Oppervlaktedefecten
Krassen, deuken, vlekken, scheuren en porositeit aan het oppervlak. Meestal een 2D-camera met strijklicht of donkerveldverlichting die reliëf zichtbaar maakt.
AI-defectdetectie in de productie
Menselijke inspecteurs missen defecten en keuren goede onderdelen af, en fabrieken kunnen er moeilijk genoeg vinden. Dit zegt het onderzoek over handmatige, regelgebaseerde en AI-inspectie, welke beeldvorming welke defecten ziet en wat er nodig is om een visionmodel op een echte lijn in te zetten.
28%van de grote Amerikaanse fabrikanten rekent visionsystemen tot hun belangrijkste technologie-investeringen
21.4%van de Amerikaanse fabrikanten gebruikte AI in de bedrijfsvoering in de twee weken tot 18 oktober 2026
Waar fabrikanten staan met AI en vision
De 2025 Smart Manufacturing Survey van Deloitte onder 600 bestuurders van grote Amerikaanse fabrikanten laat zien dat AI van pilot naar productie gaat, dat visionsystemen hoog op de investeringslijst staan en dat werven nog altijd lastig is.
29%gebruikt AI en machine learning al op fabrieks- of netwerkniveau
23%voert pilots uit met AI en machine learning
28%noemt visionsystemen een topprioriteit voor investeringen in fabriekstechnologie
48%heeft matige tot grote moeite met het invullen van functies in productie en operationeel management
Waar handmatige inspectie tekortschiet
Handmatige inspectie hangt af van wie er dienst heeft, hoe moe die persoon is en hoe die elk defect beoordeelt.
In de praktijk kan hetzelfde onderdeel bij de ene inspecteur worden goedgekeurd en bij de volgende worden afgekeurd, en de resultaten verschuiven in de loop van een lange dienst. Steekproeven in plaats van elk onderdeel controleren laten gaten, en inspecteurs benoemen hetzelfde defect vaak verschillend.
Nu naar verwachting 1,9 miljoen banen in de maakindustrie in 2033 onvervuld blijven, is meer mensen aannemen zelden het antwoord. Door inspectie naar camera's en modellen te verplaatsen, blijft elk onderdeel gecontroleerd en wordt elke beslissing traceerbare data.
- Gemiste defecten leiden tot retouren, garantieclaims en terugroepacties.
- Onterechte afkeur maakt van goede onderdelen afval en herbewerking.
- Inconsistente labels maken kwaliteitsdata onbetrouwbaar en lastig om een model mee te trainen.
Regelgebaseerde vision, deep learning of anomaliedetectie
In onze ervaring komen de meeste lijnen uit op een combinatie: metingen blijven bij regels, cosmetische en variabele defecten gaan naar AI, en anomaliedetectie brengt een project op gang voordat er genoeg voorbeelden van defecten zijn.
| Regelgebaseerde machine vision | Supervised deep learning | Anomaliedetectie | |
|---|---|---|---|
| Trainingsdata | Geen. Engineers stellen drempelwaarden, templates en metingen in. | Gelabelde voorbeelden van elk defecttype, plus goede onderdelen. | Alleen beelden van goede onderdelen. |
| Het meest geschikt voor | Maatcontrole, aanwezigheidscontrole en het lezen van codes onder gecontroleerd licht. | Het defecttype benoemen op variabele oppervlakken zoals gietstukken, hout en textiel. | Defecttypen signaleren die nog niemand heeft gezien, met weinig labelwerk. |
| Beperkingen | Faalt als textuur, belichting of positie van het onderdeel variëren. Elk nieuw defect vraagt nieuwe regels. | Defecten zijn zeldzaam, dus labelen is traag en duur. Mist defecttypen die niet in de training zaten. | Zegt dat een onderdeel afwijkt, niet wat er mis is. Meer valse alarmen bij van nature variabele onderdelen. |
| Kies het als | Het onderdeel en het licht stabiel zijn en de controle geometrisch is. | U genoeg gelabelde voorbeelden van elk defecttype kunt verzamelen. | Defecten zeldzaam of onvoorspelbaar zijn en u snel moet starten. |
[ Defecttypen ]
Welke defecten AI-inspectie kan vinden
Maatafwijkingen
Verkeerde maat, vorm, vlakheid of positie. 3D-sensoren of gekalibreerde 2D-camera's, vaak gecontroleerd met regels in plaats van AI.
Assemblagefouten
Ontbrekende, extra of verkeerd geplaatste componenten, verkeerde oriëntatie en losse connectoren. Een 2D-camera bij elk assemblagestation.
Interne defecten
Holtes, insluitsels, porositeit en interne scheuren die geen camera van buitenaf kan zien. Röntgen- of CT-inspectie.
Kleur en afwerking
Kleurafwijkingen, coatingfouten en drukkwaliteit. Kleurencamera's met diffuse, stabiele verlichting en regelmatige kalibratie.
Proces- en thermische defecten
Zwakke lassen, slechte sealnaden en oververhitte componenten. Warmtebeeldcamera's, vaak gecombineerd met procesdata van de lijn.
De camera en de verlichting kiezen
De meeste nauwkeurigheid wordt gewonnen of verloren vóór het model, in de beeldopstelling. Dit zijn de belangrijkste opties en waar elk ervan goed in is.
| Beeldvorming | Wat het vastlegt | Typische toepassing |
|---|---|---|
| 2D-areascancamera | Een volledig beeld van een onderdeel op één moment | Losse onderdelen, assemblagecontroles, labels en oppervlaktedefecten |
| Linescancamera | Eén pixelrij tegelijk, opgebouwd terwijl het materiaal beweegt | Doorlopend materiaal zoals plaatstaal, folie, papier, textiel en banen |
| 3D-sensor | Hoogte en vorm, via lasertriangulatie of gestructureerd licht | Afmetingen, vlakheid, deuken, lasrupsen en volume |
| Röntgen of CT | De binnenkant van een onderdeel | Gietstukken, lassen, elektronica en verzegelde verpakkingen |
| Warmtebeeldcamera | Warmtepatronen | Sealnaden, lassen, elektrische fouten en procesbewaking |
Verlichting is net zo belangrijk als de camera. Diffuus licht past bij glanzende onderdelen, donkerveldlicht toont krassen en reliëf, en tegenlicht toont contouren en gaten.
Onze visie
Begin met één defect dat u geld kost
De projecten die renderen, kiezen één duur defect op één lijn, meten wat de huidige inspectie mist en testen een model op echte beelden in schaduwmodus. Zo'n pilot beantwoordt de vragen die ertoe doen – gemiste defecten, onterechte afkeur en lijnsnelheid – binnen weken in plaats van na een fabrieksbrede uitrol.
Wat toonaangevende fabrieken rapporteren
Het Global Lighthouse Network van het World Economic Forum erkent fabrieken die geavanceerde technologie op schaal inzetten. In de lichting van 2025 meldden meerdere locaties grote dalingen in defecten dankzij hun digitale programma's.
- Guizhou Tyre, Guiyang57%
- Valeo-fabriek voor frontcamera's, Shenzhen45.9%
- Foshan Haitian Flavouring & Food39.1%
- Beijing Shougang Cold Rolling35%
- CITIC Dicastal, Marokko31.1%
Zelf gerapporteerde resultaten van programma's met veel use cases, niet van visuele inspectie alleen. Het programma van CITIC Dicastal omvat een AI-visioninspectiesysteem naast algoritmen voor gieten, verspanen en procesbesturing.
Data als tabel bekijken
| Guizhou Tyre, Guiyang | 57% |
|---|---|
| Valeo-fabriek voor frontcamera's, Shenzhen | 45.9% |
| Foshan Haitian Flavouring & Food | 39.1% |
| Beijing Shougang Cold Rolling | 35% |
| CITIC Dicastal, Marokko | 31.1% |
Hebt u beelden van uw onderdelen?
Stuur ons een selectie van goede en defecte onderdelen. Wij controleren wat een AI-model op uw lijn kan detecteren voordat u hardware koopt.
[ Proces ]
Hoe een project voor visuele AI-inspectie verloopt
De meeste nauwkeurigheid wordt gewonnen of verloren vóór het model: in de camera, de verlichting en de labels.
Het kwaliteitsprobleem definiëren
Spreek de defectcatalogus, acceptatiecriteria en lijnsnelheid af, en meet de huidige percentages gemiste defecten en onterechte afkeur als nulmeting.
Haalbaarheid testen op echte onderdelen
Verzamel referentiemonsters en bekende defecten, en controleer of uw inspecteurs het eens zijn over wat als defect telt.
Beeldvorming ontwerpen en data verzamelen
Kies camera, optiek, verlichting en triggering, en leg eerst goede onderdelen vast en defecten zodra ze optreden.
Het model trainen en valideren
Rapporteer gemiste defecten en onterechte afkeur op achtergehouden beelden, en valideer over diensten, batches en lichtwisselingen heen.
Integreren met de lijn
Draai inferentie aan de edge op lijnsnelheid, stuur afkeursignalen naar de PLC en sla beelden en resultaten op in MES of QMS voor traceerbaarheid.
In schaduwmodus draaien, dan opschalen
Laat het systeem naast menselijke inspecteurs draaien tot de resultaten standhouden, schakel dan over en train opnieuw wanneer producten, leveranciers of defecttypen veranderen.
[ Beperkingen ]
Beperkingen en hoe u ze aanpakt
Te weinig voorbeelden van defecten
Begin met anomaliedetectie getraind op goede onderdelen en voeg een supervised model toe naarmate gelabelde defecten zich opstapelen.
Inconsistente labels
Spreek een defectcatalogus met voorbeeldbeelden af en controleer vóór de training of inspecteurs dezelfde onderdelen op dezelfde manier labelen.
Verlichting, stof en variatie in onderdelen
Regel eerst de beeldvorming: afgeschermde en gecontroleerde verlichting, consistente presentatie van onderdelen, schoonmaakroutines en validatie over diensten en batches.
Drift na livegang
Bewaak de resultaten, laat inspecteurs beslissingen kunnen overrulen en train opnieuw wanneer producten, leveranciers of defecttypen veranderen.
[ Cases ]
Verwante AI die we hebben gebouwd
Geen project voor visuele inspectie, maar het laat zien hoe we AI bouwen die storingen diagnosticeert op basis van foto's, codes en beschrijvingen.
AutomotiveAI-ontwikkeling
AI-autodiagnose voor een Zweeds automotivebedrijf
24 gespecialiseerde diagnosetools
We bouwden een virtuele monteur die een symptoombeschrijving, een foutcode of een foto omzet in een diagnose, een kostenraming en vervolgstappen, onderbouwd met echte reparatiedata.
Bronnen
- The Manufacturing Institute en Deloitte, onderzoek naar talent in de maakindustrie · Model voor arbeidsvraag en enquête, april 2024
- Deloitte, 2025 Smart Manufacturing Survey · 600 bestuurders van grote Amerikaanse fabrikanten, 2025
- US Census Bureau, Business Trends and Outlook Survey · Maakindustrie, 5–18 oktober 2026
- Heckler-Kram et al., The MVTec AD 2 Dataset · 8 scenario's, meer dan 8.000 beelden, 2025
- World Economic Forum, Global Lighthouse Network 2025 · Zelf gerapporteerde locatieresultaten, januari 2025
[ FAQ ]
Veelgestelde vragen
Bespreek AI-inspectie voor uw lijn
Vertel ons over uw onderdelen, defecten en huidige inspectie. Wij komen terug met de aanpak die past en wat een pilot zou vragen.
Dmitry Klim
Head of Growth
