Ga naar de inhoud

Kwaliteitscontrole met computer vision

We bouwen een beeldmodel dat afwijkingen op de lijn herkent, samen met je kwaliteitsmensen. Voor Floating Farm hingen we zelf camera’s op.

Voor Floating Farm bouwden we een end-to-end oplossing, van het ophangen van de camera’s tot het computer vision model

Het model geeft inzicht in het voerproces, zodat Floating Farm verspilling van voer kan tegengaan. Geen productielijn, wel dezelfde keten: camera op locatie, beelden labelen en een model dat realtime classificeert.

Lees de case

Hoeveel fouten ziet onze steekproef eigenlijk niet?

Een medewerker kijkt een deel van de producten na, en vermoeid zie je minder. Een camera kijkt elk product op dezelfde manier na en legt twijfel voor aan wie er verstand van heeft.

Plan een gesprek

Elk product nagekeken, en de twijfel bij een mens

Bespreek je controle

Een foutencatalogus

Samen met kwaliteit leggen we vast welke afwijkingen tellen: krassen, scheuren, verkleuring of een ontbrekend onderdeel.

Camera en licht op de lijn

Opstelling, belichting en het moment van opnemen bepalen meer dan het model. Voor Floating Farm installeerden we de camera’s zelf.

Een drempel met twee kanten

Zeker goed gaat door, zeker fout wordt uitgeworpen, en alles ertussen legt het model voor aan een medewerker.

Defecten herkennen in meetdata

Voor ProRail zetten we machine learning in om spooronderdelen en wieldefecten te detecteren, zodat het spoor veiliger wordt.

Met de foutencatalogus beginnen we, de camera volgt

  1. Fouten en beelden

    Welke afwijkingen tellen, hoe vaak ze voorkomen en of een camera ze vanaf de lijn kan zien.

  2. Labelen en testen

    Je kwaliteitsmensen beoordelen beelden, en we toetsen het model op een vaste set met bekende fouten.

  3. Naast de lijn draaien

    Eerst meekijken zonder in te grijpen, dan afkeuren laten sturen en de correcties terugvoeren.

Kan een camera onze kwaliteitscontrole overnemen?

Toets het in een gesprek

Past als

Je controleert veel gelijksoortige producten met het oog, fouten zijn zichtbaar aan de buitenkant en je wilt elk product nakijken in plaats van een steekproef.

Past niet als

Fouten zitten binnenin of blijken pas bij een meting, of er komen er zo weinig voor dat er geen voorbeelden zijn. Dan past een andere sensor beter.

Waar de omvang van afhangt

Het aantal soorten fouten, de snelheid van de lijn, of er al camera’s hangen en of afkeuren automatisch moet of eerst een signaal blijft.

Wat als het model iets mist?

Dat meten we vooraf op een testset en houden we daarna bij. Een gemiste fout gaat terug als voorbeeld, zodat het model ervan leert.

Handmatige steekproef, vaste regels in een camera of een getraind model?

Handmatige steekproef

Kies dit als fouten zeldzaam zijn en het oordeel veel vakkennis vraagt. Je accepteert dat je een deel van de producten niet ziet.

Vaste regels in een camera

Kies dit als je maten, aanwezigheid of positie controleert met strak licht. Bij wisselende producten of oppervlakken lopen regels snel vast.

Een getraind beeldmodel

Kies dit als fouten verschillen in vorm en de omstandigheden wisselen. Ons advies: begin met één fout die nu veel tijd of afkeur kost.

Beeldmodellen die op locatie draaien, hebben we eerder gebouwd

Voor Floating Farm en GVB maakten we computer vision die op echte camerabeelden werkt. Data Science Lab bestaat sinds 2016, is Microsoft Partner en Databricks Partner, en deelt kennis op de Techdays.

Plan een kennismaking

Welke fout je nu het meeste kost, bespreken we als eerste

Stef Stoelwinder

Stef Stoelwinder

Business Development

Stef is je aanspreekpunt. In het eerste gesprek kijken we naar je lijn, je fouten en de beelden die er al zijn.

Welke afwijking wil je als eerste automatisch zien?

Vertel wat je controleert en hoe dat nu gaat. Je krijgt antwoord per mail, of we plannen een eerste gesprek.

Vul een geldig e-mailadres in.

Laat ons weten waar we je mee kunnen helpen.

Veelgestelde vragen

Een camera neemt elk product op, en een getraind model beoordeelt het beeld op afwijkingen die je vooraf hebt benoemd. Het model geeft een oordeel en een zekerheid, en bij twijfel kijkt een medewerker.

Meer toepassingen van AI lees je bij AI-toepassingen.

Dat hangt af van hoeveel soorten fouten er zijn en hoe verschillend ze eruitzien. Zeldzame fouten zijn het lastigst, omdat er weinig voorbeelden van zijn.

Daarom beginnen we met beelden verzamelen en labelen, en tellen we per fout hoeveel voorbeelden er zijn.

Ja. Een model dat leert hoe een goed product eruitziet, kan afwijkingen melden zonder dat elke fout gelabeld is. Het zegt dan wel dat er iets anders is, niet wat.

Vaak combineren we dat met een classificatie voor de fouten die wel vaak voorkomen.

Heel belangrijk. Een fout die op het beeld niet te zien is, vindt geen model. We kijken naar resolutie, hoek, belichting, reflecties en de snelheid waarmee producten voorbijkomen.

Bij Floating Farm hingen we de camera’s zelf op voordat we het model bouwden.

Moet er direct afgekeurd worden, dan draait het model vaak op een computer bij de lijn. Gaat het om rapportage achteraf, dan kan het in de cloud.

Hoe die keuze werkt, lees je bij computer vision laten ontwikkelen.

We meten op een vaste testset hoeveel fouten het vindt en hoe vaak het onterecht afkeurt, per soort fout. Samen met kwaliteit spreek je af welke balans acceptabel is.

Na livegang blijven we dat volgen, ook als producten of licht veranderen.

Dan kan het model minder goed worden. We houden de prestaties bij en hertrainen met nieuwe voorbeelden, zodat het model meegaat met de productie.

Hoe we modellen in productie beheren, lees je bij MLOps.

Bij kwaliteitscontrole richten we de camera op het product. Staan er toch medewerkers in beeld, dan maken we afspraken over wat het model ziet en wat er bewaard wordt.

Voor GVB analyseerde het model camerabeelden zonder dat ze bekeken of gedeeld werden.