AI-kwaliteitscontrole op uw eigen afkeurnormen

Afkeur zien voordat hij de deur uit is

AI-kwaliteitscontrole, in de industrie ook kwaliteitsinspectie genoemd, is het automatisch beoordelen van elk product in de productielijn met een beeldherkenningsmodel. Anders dan een steekproef controleert het systeem alles, consistent en in het tempo van de lijn.

Bij Twentynext betekent dat: een model dat beelden uit uw productielijn beoordeelt, getraind op uw eigen producten en uw eigen afkeurnormen. Geen algemeen model dat ‘defecten’ herkent, maar één dat weet wat bij ú een afkeur is.

Wat het systeem doet

Het beoordeelt elk product terwijl de lijn draait:

Consistent: dezelfde afwijking krijgt aan het eind van een nachtdienst hetzelfde oordeel als aan het begin.
Ook op afwijkingen die met het blote oog lastig te betrappen zijn: haarscheuren, kleurverloop, verkeerde uitlijning.
Zonder de doorlooptijd te raken; de beoordeling gebeurt in het tempo van de productie.

Van afkeur naar oorzaak

Elk oordeel is ook data. Zodra daar genoeg van is, verschuift de vraag van ‘welk product keuren we af’ naar ‘waarom gaat het mis’:

Welke combinatie van instellingen, batch en tijdstip voorafgaat aan een piek in afkeur.
Welke kleine afwijkingen aankondigen dat er iets in de lijn wegloopt, vóórdat het product buiten de norm valt.
Waar in het proces de oorzaak zit, in plaats van waar hij zichtbaar wordt.

Wat het oplevert

De winst zit zelden in de inspectie zelf, maar in wat eromheen wegvalt: minder producten die pas laat worden afgekeurd, minder handmatige steekproeven, en minder discussie over waar de norm ligt.

Wat het nodig heeft

Een eerlijk antwoord vooraf scheelt een dure verrassing halverwege. Een werkend systeem vraagt:

Beeld van voldoende kwaliteit. Stabiele belichting en een vaste cameraopstelling wegen zwaarder dan een duurdere camera.
Voorbeelden van afkeur. Het model leert van uw eigen afgekeurde producten. Zijn die er nauwelijks, dan begint het traject met verzamelen.
Een plek in het proces. Het oordeel moet ergens landen: een signaal naar de operator, een uitwerpmechanisme, of een registratie in uw bestaande systemen.

De koppeling met bestaande productieapparatuur, IoT-platforms en rapportage is onderdeel van het werk, niet een losse fase erna.

Meer hierover in twee artikelen: AI voor kwaliteitscontrole en afwijkingsrapportages: wat een maakbedrijf vooraf moet weten en Visuele inspectie met AI in uw productielijn: wat kost het en wat bepaalt de prijs?

Wat u krijgt

Geen pakket, maar een werkende oplossing

Twentynext is geen softwareleverancier. Wij onderzoeken het vraagstuk, ontwerpen de oplossing en bouwen hem tot hij in productie draait.

Wat we opleveren

Een oplossing die in uw eigen proces draait, op uw eigen data. Geen licentie op software van iemand anders, en geen rapport met aanbevelingen.

Waar we beginnen

Bij de businessvraag, niet bij het model. Welke beslissing moet beter, en welke informatie hangt daaraan? Techniek is de laatste stap, niet de eerste.

Wie het bouwt

Dezelfde mensen die het bedenken. Van data-analyse en architectuur tot productie en beheer, zonder overdracht aan een andere partij.

Zo pakken we een project aan

Onze concrete klantoplossingen

Wat kunnen wij nog meer voor uw organisatie betekenen?

Enkele oplossingen die we eerder bouwden:

Medische diagnostiek

CAD/CAM-automatisering

Data- en reportingplatform

Veelgestelde vragen

Wat doet AI-kwaliteitscontrole in een productielijn?

Een model beoordeelt beelden uit uw lijn op uw eigen afkeurnormen, getraind op uw eigen producten. Het oordeelt in het tempo van de productie, dus zonder de doorlooptijd te raken, en geeft dezelfde afwijking aan het eind van een nachtdienst hetzelfde oordeel als aan het begin.

Wat is er nodig om te beginnen?

Drie dingen: beeld van voldoende kwaliteit, stabiele belichting en een vaste cameraopstelling wegen zwaarder dan een duurdere camera, voorbeelden van afkeur uit uw eigen productie, en een plek in het proces waar het oordeel landt: een signaal naar de operator, een uitwerpmechanisme of een registratie in uw bestaande systemen.

Wat als we nauwelijks afgekeurde producten hebben bewaard?

Dan begint het traject met verzamelen. Dat is geen diskwalificatie, maar het bepaalt wel de doorlooptijd: het model leert van úw afkeur, niet van een algemeen model dat defecten herkent.

Zegt het systeem ook waarom het misgaat?

Elk oordeel is ook data. Zodra daar genoeg van is, verschuift de vraag van welk product u afkeurt naar waarom het misgaat: welke combinatie van instellingen, batch en tijdstip aan een piek in afkeur voorafgaat, en waar in het proces de oorzaak zit in plaats van waar hij zichtbaar wordt.

Levert Twentynext een kant-en-klaar inspectiepakket?

Nee. Wij zijn geen softwareleverancier. U krijgt een oplossing die in uw eigen proces draait op uw eigen data: geen licentie op software van iemand anders, en geen rapport met aanbevelingen.

Sluit het aan op onze bestaande apparatuur?

De koppeling met bestaande productieapparatuur, IoT-platforms en rapportage is onderdeel van het werk, niet een losse fase erna. Het oordeel moet ergens landen om waarde te hebben.

Is kwaliteitscontrole hetzelfde als kwaliteitsinspectie?

In de praktijk wel: beide woorden beschrijven het beoordelen van producten tegen een norm, en industrie en leveranciers gebruiken ze door elkaar. Op deze pagina bedoelen we er hetzelfde mee: automatische controle van elk product in de lijn, op uw eigen afkeurnormen, in plaats van een handmatige steekproef.

Werkt AI-kwaliteitscontrole ook in de voedingsindustrie?

Juist daar. Natuurlijk product varieert in kleur, vorm en formaat, en precies die variatie maakt vaste inspectieregels onbetrouwbaar. Een model dat op uw eigen productstroom is getraind, leert wat normale variatie is en wat een afwijking. Hetzelfde geldt voor elke sector met hoge volumes en visuele normen.

Wat kost AI-kwaliteitscontrole en wanneer verdient het zich terug?

Een eerste opstelling met camera, verlichting en model kost meestal tussen de 25.000 en 75.000 euro, afhankelijk van het aantal productvarianten. Terugverdienen gebeurt op afkeur die de klant niet meer ziet en op de inspecteur die zijn tijd aan uitzonderingen besteedt in plaats van aan elke band. Bij een lijn met meer dan 1 procent afkeur is dat doorgaans binnen een jaar. Dit zijn richtlijnen uit onze projecten, geen garantie: elke situatie vraagt maatwerk en bedragen en doorlooptijden stellen we per organisatie vast.

Waarom is een visionmodel implementeren lastiger dan het lijkt?

Het model is het kleinste deel. Verlichting die per seizoen verandert, producten die net anders liggen, en een lijn die niet stil mag staan bepalen of het werkt. Daarom beginnen wij met een week beelden verzamelen op de echte lijn, nog vóór er een model getraind wordt.

Hoe verhoudt dit zich tot handmatige inspectie?

Handmatig blijft nodig voor de gevallen die het model onzeker vindt. Het model haalt het volume weg, de mens beoordeelt de twijfel. Het percentage twijfelgevallen is de maat waarop wij sturen.