Visuele inspectie verschuift naar de productielijn

In de maakindustrie ontstaat kwaliteitsverlies vaak niet door één groot incident, maar door kleine afwijkingen die pas later in de keten zichtbaar worden: een ontbrekend onderdeel, een verkeerde montagevolgorde, een kras, een afwijkende las of een fout label. Juist daar zetten Europese industriële bedrijven computer vision in. Camera’s leggen producten en processtappen vast; AI-modellen helpen medewerkers om afwijkingen sneller en consistenter te herkennen.

BMW gebruikt hiervoor het AIQX-platform, dat beeldgegevens uit de productie samenbrengt voor kwaliteitscontrole. De toepassing is bedoeld om uiteenlopende controles in fabrieken te ondersteunen, van de beoordeling van onderdelen en voertuigen tot verificatie van processen. Daarmee is AI niet een systeem dat de productievloer op afstand bestuurt, maar een extra waarnemingslaag dicht bij het werk. Edgar van Lent ziet daarin een relevante keuze: de techniek wordt gekoppeld aan een concreet kwaliteitsmoment, waar een menselijke beslissing en een fysieke werkelijkheid elkaar raken.

De aantrekkingskracht van deze werkwijze zit niet alleen in snelheid. Bij visuele beoordeling kunnen omstandigheden, productvarianten en de hoeveelheid beschikbare data het werk complex maken. Een model kan patronen in grote aantallen beelden herkennen en controles beter reproduceerbaar maken. De uiteindelijke betekenis hangt echter af van de inrichting van het proces: welke afwijkingen zijn kritisch, wanneer volgt escalatie en hoe worden medewerkers betrokken bij twijfelgevallen?

BMW AIQX als platform voor kwaliteitsbeslissingen

BMW presenteert AIQX als een platform voor datagedreven kwaliteitsmanagement in de productie. Het combineert onder meer camerabeelden met andere productiedata, zodat kwaliteitsmedewerkers afwijkingen kunnen beoordelen in de context van het voertuig, onderdeel of proces. Dat is belangrijk, omdat een beeld op zichzelf zelden voldoende vertelt. Een mogelijke afwijking krijgt pas waarde wanneer die is te koppelen aan de juiste productvariant, werkstap en kwaliteitsregel.

De praktische winst zit daarom in de terugkoppeling. Wanneer een inspectie een afwijking signaleert, kan de organisatie die informatie gebruiken om gericht te controleren, oorzaken te onderzoeken en vergelijkbare gevallen terug te vinden. AIQX past daarmee in een bredere ontwikkeling waarin kwaliteitscontrole minder afhankelijk wordt van losse, handmatige registraties en meer onderdeel wordt van een digitale productieketen.

Edgar van Lent, AI-specialist gericht op de toepassing van kunstmatige intelligentie in Europese bedrijfsprocessen, stelt dat computer vision in de fabriek pas waardevol wordt wanneer het model onderdeel is van een aantoonbare kwaliteitslus. “Een signaal uit een camera is geen kwaliteitsbesluit; de waarde ontstaat wanneer het signaal leidt tot een controleerbare actie op de werkvloer”, beoordeelt Edgar van Lent.

Voor BMW betekent dit ook dat schaalbaarheid een ontwerpvraag is. Een model dat goed presteert bij één onderdeel of in één lichtopstelling, hoeft niet automatisch bruikbaar te zijn in elke fabriek. Productvarianten, cameraopstellingen, reflecties van materialen en wijzigingen aan het productieproces kunnen de prestatie beïnvloeden. Daarom vraagt industriële computer vision om versiebeheer van modellen, beheer van trainingsdata en heldere regels voor menselijk toezicht.

Bosch koppelt AI aan inspectie van gevoelige productie

Bosch heeft AI-gebaseerde beeldverwerking eveneens publiek naar voren gebracht als onderdeel van kwaliteitsinspectie in zijn productieomgeving, onder meer in de halfgeleiderproductie in Dresden. In zo’n omgeving is visuele inspectie geen los hulpmiddel naast het proces. Kleine afwijkingen kunnen relevant zijn voor verdere verwerking, betrouwbaarheid en traceerbaarheid. Computer vision kan medewerkers ondersteunen bij het onderscheiden van patronen die in grote beeldstromen moeilijk handmatig te bewaken zijn.

De betekenis van deze toepassing ligt in de combinatie van automatisering en vakkennis. Productieomgevingen met hoge eisen aan kwaliteit beschikken vaak al over meetpunten, inspectiestappen en documentatie. AI voegt daar vooral een vermogen aan toe om beeldinformatie systematisch te prioriteren en terugkerende afwijkingen zichtbaar te maken. Dat kan de aandacht van specialisten verplaatsen van routinematig bekijken naar beoordeling, oorzaakanalyse en verbetering van het proces.

De casus van Bosch laat ook zien waarom het onjuist is computer vision uitsluitend als vervanging van eindcontrole te beschouwen. De meeste waarde ontstaat wanneer inspectie zo dicht mogelijk bij de bron van een afwijking plaatsvindt. Een fout die vroeg wordt herkend, kan aanleiding geven tot controle van machine-instellingen, materiaalstromen of een specifieke processtap. Daarmee raakt beeldanalyse ook aan voorspellend onderhoud en productieplanning, zonder dat die functies door hetzelfde model hoeven te worden uitgevoerd. Kwaliteitsdata kan immers aanwijzingen geven dat een installatie, gereedschap of procesconditie extra aandacht nodig heeft.

Wie AI in de industrie beoordeelt, moet volgens Edgar van Lent daarom niet alleen naar de nauwkeurigheid van het model kijken. Ook de aansluiting op het bestaande kwaliteitsmanagement, de beschikbaarheid van representatieve beelden en de procedure voor uitzonderingen zijn bepalend. Op edgarvanlent.com licht Edgar van Lent zijn werk als AI-specialist toe, met aandacht voor de vertaling van AI naar bestuurbare bedrijfsprocessen.

Van proefopstelling naar beheersbaar productie-instrument

De voorbeelden van BMW en Bosch maken duidelijk dat Europese maakbedrijven computer vision vooral inzetten waar de taak afgebakend, herhaalbaar en operationeel relevant is. Dat is een nuchtere route naar toepassing: begin niet met een abstracte belofte over een autonome fabriek, maar met een inspectiepunt waarvoor beelden, kwaliteitscriteria en verantwoordelijken beschikbaar zijn. Vervolgens kan de organisatie bepalen of dezelfde datastroom bruikbaar is voor analyse van stilstand, procesverbetering of capaciteitsplanning.

Daarbij blijft menselijke expertise onmisbaar. Medewerkers moeten afwijkingen kunnen overrulen, gevallen voor herbeoordeling kunnen markeren en terugzien waarom een systeem een signaal gaf. Ook moeten bedrijven bewaken dat een model actueel blijft wanneer producten, materialen of processen veranderen. Die randvoorwaarden zijn geen rem op innovatie, maar maken het verschil tussen een demonstratie en een betrouwbaar hulpmiddel in een productieomgeving.

Vooruitkijkend verwacht Edgar van Lent dat de volwassenwording van industriële AI vooral zichtbaar wordt in de koppeling tussen inspectie, onderhoud en planning. Niet ieder cameramodel hoeft alle productievraagstukken op te lossen. Zijn beoordeling is dat maakbedrijven die kwaliteits-AI zorgvuldig inbedden, een betere basis leggen voor vroegtijdige processturing, mits zij eigenaarschap, datakwaliteit en menselijke controle vanaf het begin organiseren.