Computer vision in productie is geen toekomstmuziek meer. Voor specifieke defect-types op uniforme producten haalt AI 95 tot 99 procent precisie. Voor variabele producten of subtiele defecten blijft menselijke inspectie nodig.
Use-cases die werken
Oppervlakte-defecten op metaal, krasjes op plastic, verkeerde kleurmarkering, ontbrekende componenten op een PCB, foute label-plaatsing. Patronen die op foto consistent zichtbaar zijn, leren snel met enkele honderden gelabelde voorbeelden.
Hardware-keuze
Industriele cameras (Basler, Cognex), goed gecontroleerde belichting, vaste positie. Smartphone-cameras werken voor demo, niet voor productie. Een NVIDIA Jetson edge-device draait inferentie lokaal zonder cloud-latency.
Training-data en labeling
Per defect-type minimaal 200 gelabelde voorbeelden, idealiter 1000. Het labelen is vaak het werk, niet het modelleren. Tools als Label Studio of CVAT voor efficient labelen door productie-medewerkers.
False positives en false negatives
De drempel waarop u een defect markeert bepaalt de balans. False negative (defect missed) is duurder dan false positive (vals alarm). Wij kalibreren per use-case en monitor live in productie.
Hoe wij dit voor u realiseren
Wij richten visuele kwaliteitscontrole in die met beeldherkenning afwijkingen in producten signaleert, sneller en consistenter dan handmatig. Zo verhoogt u de kwaliteit en verlaagt u uitval zonder extra controleurs.
Aan de slag
We starten concreet met een oplossing die zichzelf laat beoordelen. We werken met een vast dagtarief of een projectprijs. In een gesprek kijken we waar de meeste winst zit.
Verwant: Senior AI consultant, AI warehouse vision.
