed, herwerken en afkeuren precies inhouden, en noteer lastige voorbeelden. Werk zo concreet mogelijk: maximale afwijking in millimeters, toegestane kleuromvang, duidelijk omschreven zones waar schade niet mag voorkomen.

Wil je defecten ook lokaliseren, dan moet je vastleggen hoe precies je tekent of markeert. Een categorie-label (‘deuk’) is snel gegeven, maar een kader trekken vraagt meer tijd, vooral bij kleine of rare vormen. Een supernauwkeurige markering klinkt handig, maar is niet altijd nodig als je alleen opnieuw wilt laten keuren. Te veel detail zorgt eerder voor discussie tussen beoordelaars dan voor meerwaarde in de lijn.

Gebruik vaste afspraken en laat verschillende controleurs dezelfde beelden nalopen: bij verschillen weet je meteen hoe scherp de norm is. Leg altijd vast wie en wanneer heeft gelabeld, en of er updates zijn geweest. Zo kun je later uitschieters van het model herleiden naar techniek of, gewoon, gewijzigde kwaliteitsdefinities.

Stel de drempel af op gemiste fouten en onterechte meldingen

Het model geeft meestal kansscores of afwijkingsgetallen terug. Om te beslissen wanneer je moet ingrijpen, maak je een keuze voor een drempelwaarde. Boven die waarde volgt bijvoorbeeld een melding, automatische uitval of een extra inspectie. Zet je de drempel hoog, dan verdwijnen veel foute meldingen, maar mis je misschien echte afwijkingen. Ga je laag zitten, krijg je meer echte fouten mee, maar ook een stroom aan nodeloze inspecties. Wat wijs is, verschilt per toepassing. Een gevaarlijk product missen, of een paar keer te veel hercontroleren, dat zijn verschillende gevolgen.

Niet één totaalscore vertelt het hele verhaal. Kijk per type fout hoeveel gemist wordt, hoe vaak verkeerde signalen worden gegeven, en wat dat betekent voor het productieproces zelf: denk aan stilstand, afval of juist extra werk voor het team. Een model met hoog cijfer kan in de praktijk toch ongeschikt zijn als die ene kritieke afwijking onopgemerkt blijft. Maar een systeem dat vaak piept, kan nog best handig zijn als navraag snel en goedkoop kan.

Stel drempelwaarden niet eenmalig vast, maar test met echte, nieuwe beelden. Overleg met kwaliteitszorg of lijnoperators over de uitkomst. Soms werkt een tussenaanpak: simpele gevallen automatisch afhandelen, twijfel stuur je door, alleen de 'roodgloeiende' gevallen blokkeer je direct. Zo voorkom je dat alles dichtslibt of dat je onnodig veel risico neemt.

Menselijke beoordeling voor twijfelgevallen en nieuwe defecten

Helemaal zonder mensen werkt het gewoon niet altijd. Een model herkent patronen en afwijkingen, maar zonder volledige kennis van het product en situatie. Zie je bijvoorbeeld een kleurverschil, dan kan het prima zijn of juist een storende afwijking, dat weet een model niet als het materiaal volgens afspraak mag verschillen. Op een foto lijkt iets soms erger dan in het echt, zeker als het om een plek gaat die niet functioneel is. Dus: geef medewerkers de juiste info, laat beelden zien met reden en locatie, en laat ze vooral ook afwijkende gevallen toestaan of afkeuren.

De manier waarop je deze controle inricht, bepaalt je succes. Laat medewerkers direct de relevante beelden zien, niet alleen hun 'stoplicht'. Zet ook geregeld controlemomenten in voor producten die AI goedkeurt; alleen zo ontdek je fout-positieven. Leg vast of iemand het model volgt en waarom die eventueel afwijkt.

Met deze feedback kun je je model verbeteren, maar houd grip: één verkeerde correctie mag niet direct als waarheid terug je trainingsset in. Herlabel laat je toetsen onder dezelfde norm en door een tweede check. Zo hou je de mens als onderdeel van het kwaliteitsproces en niet alleen als overbodige handrem.

Bewaken wat verandert na ingebruikname op de productielijn

Een model dat goed werkt in de test, kan live zomaar tegenvallen. Dat gebeurt bijvoorbeeld als een leverancier met ander materiaal komt, de variant net een andere afmeting heeft of na onderhoud de camera per ongeluk anders wordt gemonteerd. Ook lampen die verouderen of een stoffige lens veranderen het beeld en dus de beoordeling. Hierdoor krijg je ineens meer onterechte meldingen of mis je echte fouten, meestal zonder dat het model is aangepast.

Check dus continu niet alleen het aantal afkeurmeldingen, maar let ook op veranderingen in beeld en scores. Denk aan helderheid, scherpte, afwijkingssignalen, percentage afgewezen meldingen door medewerkers. Hou het bij per batch, variant en ploeg. Merk je opeens een piek, kijk dan ook naar recente technische aanpassingen. Sla beelden bij incidenten apart op (met goede privacy of bewaartermijn), zodat je onderzoek kunt doen zonder eindeloze opslag.

Aanpassen van model, hardware of instellingen hoort bij versiebeheer en validatie. Eerst testen onder productieomstandigheden of in een afgebakende zone (dus niet direct alles omschakelen). Controleer de effecten op inspectietijden en afhandeling. Zo voorkom je dat verbeteringen op het ene defecttype ongezien slechter worden voor andere producten.

Veelgestelde vragen

Wanneer is computer vision geschikt voor kwaliteitscontrole?

Computer vision werkt goed wanneer je product of onderdeel steeds op dezelfde plek, of tijdens een vast procesmoment, visueel bereikbaar is. Dus als medewerkers nu veel vergelijkbare producten controleren en alles duidelijk zichtbaar is met een camera, loont het om dit te proberen. Maar als je veel afwisselende producten hebt, leidinggevenden veel moeten beoordelen op gevoel, tast of geluid, of als je veel handmatig corrigeert, past het soms minder goed of zijn extra controles nodig.

Check vooraf altijd:

  • hoe vaak en hoe lang het huidige inspectieproces duurt;
  • welke beslissingen een operator neemt en welke informatie vereist is;
  • of camerabeelden veilig en zonder productierisico gemaakt kunnen worden;
  • en wat er gebeurt als het systeem twijfelt: blijft het product dan even liggen, volgt hercontrole, of ga je direct door?

Kan computer vision producten tijdens een productielijn realtime controleren?

Ja, dat kan, zolang de beeldverwerking echt snel genoeg is voor jouw productielijn. Ook moet de uitslag op tijd beschikbaar zijn om een beslissing te nemen voor het juiste product, bijvoorbeeld om uit te sorteren of direct te stoppen.

Let hierbij niet alleen op hoe snel het model zelf rekent, maar juist op het hele traject: van foto maken tot beslissing. Kijk naar je camerasysteem, netwerkverbinding, computerkracht en het tijdvenster dat je nog hebt om in te grijpen. Test bij piekdrukte én bedenk vooraf wat de lijn doet als een camera defect raakt of de verbinding crasht. Bij kritieke producten leg je vast hoe je veilig reageert, zoals een automatische stop of melding naar personeel.

Hoe sluit je computer vision aan op een bestaande productielijn?

Je koppelt computer vision aan je lijn door een herkenbaar inspectiemoment te kiezen, gekoppeld aan een concreet product en een afgesproken vervolg. Dus: camera activeert als het product op positie is, bewerking volgt, en het resultaat komt bij een operator of lijnbesturing terecht, afhankelijk van wat je nodig vindt voor snelheid of controle.

Stem vooraf af met productie, techniek en IT:

  • hoe je weet welk beeld bij welk product hoort;
  • welke signalen of koppelingen je bestaande lijn accepteert;
  • wie de meldingen beoordeelt en hoe je producten verder leidt;
  • en wat er gebeurt bij storingen, geen uitslag of onderhoud.

Test nieuwe aansluitingen altijd buiten reguliere productie, of op een afgeschermd deel. Zo voorkom je dat een fout direct de hele lijn tot stilstand brengt.

Is het beter om computer vision lokaal of in de cloud te gebruiken?

Lokale verwerking past wanneer je meteen na inspectie een besluit moet nemen, de internetverbinding soms niet betrouwbaar is, of je geen beeldmateriaal buiten de productielocatie wilt laten komen. Verwerking in de cloud is handig als je centraal alles wilt beheren of resultaten van verschillende locaties wilt samenbrengen, als netwerk, beveiliging en reactietijd aansluiten op je eisen. Wat beter is hangt dus helemaal van jouw situatie af.

Kijk praktisch naar snelheid, verbinding, opslag, toegang en updates. Regel wat er gebeurt als internet uitvalt, en of beelden tijdelijk lokaal moeten worden bewaard. Je kunt het ook combineren: lokaal direct inspecteren, en alleen geselecteerde data na afloop naar een centrale omgeving sturen.

Hoe meet je of een proef met computer vision voor kwaliteitscontrole geslaagd is?

Een proef is geslaagd als het systeem onder productiecondities echt bijdraagt aan je kwaliteitsdoel, zonder dat de lijn daardoor vastloopt of medewerkers onnodig werk krijgen. Spreek dus vooraf af welke taak je test, hoeveel tijd je uittrekt, en waarmee je vergelijkt, bijvoorbeeld met beoordelingen van ervaren inspecteurs die dezelfde kwaliteitsnorm hanteren.

Meet daarna ook:

  • hoeveel tijd medewerkers mét systeem besteden aan controle en herinspectie;
  • wat het effect is op onterecht geblokkeerde producten;
  • hoe stabiel het geheel blijft bij normale variaties (denk: ploegwissel, batchwisseling);
  • en hoe vaak mensen moeten ingrijpen of IT moet ondersteunen.

Advies: beoordeel pas na een langere, realistische test met echte productiefluctuaties wat het systeem echt betekent. Zo voorkom je mooie demo’s zonder breed draagvlak.

Foto: Mark Stebnicki

Verder lezen

Dit toepassen in
jouw bedrijf?

We vertalen het naar jouw processen en laten binnen een week een werkend prototype zien.