AI en deep learning: wanneer traditionele vision tekortschiet
Traditionele machine vision werkt uitstekend voor voorspelbare defecten. Maar wat als het defect subtiel is, variabel van vorm, of moeilijk te omschrijven? Dan is AI de oplossing.
Er zijn inspectietaken waarbij klassieke machine vision zijn grenzen bereikt. Denk aan oppervlaktedefecten op gegoten metaalonderdelen, onregelmatige inklusies in kunststof, of kleurafwijkingen die subtiel maar merkbaar zijn voor de eindgebruiker.
Het probleem met regelgebaseerde systemen
Klassieke vision-software werkt op basis van expliciete regels: drempelwaarden, randdetectie, patroonvergelijking. Dat werkt goed zolang het defect consistent van vorm en grootte is. Maar in de praktijk is dat zelden zo.
Een scheurtje in een spuitgegoten onderdeel kan 0,1 mm of 5 mm lang zijn. Het kan horizontaal of diagonaal lopen. Een regelgebaseerd systeem vereist voor elke variant een aparte regel — en toch ontsnappen er defecten.
Hoe deep learning het anders aanpakt
Een deep learning model leert niet van regels, maar van voorbeelden. Je toont het duizenden afbeeldingen van goede producten en van afgekeurde producten, en het model leert zelf wat het verschil is.
Het resultaat: het model generaliseert. Het herkent een nieuw type scheurtje dat het nooit eerder heeft gezien, omdat het de onderliggende kenmerken heeft geleerd.
Praktische toepassing
Wij implementeren deep learning vision-systemen die:
- Trainen op uw eigen productbeelden
- Continu verbeteren naarmate meer data beschikbaar komt
- Transparant rapporteren: elk afgekeurd product krijgt een confidence-score en beeldmarkering
- Integreren met uw bestaande lijn-PLC of MES-systeem
De drempel om te starten is lager dan verwacht: voor een eerste model zijn vaak enkele honderden gelabelde beelden voldoende.