De lijn draait, de sensoren meten, de operators controleren. Toch ontsnappen er defecten — niet omdat mensen slecht werk leveren, maar omdat menselijke visuele aandacht bij repetitieve taken een objectief plafond heeft. Na twee uur monotone inspectie daalt de detectiebetrouwbaarheid aanzienlijk. AI-visuele systemen kennen dat plafond niet: ze verwerken elk stuk identiek en halen bij de juiste inzet een nauwkeurigheid boven 99 % waar een menselijke inspecteur typisch rond de 85 % uitkomt.
Het probleem is dat "de juiste inzet" allesbehalve triviaal is. In de praktijk zien we projecten waarbij het AI-systeem voor kwaliteitscontrole fundamentele resultaten heeft opgeleverd, en evengoed projecten die eindigden met een gemonteerde camera die na drie maanden werd uitgezet. Het verschil zit niet in de technologie — het zit in wat de fabrikant deed vóórdat hij zijn eerste hardware kocht. Dit artikel is een beslishulp: wanneer instappen, wat eerst oplossen, en waar AI alleen niet volstaat.
Wat AI-visuele inspectie werkelijk doet
De basisopdracht is eenvoudig: de camera fotografeert een stuk, het model beslist OK of NOK, het systeem markeert of verwijdert het. Achter die eenvoud schuilen drie technisch afzonderlijke taken die elk een eigen aanpak vragen.
Defectdetectie — het lokaliseren van een specifieke fout op een oppervlak of onderdeel: kras, scheur, porositeit, defecte las. Het model moet niet alleen zeggen "er is een fout", maar ook aangeven wáár. Tools zoals YOLOv10 of YOLO11 (Ultralytics) zijn in 2026 de standaard voor real-time detectie: ze verwerken een frame in minder dan 200 ms, wat overeenkomt met de overgrote meerderheid van productiesnelheden.
Anomaly detection — het opsporen van iets "anders dan normaal" zonder dat u vooraf weet wat u precies zoekt. Modellen die uitsluitend op "goede" stuks zijn getraind, leren normaliteit aan en elke afwijking wordt als anomalie gemarkeerd. Deze aanpak is geschikt voor serieproducties waarbij defecten zeldzaam zijn en u niet genoeg foutieve samples heeft voor klassieke supervised training.
Segmentatie en meting — het nauwkeurig afbakenen van het defectoppervlak, het meten van afmetingen, het tellen van objecten. SAM 2 (Meta) maakt vandaag zero-shot segmentatie mogelijk — het kan een onbekend type defect omkaderen zonder voorafgaande training, wat het annoteren van nieuwe defectcategorieën aanzienlijk versnelt.
Moderne systemen combineren alle drie: YOLO detecteert, SAM segmenteert, downstream meetlogica beslist over de ernst.
Wanneer AI loont — en wanneer het tekortschiet
Niet elk inspectieproblee verdient een vision-model. Beantwoord vijf vragen voordat u in hardware en integratie investeert.
1. Is het defect visueel consistent? Krassen op een aluminium profiel zien er altijd vergelijkbaar uit. Corrosie op lassen kan tientallen varianten aannemen. Hoe consistenter het visuele uiterlijk van een defect, hoe eenvoudiger u het model traint en hoe hogere nauwkeurigheid u bereikt. Defecten met een extreem wisselend uiterlijk (afhankelijk van materiaaltemperatuur, inslaghoek, grondstofbatch) zijn veel lastiger.
2. Heeft u voldoende defectfoto's? Dit is de meest voorkomende drempel. Voor klassieke supervised training van het YOLO-type heeft u in de orde van honderden tot duizenden geannoteerde voorbeelden per defectcategorie nodig. In de praktijk hebben de meeste fabrikanten volle archieven met OK-stuks en tientallen foutieve opnamen. Oplossingen bestaan — synthetische augmentatie, GAN-gegenereerde defecten, of juist anomaly detection zonder foutlabels — maar ze voegen complexiteit toe.
3. Is de inspectie reproduceerbaar? Verlichting, positie van het stuk, bewegingssnelheid, reflectie — alles moet stabiel zijn. Een model getraind bij één verlichtingstype zal falen bij een ander. Dat is geen slecht model, dat is fysica. Als de productielijn geen stabiele opnamecondities heeft, moet u die eerst mechanisch of constructief oplossen — AI lost dat niet op.
4. Kan een bestaande oplossing het probleem goedkoper aanpakken? Eenvoudige binaire controles (aanwezigheid/afwezigheid van een onderdeel, juiste oriëntatie) worden door klassieke rule-based machine vision met profielsensoren afgehandeld voor een fractie van de prijs en zonder trainingsdata. AI loont daar waar klassieke regelsystemen falen — onregelmatige oppervlakken, vormvariabiliteit, subjectieve kwaliteitscriteria.
5. Wat zijn de kosten van een ontsnapt defect versus een vals alarm? In de automotive kan één ontsnapt defect een recall van honderden voertuigen betekenen. In consumptiegoederen is de tolerantie hoger. De verhouding NOK/OK en de kosten van beide fouttypen bepalen welke drempelwaarde u instelt — en daarmee direct of het AI-systeem economisch zinvol is.
De realiteit van nauwkeurigheid: wat 99 % betekent
Het getal "99 % nauwkeurigheid" duikt op in elke presentatie. Het is belangrijk te begrijpen wat het wel en niet betekent.
Als een productielijn 10.000 stuks per dag produceert en 1 % defect is, heeft u 100 foutieve stuks. Een AI-systeem met 99 % algehele nauwkeurigheid kan bij deze verdeling een sterk uiteenlopende werkelijke prestatie leveren — afhankelijk van hoe die 1 % foutiviteit zich verdeelt over false positives en false negatives. Voor kritieke toepassingen is niet de algehele nauwkeurigheid doorslaggevend, maar de nauwkeurigheid per defectklasse die u daadwerkelijk moet opvangen.
In de praktijk zien we dit patroon: modellen die goed getraind zijn op de voornaamste defecttypen presteren uitstekend op precies die typen, maar degraderen op zeldzame of nieuwe varianten die niet in de trainingsdata aanwezig waren. Daarom is het continu aanvullen van de trainingsset met nieuwe productievoorbeelden essentieel — een model is geen eenmalige investering, maar een levend systeem.
De vergelijking met menselijke inspectie is eveneens contextafhankelijk. AI-systemen zijn consistent beter bij repetitieve, goed gedefinieerde typen controle. Een ervaren inspecteur met diepgaande proceskennis kan anomalieën opvangen die het model nog niet heeft gezien — een hybride opstelling (AI signaleert, menselijke operator valideert edge cases) is in 2026 gangbare productiepraktijk.
Weinig data: hoe u het chronische probleem aanpakt
Een tekort aan foutieve samples is de realiteit voor de meeste fabrikanten. Enkele beproefde aanpakken:
Anomaly detection in plaats van classificatie. Modellen zoals ViT (Vision Transformer) die uitsluitend op "goede" stuks zijn getraind, leren de verdeling van normaliteit. Tijdens productie krijgt elk stuk dat van die verdeling afwijkt een hoge anomaly score. Nadeel: het model kan het defecttype niet benoemen, alleen melden dat "er iets niet klopt". Voor de eerste inzetfase is dat voldoende.
Synthetische augmentatie. Realistische synthetische defecten (krassen, scheuren, vlekken) zijn direct op OK-opnamen te genereren via algoritmische methoden of GAN/diffusiemodellen. Bij industriële projecten hebben we gezien dat kwalitatieve synthetische augmentatie 30–50 % van de echte foutieve voorbeelden kan vervangen zonder noemenswaardig nauwkeurigheidsverlies — maar het resultaat is sterk afhankelijk van hoe dicht de synthetiek op de werkelijkheid aansluit.
`SAM 2` voor annotatie. Manueel annoteren van opnamen is tijdrovend. SAM 2 maakt zero-shot segmentatie mogelijk — een expert wijst het defect aan, het model omlijnt het onmiddellijk met een nauwkeurig masker. In de praktijk verkort dit het annoteren van nieuwe defectcategorieën met 60–80 % ten opzichte van een klassiek manueel workflow.
Transfer learning. Begin met een model dat voorgetraind is op industriële data (er bestaan publieke datasets voor oppervlaktedefectdetectie op metaal, textiel en hout) en fine-tune op uw eigen specifieke data. U heeft veel minder voorbeelden nodig dan bij training van nul af.
Voor een dieper begrip van de aanpak rond trainingsdata — inclusief hoeveel samples u werkelijk nodig heeft en hoe u ze structureert — verwijzen we naar Dataset voor fine-tuning — hoeveel en welke kwaliteit.
Edge-inzet: waar de verwerking plaatsvindt
De grote architectuurvraag: waar draait de inferentie?
Cloud — opnamen worden naar een externe server gestuurd. Ongeschikt voor de meeste productielijnen vanwege latentie (netwerk round-trip + verwerking) en beschikbaarheid (internetstoring = controleverstoring). Voor offline batchverwerking van archiefopnamen is cloud acceptabel.
On-premise server — inferentieserver in het fabrieksnetwerk, doorgaans op GPU (NVIDIA RTX 4090 of A-serie). De latentie binnen het intranet is laag (milliseconden), de beschikbaarheid hangt uitsluitend af van de interne infrastructuur. Standaard voor de meeste serieproducties.
Edge device — berekening direct bij de camera of op een industriële pc op de lijn. Lichtgewicht vision-modellen geëxporteerd naar ONNX- of TensorRT-formaat maken inzet vandaag mogelijk zonder toegewijde GPU — bijvoorbeeld via OpenVINO op Intel-hardware of ONNX Runtime op een standaard industriële pc. Voor eenvoudige binaire OK/NOK-beslissingen volstaat dat. Voor complexe multi-class detectie met hoge nauwkeurigheid blijft edge-hardware een beperkende factor.
In de praktijk gebruiken we een combinatie: het edge device verzorgt de directe OK/NOK-beslissing in minder dan 100 ms, de resultaten worden naar een centrale server gestuurd voor analytics, retraining en rapportage. Deze architectuur is bestand tegen netwerkstoringen en maakt tegelijkertijd centraal modelbeheer mogelijk.
Wanneer u nadenkt over hardware-sizing voor de inferentieserver, kan ook het artikel over GPU voor LLM-inferentie nuttig zijn — de principes van memory bandwidth en VRAM-sizing zijn gelijk van toepassing.
Integratie in het productieproces
Een vision-systeem dat alleen resultaten op een monitor toont, benudt zijn volledige waarde niet. Echte integratie betekent:
Koppeling aan het productiesysteem — MES, SCADA, of rechtstreeks PLC. Een NOK-signaal triggert een actie: lijn stilzetten, stuk afvoeren, alarm aan de operator. Zonder deze koppeling is AI slechts een passieve toeschouwer.
Traceerbaarheid — elk stuk heeft een opname, een beslissing, een timestamp en een batch-ID. Bij een klacht of klantanalyse kunt u het inspectierecord onmiddellijk terugspoelen. Dit is een van de meest waardevolle nevenopbrengsten van AI-visuele systemen — niet alleen automatisering, maar ook documentatie.
Gesloten lus — geavanceerdere inzetten (we zien ze steeds vaker) koppelen het visuele systeem rechtstreeks aan een robotarm of correctie-actuator. Gedetecteerd defect → opdracht tot correctie of sortering → bevestiging van de correctie via een volgende opname. Dit closed-loop patroon is de richting die de sector opgaat.
Dashboard en retraining-pipeline — operators moeten de systeemprestaties in real time zien (aantallen OK/NOK, typen gedetecteerde defecten, vals-alarmpercentage). En wanneer een nieuw defecttype opduikt, moet er een workflow zijn: operator annoteert opname → annotatie → toevoegen aan trainingsset → retraining → deployment van nieuwe modelversie. Zonder deze pipeline veroudert het model.
Voor teams die nadenken over het opzetten van vergelijkbare agentic loops voor het langdurig beheer van AI-systemen raden we aan om AI-agentarchitecturen (ReAct, Plan-and-Execute) door te nemen.
Wanneer klassieke camera's volstaan
Het zou oneerlijk zijn dit niet te vermelden: er zijn gevallen waarbij een AI-vision-model niet het juiste antwoord is.
Aanwezigheid/afwezigheid van componenten — of een schroef op zijn plaats zit, of een etiket geplakt is, of een sluiting gesloten is. Klassieke rule-based machine vision handelt dit betrouwbaar af voor aanzienlijk lagere kosten en zonder trainingsdata.
Dimensionale controle met micrometer-precisie — contactmeetssystemen of laserprofilometers zijn nauwkeuriger en betrouwbaarder dan camerasinspectie voor sub-millimeter afmetingen.
Extreem eenvoudige binaire controles — als een defect er altijd hetzelfde uitziet en het contrast met de achtergrond voldoende is, volstaat een eenvoudig drempelalgoritme. AI is overkill.
AI-vision voegt waarde toe waar variabiliteit, complexiteit of subjectiviteit de mogelijkheden van regelsystemen overstijgt. Als u op de grens zit, voert u een pilot uit: test beide benaderingen op echte data en vergelijk de implementatiekosten met de detectieverbetering.
Veelgestelde vragen
Hoeveel trainingsopnamen heb ik nodig voor defectdetectie?
Voor een klassiek supervised model (YOLO-type) heeft u doorgaans honderden geannoteerde voorbeelden per defectcategorie nodig — praktisch betekent dit 500 tot 2.000 opnamen voor een eerste bruikbare versie. Als u minder heeft, overweeg dan anomaly detection (getraind uitsluitend op OK-stuks) of synthetische augmentatie. De kwaliteit van de annotaties is belangrijker dan het pure aantal — slecht geannoteerde data beschadigt het model eerder dan het helpt.
Hoe snel moet de camera zijn en hoe snel beslist het systeem?
Voor de meeste productielijnen (tot 60 stuks per minuut) volstaat een camera met 60 fps en een inferentielatentie onder de 100 ms. YOLO11 op een RTX 4090 verwerkt een frame in 10–30 ms, wat ruim voldoende marge geeft voor zelfs snellere lijnen. Voor extreem snelle processen (honderden stuks per minuut) zijn line-scan camera's en gespecialiseerde hardware nodig — dat is een andere categorie oplossingen.
Werkt AI-visuele inspectie op reflecterende of transparante materialen?
Reflecterende oppervlakken (gepolijst metaal, chroom) en transparante materialen (glas, kunststof) zijn technisch uitdagender — reflecties en wisselend contrast misleiden het model. De oplossing is een combinatie van speciale verlichting (gepolariseerd, dome light, coaxiaal) en training op data die onder precies die condities is vastgelegd. Het is geen onoplosbaar probleem, maar het vereist meer voorbereiding en testen.
Heb ik een GPU direct op de productielijn nodig?
Niet noodzakelijk. Voor eenvoudige modellen volstaat een krachtige industriële pc zonder toegewijde GPU (inferentie op CPU is trager, maar voor minder veeleisende taken toereikend). Voor real-time inspectie met complexe modellen adviseren we een edge-server met GPU in de schakelkast bij de lijn — niet direct in de stoffige en trillingsgevoelige omgeving. GPU in de cloud of op een centrale server is een alternatief, maar afhankelijk van netwerk beschikbaarheid.
Wanneer vervangt AI-visuele inspectie de menselijke controle volledig?
In de praktijk komt volledige vervanging zelden voor. Het meest gangbare model is augmentatie: AI verwerkt 90–95 % van de inspectie autonoom, de rest (edge cases, nieuwe defecttypen, geëscaleerde klachten) gaat naar een menselijke expert. Dit hybride model is rationeel — het bespaart het grootste deel van het handmatige werk en behoudt tegelijkertijd de vakkennis voor situaties waarin het model nog niet betrouwbaar genoeg is.
*AI-visuele inspectie is geen product dat u aanschaft en inpluggt — het is een systeem dat moet worden ontworpen, getraind en onderhouden. Bij MP Industrial Solutions helpen we productiebedrijven beoordelen of en hoe AI-inspectie zinvol is voor hun proces: van analyse van bestaande data en defectsamples, via de keuze van de architectuur, tot integratie met het bestaande MES of SCADA. Als u deze stap overweegt, bekijken we graag eerst uw specifieke situatie.*