Visuele foutdetectie: hoe camera's en AI leren zien wat er mis is
Stel je een fabriekshal voor waar duizenden autoruiten per dag over een lopende band schuiven. Ergens moet iemand controleren of er geen haarscheurtje, kras of luchtbelletje in het glas zit. Vroeger stond daar een mens met een zaklamp en een getraind oog, die duizenden keren per dag hetzelfde patroon moest herkennen. Tegenwoordig hangt boven diezelfde band steeds vaker een camera, gekoppeld aan software die binnen een fractie van een seconde beslist: goedgekeurd of afgekeurd. Dat is in de kern visuele foutdetectie: het automatisch herkennen van gebreken in producten, materialen of oppervlakken met behulp van camerabeelden en kunstmatige intelligentie (AI).
De term duikt op in nieuwsberichten omdat het toepassingsgebied snel groeit, ver buiten de klassieke fabriekshal. Denk aan drones die zonnepanelen filmen op zoek naar microscheurtjes, camera's die treinrails scannen op scheuren, of systemen die printplaten controleren op verkeerd geplaatste onderdelen. De onderliggende belofte is steeds dezelfde: goedkopere camera's, meer rekenkracht en vooral deep learning (een vorm van machine learning met neurale netwerken die zelf patronen leren uit voorbeelden) maken het mogelijk om een taak te automatiseren die altijd als typisch menselijk gold — iets met het oog beoordelen.
Wat is het precies?
Een visueel inspectiesysteem doorloopt meestal vier stappen. De eerste is beeldopname: een of meerdere camera's leggen het product vast onder zorgvuldig gecontroleerde belichting, soms met gewoon zichtbaar licht, soms met infrarood, röntgen of 3D-laserscanners om ook binnenkant of diepte te zien.
Daarna volgt voorbewerking: het beeld wordt rechtgezet, ruis wordt weggefilterd en de belichting genormaliseerd, zodat schommelingen in de fabriekshal (een andere lichtinval, stof op de lens) niet als 'fout' worden aangezien.
De derde stap is de eigenlijke analyse, en hier zijn twee hoofdaanpakken. Bij classificatie traint men een convolutioneel neuraal netwerk (CNN, een type AI-model dat is gespecialiseerd in het herkennen van patronen in afbeeldingen) op duizenden voorbeelden van goede en foute producten, zodat het leert onderscheid te maken. Het probleem is dat fouten in de praktijk zeldzaam en zeer divers zijn — je hebt zelden genoeg voorbeelden van elk mogelijk defect. Daarom wint de tweede aanpak, anomaliedetectie, terrein: het model leert alleen hoe een goed product eruitziet, en slaat vervolgens alarm bij alles wat daarvan afwijkt, zonder dat het vooraf wist welk soort fout het zou tegenkomen.
De laatste stap is de beslissing: op basis van een drempelwaarde wordt een product goedgekeurd, afgekeurd, of naar een mens doorgestuurd voor een tweede blik. Die menselijke controle bij twijfelgevallen voedt vaak weer het systeem, dat periodiek wordt bijgetraind — een terugkoppellus die de nauwkeurigheid over tijd moet verbeteren.
Wat wil men ermee bereiken?
Het belangrijkste argument is consistentie. Een mens die de duizendste printplaat van de dag bekijkt, is minder scherp dan bij de eerste; een camera niet. Daarnaast is er snelheid: sommige productielijnen draaien zo snel dat geen mens elk onderdeel nog met het blote oog kan volgen, terwijl een camera moeiteloos duizenden stuks per minuut aankan.
Een derde motivatie is dat sommige defecten onzichtbaar of nauwelijks zichtbaar zijn voor het menselijk oog, maar wel voor een infraroodcamera of röntgenscanner — denk aan een koudlassoldeerverbinding op een chip of een microscheurtje diep in materiaal.
Economisch gezien wil men vooral fouten vroeg in het proces opsporen, voordat er verdere bewerkingen of verpakking overheen komen. Hoe later een fout wordt ontdekt — in het ergste geval bij de klant — hoe duurder een terugroepactie of garantieclaim uitpakt. Tot slot speelt ook het argument van arbeidsomstandigheden: repetitieve visuele controle is vermoeiend en oogbelastend werk, waarvan automatisering personeel kan vrijmaken voor ander werk — al is dit ook onderdeel van het bredere en terechte debat over baanverlies door automatisering.
Voorbeelden uit de praktijk
Een veelgebruikte referentie in onderzoek is de MVTec AD-dataset, gepubliceerd in 2019 door het Duitse bedrijf MVTec Software GmbH uit München en gepresenteerd op de vooraanstaande computer-visionconferentie CVPR. De dataset bevat foto's van vijftien soorten objecten en materialen (van schroeven tot leer en tegels) met échte fabrieksdefecten, en wordt wereldwijd gebruikt om nieuwe anomaliedetectie-algoritmes met elkaar te vergelijken.
In de halfgeleiderindustrie is visuele inspectie onmisbaar: het Amerikaanse bedrijf KLA Corporation levert al decennia meet- en inspectiesystemen die defecten van nanometerschaal op siliciumwafers (de dunne schijfjes waarop chips worden gemaakt) opsporen. Eén verkeerd stofdeeltje kan daar een hele chip onbruikbaar maken, wat de tolerantie voor fouten extreem laag maakt.
In de elektronica-assemblage is Automated Optical Inspection (AOI) al sinds de jaren negentig en tweenulhonderd gangbare praktijk: camerasystemen scannen printplaten op ontbrekende onderdelen, verkeerd geplaatste chips of slechte soldeerpunten, een standaardstap bij grote contractfabrikanten van elektronica.
Een jonger voorbeeld is Landing AI, in 2017 opgericht door AI-onderzoeker Andrew Ng (bekend van eerder werk bij Google Brain en Baidu). Het bedrijf richt zich specifiek op fabrikanten die met relatief weinig gelabelde voorbeelden toch een bruikbaar inspectiemodel willen trainen, via het platform LandingLens — een reactie op het feit dat de meeste fabrieken juist te weinig voorbeelden van fouten hebben om klassieke, datahongerige AI-modellen te trainen.
Ook buiten de fabriekshal wint de techniek terrein: energiebedrijven zetten drones met infraroodcamera's in om zonneparken te inspecteren op oververhitte cellen en microscheurtjes, een taak die eerder handmatig en veel arbeidsintensiever gebeurde.
Hoe ver is de techniek?
Voor veelvoorkomende, goed gedefinieerde defecten — een ontbrekend onderdeel, een duidelijke kras, een verkeerd geplaatste soldeerdruppel — is de techniek volwassen en wordt ze op grote schaal in productie ingezet. Voor dat soort taken melden leveranciers regelmatig foutdetectiepercentages die de menselijke inspectie evenaren of overtreffen.
Lastiger ligt het bij zeldzame of nooit eerder geziene defecttypes: een model dat is getraind op bekende fouten, mist soms juist het zeldzame, nieuwe soort defect waar het om gaat — een probleem dat onderzoekers de long tail noemen. Ook domeinverschuiving is een terugkerend obstakel: een systeem dat perfect werkt onder de belichting en materiaalpartij van vandaag, kan volgende maand met een nieuwe leverancier of gewijzigde verlichting weer moeten worden bijgesteld.
Een ander lastig punt is dat 'fout' niet altijd objectief is: een kosmetisch krasje dat de ene klant accepteert, keurt een andere af, wat de grens tussen goed en fout soms subjectief maakt in plaats van puur technisch. Onderzoekers verschuiven daarom de laatste jaren naar few-shot learning (modellen die met een handvol voorbeelden al bruikbare resultaten geven) en verder onderzoek naar generieke visiemodellen die niet telkens opnieuw per productlijn getraind hoeven te worden.
Eerlijkheidshalve: de indrukwekkende nauwkeurigheidscijfers uit onderzoekspublicaties (vaak boven de 95-99% op benchmarks als MVTec AD) zijn behaald onder gecontroleerde onderzoeksomstandigheden. Hoe goed dat zich vertaalt naar een drukke, stoffige fabriekshal met wisselende omstandigheden, verschilt sterk per toepassing en wordt zelden onafhankelijk gepubliceerd — bedrijven communiceren vooral succesverhalen. Volledig autonome inspectie zonder enige menselijke controle is eerder uitzondering dan regel; in de meeste opstellingen blijft een mens de twijfelgevallen beoordelen.
Wie werken eraan?
Op het gebied van hardware en software voor machine vision zijn Cognex (Verenigde Staten, opgericht in 1981) en Keyence (Japan, opgericht in 1974) twee van de grootste en langst gevestigde namen, met camera- en sensorsystemen die wereldwijd in fabrieken worden gebruikt. MVTec Software uit Duitsland levert al sinds de jaren negentig industriële visiesoftware en is daarnaast door zijn onderzoeksdataset een referentiepunt geworden voor de wetenschappelijke gemeenschap.
In de Verenigde Staten combineert Landing AI AI-onderzoek met praktische toepassing in fabrieken, terwijl KLA Corporation zich toelegt op de extreem precieze inspectie-eisen van de halfgeleiderindustrie. Siemens (Duitsland) integreert visuele AI-inspectie in bredere Industrie 4.0-platforms voor fabrieksautomatisering.
Op onderzoeksvlak spelen toegepaste instituten een grote rol, met name de Fraunhofer-instituten in Duitsland, die veel praktijkgericht onderzoek doen naar industriële AI-toepassingen. Geografisch is het veld sterk verankerd in landen met een grote maakindustrie: Duitsland en Japan vanuit hun traditie in precisiemachinebouw, de Verenigde Staten vanuit AI-onderzoek en de halfgeleiderindustrie, en China vanuit de omvang van zijn elektronicaproductie, waar automatische inspectie een steeds grotere rol speelt.