AI vision oplossing
AI vision classificatie: elk product herkend, niemand die typt
Ergens op je lijn kijkt iemand naar een product en beslist wat het is: welke snit, welke klasse, welke variant, welke baan. Duizenden keren per dienst, op het oog, en het antwoord wordt met de hand ingetypt of gesorteerd. Met AI vision classificatie neemt een camera met een getraind model die beslissing voor elk product, op lijnsnelheid, en legt hem vast met een foto. Begin bij de ene beslissing die het vaakst misgaat.
Handmatig classificeren is de meest herhaalde beslissing in je fabriek
Sorteren, klasseren en producten herkennen is in de meeste fabrieken nog mensenwerk: een operator kijkt, beslist en typt een code of legt het product in een baan. Dat werkt, tot het volume, het aantal varianten of het aantal diensten groeit. Dan komen dezelfde problemen elke week terug.
Dit is geen vakmanschapsprobleem. Onderzoek naar waakzaamheid laat zien dat de trefzekerheid bij repeterend kijkwerk al in het eerste halfuur zakt, en ingetypte invoer gaat ruwweg één keer per paar honderd aanslagen mis. Het UWV telt in de industrie 3,5 keer zoveel vacatures als kortdurend werklozen en ziet een kwart van de werkgevers worstelen met werving: precies de mensen voor dit werk zijn niet te vinden.
Toepassingen
Wat AI vision classificatie beslist
Een classificatiemodel leert uit voorbeeldbeelden hoe elke klasse eruitziet en benoemt daarna de klasse van elk product dat passeert: geen meting tegen een vaste regel, maar een oordeel, zoals een ervaren operator dat velt. Daarom werkt het op producten die nooit identiek zijn, van vleessnitten tot fruit tot gietstukken.
Vlees- en pluimveeverwerking, groente- en fruitverpakking, bakkerij, metaalbewerking, recycling, hout en elektronica: de aanpak is overal dezelfde. Het model wordt getraind op jouw producten en jouw klassen.
Zo werkt AI vision classificatie op jouw lijn
Een classificatiepunt bestaat uit een industriële camera, passende belichting en een edge computer naast de lijn. Een fotocel of je lijnbesturing geeft het schot, het model benoemt de klasse in tientallen milliseconden en het product rijdt door.
Het oordeel blijft niet op een scherm hangen. Het gaat naar de plek waar vroeger een toetsaanslag heen ging, en het wordt vastgelegd:
Zo verandert classificeren van iemands inschatting in een vaste stap in het proces: elk product op dezelfde manier benoemd, elke beslissing vastgelegd.
- Camera en belichting worden gekozen op het verschil dat je moet zien: kleur, textuur, vorm of maat.
- De beoordeling draait lokaal op de edge computer, onafhankelijk van internet.
- De klasse gaat als signaal of record naar je PLC, sorteerder, ERP of MES, precies alsof een operator hem had ingevoerd.
- Waar een barcode aanwezig is, wordt de classificatie eraan gekoppeld, zodat krat, product en gewicht één record worden.
- Elke beslissing wordt gelogd met beeld, klasse, zekerheid en tijdstip, per product, order of batch.
- Onder de zekerheid die jij instelt, wordt het product gemarkeerd en beslist een mens: aan de lijn of op een zijbaan, zodat de stroom doorloopt.
Welk product is het, is het goed, en is er iets vreemds: drie verschillende vragen
Een camera kan drie vragen over een product beantwoorden, en elke vraag heeft zijn eigen model nodig. Weten welke vraag je stelt, is het halve ontwerp.
In de praktijk combineert één classificatiepunt vaak twee van deze vragen: het benoemt de snit en signaleert een krat die bij geen enkele snit past. Welke vragen het punt moet beantwoorden, bepalen we in de intake.
Een sorteerder die alleen sorteert, is nog geen databron
Veel visionsorteerders doen hun werk als eiland: het product gaat naar links of naar rechts en daar houdt het op. De beslissing is genomen, maar er wordt niets van geleerd. Wat achterblijft:
Daarom schrijft Meshnex elke classificatie weg in MeshOS: hetzelfde platform waar je machinedata, stilstand en OEE al samenkomen.
- De productmix per dienst blijft een schatting uit het rapport van morgen.
- Een verkeerd gerouteerd product wordt door de klant gevonden, niet door jou.
- Kilo's per klasse zijn bekend per pallet, niet per product.
- De classificatie is niet gekoppeld aan order, batch of leverancier.
- Niemand merkt dat het model langzaam begint te twijfelen bij een nieuwe variant.
- Bij een audit of een recall begint het zoeken van voren af aan.
Van een classificatie naar cijfers die je vertrouwt
Elke beslissing levert een record op: beeld, klasse, zekerheid en tijdstip, gekoppeld aan machine, order, batch en, waar aanwezig, barcode en gewicht. In MeshOS staan die records naast je productiedata, en de productmix verandert van een schatting in een meting.
Je ziet bijvoorbeeld:
Zo wordt traceerbaarheid een zoekopdracht in plaats van een zoektocht. Het record is er al; je hoeft er alleen om te vragen.
- De productmix per lijn, dienst en order, bijgewerkt terwijl het product passeert.
- Kilo's of stuks per klasse, zodat rendement een getal is in plaats van een terugrekening.
- De foto achter elke beslissing, klaar voor een klantvraag of een recall.
- Hoeveel producten naar een mens gingen voor een tweede blik, en om welke klassen het ging.
- Zekerheid die op één klasse langzaam wegzakt, weken voordat het een fout wordt.
- Classificatie naast OEE en stilstand: één beeld van wat de lijn werkelijk heeft gemaakt.
Waar het echt interessant wordt: alles stroomafwaarts rust op die ene beslissing
Routeren, etiketteren, palletiseren, voorraad, rendement en traceerbaarheid zijn allemaal gebouwd op het moment waarop iemand beslist wat een product is. Als die beslissing voor elk product op dezelfde manier wordt genomen, en vastgelegd, verdwijnen de fouten stroomafwaarts mee.
Je vervangt niet alleen een toetsaanslag: je repareert het getal waar elk systeem stroomafwaarts naar gokte.
Ons eigen product
MeatVision: classificatie als kant-en-klaar station voor vleesverwerkers
Voor één classificatieprobleem hebben we een compleet product gebouwd. In een vleesverwerkend bedrijf kijkt iemand na het uitbenen in elke krat en typt een productcode. MeatVision is een visionstation boven de band dat de kratbarcode leest, de snit erin herkent en die twee koppelt, terwijl de krat doorrijdt.
Het is de aanpak van deze pagina, verpakt: gesloten kap met stroboscoopverlichting, het model op een computer in het station, twijfel naar een operator, elke krat een record met product, foto, gewicht en tijdstip. Gaat jouw probleem over kratten vlees, begin dan daar. Gaat het over iets anders, dan bouwen we het classificatiepunt ervoor.
Voor elke rol
Eén classificatierecord, voor elke rol
Automatisch classificeren raakt meer mensen dan de operator aan de band. MeshOS toont dezelfde records, gepresenteerd op een manier die bij elke rol past.
AI vision die past op je bestaande lijn en IT
Camera, belichting en edge computer worden geplaatst op de plek waar de beslissing vandaag wordt genomen: een indexeerpunt, de invoer van een sorteerder, een inpakstation. Geen nieuwe machines, geen grote verbouwing. Waar de beelden en records terechtkomen, bepaal jij:
Zo blijven productbeelden binnen je eigen omgeving als dat moet, en voldoet de oplossing aan je eigen IT- en AVG-eisen.
Eerlijk over AI-classificatie: dit is er nodig om het te laten werken
Classificatie is bewezen techniek, maar geen toverdoos. Drie dingen bepalen of een project slaagt, en daarom richten we die samen met jouw team in.
Daarom draait een nieuw classificatiepunt eerst mee naast je operator zonder iets aan te sturen. Pas als zijn oordelen overeenkomen met die van jou, krijgt het het laatste woord over een product.
Begin met één classificatiepunt
Je hoeft niet elke beslissing tegelijk te automatiseren. Begin bij de beslissing die het vaakst misgaat of de meeste mensen kost: het indexeerpunt, de keurtafel, de invoer van de sorteerder.
Stap 1: we leggen samen de klassen vast
In de intake kiezen we de beslissing, benoemen we de klassen en leggen we met kwaliteit en productie grensmonsters vast voor de twijfelgevallen.
Stap 2: camera en edge computer op de lijn
We kiezen camera en belichting op het verschil dat je moet zien, plaatsen het punt op het bestaande beslismoment en verzamelen beelden uit de echte productie.
Stap 3: het model traint en draait mee
Het model wordt getraind en classificeert eerst naast je operator zonder aan te sturen. We vergelijken zijn oordelen met die van de operator, stellen de zekerheidsdrempel af en verzamelen de zeldzame klassen.
Stap 4: live en uitbreiden
Het punt classificeert zelfstandig, de records komen samen in MeshOS en bij succes breid je uit naar meer beslissingen, lijnen of locaties.
Bewijs uit de praktijk
AI-classificatie in het veld
Echte classificatie- en traceerbaarheidsprojecten op echte productievloeren.
AI-visionclassificatie Vleesproducten geclassificeerd met AI-vision
Een AI-visionmodel classificeert elk vleesproduct op de lijn op type en uiterlijk. Verkeerde of afwijkende producten worden gesignaleerd zodra ze de camera passeren, vóór ze de verpakking bereiken elke classificatie gelogd.
AI-etiketcontrole Elk etiket en elke THT-datum gecontroleerd met AI-vision
Een visionsysteem controleert elke verpakking op de lijn: hoort dit etiket bij deze order, en is de THT-datum aanwezig, juist en leesbaar? Afwijkingen worden onderschept vóór producten de lijn verlaten, elke controle gelogd per batch.
Track & trace Track & trace van product tot doos, pallet en order
Elk product gescand en gekoppeld door de hele keten: product aan doos, doos aan pallet, pallet aan order. Orders, batches en SKU's live gevolgd tijdens productie geen product verlaat de lijn zonder geverifieerde plek in de hiërarchie.
Veelgestelde vragen over AI vision classificatie
Wat is AI vision classificatie?
AI vision classificatie is producten automatisch herkennen met een camera en een getraind AI-model. Elk product dat passeert wordt gefotografeerd, het model benoemt de klasse, zoals producttype, snit, kwaliteitsklasse of variant, en het oordeel gaat als signaal of record naar je lijnbesturing of ERP. Elke beslissing wordt gelogd met het beeld.
Wat is het verschil tussen classificatie en visuele inspectie?
Classificatie beantwoordt "welk product is het?", inspectie beantwoordt "is het goed?". Beide gebruiken een camera en een getraind model, maar de trainingsdata verschilt: classificatie heeft voorbeelden van elke klasse nodig, inspectie voorbeelden van fouten of alleen van goed product. Eén punt kan beide doen, bijvoorbeeld de snit benoemen en een krat signaleren die bij geen enkele snit past.
Hoe nauwkeurig is automatische classificatie vergeleken met een operator?
Dat hangt af van hoe verschillend de klassen eruitzien. Gepubliceerd onderzoek naar rundvleessnitten haalde 98,6% op zeven snitten, en varkensdelen op telefoonbeelden 94,4%. Belangrijker dan dat getal: het model legt de hele dienst dezelfde grens, terwijl menselijke trefzekerheid bij repeterend kijkwerk al in het eerste halfuur zakt. Daarom draait het punt eerst mee naast je operator, zodat je de twee op je eigen producten vergelijkt.
Hoeveel beelden zijn er per klasse nodig?
Minder dan de meeste bedrijven verwachten. Met een voorgetraind model zijn tientallen tot een paar honderd beelden per klasse van je eigen lijn meestal genoeg; het rundvleesonderzoek hierboven gebruikte er zo'n 125 per klasse. De valkuil is de zeldzame klasse: passeert een product twee keer per week, dan verzamelen we het bewust tijdens de meedraaifase in plaats van af te wachten.
Wat gebeurt er met een product dat het model nooit heeft gezien?
Dat gaat naar een mens. Een classificator die moet kiezen, pakt de dichtstbijzijnde bekende klasse, dus we stellen een zekerheidsdrempel in: daaronder wordt het product als onbekend gemarkeerd, gaat er een lamp aan en beslist een operator, aan de lijn of op een zijbaan. Dat antwoord wordt opgeslagen en is trainingsdata voor de volgende versie van het model.
Kan het producten uit elkaar houden die bijna hetzelfde ogen?
Vaak, maar niet altijd. De camera ziet meer dan het oog als belichting en resolutie zijn gekozen op het verschil dat telt, zoals kleur, textuur of vetstructuur. Zijn twee klassen aan de buitenkant echt niet te onderscheiden, dan scheidt geen enkel model ze, en dat zeggen we in de intake, voordat er iets wordt geïnstalleerd.
Houdt het onze lijnsnelheid bij?
Bijna altijd. Het model draait op een edge computer aan de lijn en benoemt een klasse in tientallen milliseconden. Het schot wordt gegeven door een fotocel of je lijnbesturing, en stroboscoopverlichting bevriest een bewegend product, dus de lijn hoeft niet te stoppen voor de camera.
Hoe komt het oordeel bij onze PLC, ERP of MES?
Als signaal of als record, wat je proces nodig heeft. Naar een PLC of sorteerder gaat de klasse als digitaal of veldbussignaal; naar ERP of MES gaat hij als record met barcode, klasse, gewicht en tijdstip, precies alsof een operator hem had ingevoerd. Bestaande koppelingen worden hergebruikt waar dat kan.
Wat als het product in de loop van de tijd verandert?
Dan moet het model mee. Een nieuwe leverancier, een nieuw seizoen of een nieuwe variant verschuift hoe een klasse eruitziet, en het eerste symptoom is dalende zekerheid op die klasse. MeshOS volgt dat, zodat bijtrainen gebeurt voordat de fouten komen, en de producten die naar een mens gingen voor een beslissing zijn daar de trainingsdata voor.
Vervangt automatische classificatie onze operators?
Het vervangt het typen, niet de mensen. De operator voert niet meer in wat de camera al ziet en behandelt alleen nog de producten waar het model over twijfelt. In een arbeidsmarkt waar het UWV de technische beroepen de komende vijf jaar alleen maar krapper ziet worden, is dat meestal het punt: de lijn hangt niet langer af van een functie die je niet elke dienst bezet krijgt.
Wat kost een AI-classificatiepunt?
Dat hangt af van de toepassing: lijnsnelheid, het aantal klassen, de camera en belichting die het verschil vraagt en hoe het oordeel je systemen moet bereiken. Daarom beginnen we met een intake en één punt, zodat de investering en het verwachte resultaat duidelijk zijn voordat je opschaalt.
Hoe snel kan een eerste classificatiepunt live?
In veel gevallen staat een eerste punt binnen 6 tot 8 weken op de lijn, inclusief installatie, beelden verzamelen, het model trainen en een periode meedraaien naast je operator. Zeldzame klassen kunnen dat rekken: het model kan geen product leren dat het niet heeft gezien.
Ontdek welke beslissing op jouw lijn een camera kan overnemen
Elk verkeerd geclassificeerd product kost stroomafwaarts meer dan aan de lijn: een omgeboekte pallet, een verkeerde levering, een etiket dat een recall veroorzaakt. Begin bij de ene beslissing die het vaakst misgaat, en zie zelf hoe het model presteert naast je operator.