Bij een klassiek rule-based machine vision inspectiesysteem begint een project meestal met een Programma van Eisen. Daarin staan het product, toleranties, tekeningen, foto’s, defectcategorieën en maximaal toegestane afwijkingen. Op basis daarvan wordt een inspectieoplossing gebouwd met vaste meetregels, drempelwaarden en logica.
Bij AI vision ligt het startpunt anders. Daar begint het project niet met perfecte regels, maar met beelden. Beelden van goede producten, slechte producten, twijfelgevallen en productvariaties uit de echte productieomgeving. Die beelden vormen de basis voor het trainen, testen en beoordelen van een AI-model.
Dat maakt camera, lens en belichting niet minder belangrijk. Integendeel. AI kan alleen leren van wat zichtbaar is in het beeld. Als een defect optisch niet goed zichtbaar is, lost AI dat niet vanzelf op. De camera moet voldoende resolutie hebben en de belichting moet genoeg contrast geven tussen goed en fout.
Vaak is er nog geen volledig eisenpakket
In de praktijk zien we steeds vaker dat bedrijven willen onderzoeken of AI vision meerwaarde heeft, maar nog geen volledig eisenpakket hebben. Er is meestal wel een goed beeld van wat een goed of afgekeurd product is, maar nog geen complete defectdefinitie met toleranties per categorie.
Soms gaat het om schade, vervuiling of vormafwijkingen. Soms om mix-up detectie, waarbij gecontroleerd wordt of het juiste product in de lijn zit. En soms gaat het om het herkennen van productvarianten die voor operators logisch te onderscheiden zijn, maar technisch nog niet volledig zijn vastgelegd.
De eerste vraag is dan eenvoudig: zijn er al beelden van deze producten? En zijn er ook beelden van goede, slechte en twijfelachtige producten?
Als die beelden er nog niet zijn, begint daar de eerste stap.
Zelf beelden verzamelen aan de productielijn
Je kunt een externe vision partij inschakelen om een feasibility studie uit te voeren. Zij bouwen dan tijdelijk een testopstelling, maken beelden en onderzoeken of de inspectie haalbaar is met hun software en hardware. Dat kan een goede route zijn, zeker wanneer er intern weinig tijd of kennis beschikbaar is.
Een nadeel is dat zo’n onderzoek vaak binnen het softwareplatform van die partij wordt uitgevoerd. Daarmee beweeg je vroeg in het traject al richting één oplossing. Ook het trainen of later opnieuw trainen van het AI-model blijft dan soms een externe dienst.
Een andere aanpak is om zelf een eenvoudige beeldopstelling aan de productielijn te plaatsen. Daarmee verzamel je over een periode echte productiebeelden. Deze beelden kunnen intern worden beoordeeld en gelabeld door kwaliteitsmedewerkers of operators.
Op basis van die dataset kun je later verschillende AI vision softwareplatformen testen en beter bepalen welke oplossing technisch en praktisch het beste past. Je maakt de keuze dan niet op basis van demo-data, maar op basis van je eigen producten, je eigen variatie en je eigen productieomgeving.
Het voordeel is dat je snel start en veel leert. Het nadeel is dat je al investeert in hardware, zonder garantie dat deze camera, lens of belichting ook de definitieve keuze wordt. Dat hoeft geen probleem te zijn, zolang je de eerste setup ziet als leeropstelling en niet als eindoplossing.
Goede AI-inspectie begint met goede beelddata
Een eenvoudige testopstelling hoeft niet perfect te zijn, maar de beelden moeten wel bruikbaar zijn. Belangrijke vragen zijn:
Is het defect zichtbaar in het beeld?
Is er genoeg detail om goed en fout te onderscheiden?
Geeft de belichting voldoende contrast?
Blijft het beeld stabiel bij verschillende batches, shifts en productposities?
Kunnen kwaliteitsmedewerkers de beelden betrouwbaar labelen?
Als het antwoord op deze vragen nog niet duidelijk is, heeft het weinig zin om meteen te discussiëren over het beste AI-model. Eerst moet je weten wat de camera werkelijk ziet.
Soms blijkt uit de eerste beelden dat een eenvoudige frontlight voldoende is. Soms zie je juist dat reflecties, glans, schaduw of omgevingslicht het defect maskeren. Dan moet je kijken naar een andere belichtingshoek, andere lens, hogere resolutie of een meer gecontroleerde mechanische opstelling.
Dat is precies de waarde van vroeg starten: je ontdekt de praktische problemen voordat je het systeem volledig gaat specificeren.
Een praktische testopstelling hoeft niet zwaar te zijn
Voor de eerste fase is geen zware AI-computer nodig. Als het doel vooral is om beelden te verzamelen, is een normale PC of industriële PC met voldoende opslag vaak genoeg. Een krachtige processor of GPU wordt pas belangrijk wanneer je lokaal wilt trainen, AI-modellen wilt testen of real-time inspectie in de productielijn wilt uitvoeren.
Voor het verzamelen van beeldmateriaal kun je starten met een industriële camera, lens en passende belichting. Bij eenvoudige toepassingen kan een compacte camera met geïntegreerde lens in combinatie met een frontlight al voldoende zijn om de eerste dataset op te bouwen.
Voor dit soort startsituaties kiezen veel klanten voor een uEye XC Starter Set voor image-based toepassingen of een uEye XC UVC Starter Set voor video-based toepassingen. Dit zijn 13 megapixel USB3-camera’s met geïntegreerde lens, die eenvoudig zijn aan te sluiten en snel inzetbaar zijn voor het verzamelen van beeldmateriaal aan of bij de productielijn.
Bij kritischere toepassingen is het verstandig om direct gerichter naar camera, lens en belichting te kijken. Denk aan kleine defecten, glanzende producten, hoge lijnsnelheden, weinig contrast of wisselende productposities. Een korte beoordeling van field of view, werkafstand, resolutie en belichtingsrichting voorkomt dat je veel beelden verzamelt waar later weinig mee te doen is.
Praktisch starten met beelddata verzamelen
Voor veel eerste testen is een eenvoudige componentenopstelling voldoende. Denk aan een 13 MP uEye XC Starter Set in combinatie met een frontlight en een PC of IPC met voldoende opslag. Daarmee kun je aan of bij de productielijn starten met het verzamelen van beelden voor je AI vision dataset.
Een dergelijke testopstelling is bedoeld om te leren. Je legt goede en slechte producten vast, verzamelt twijfelgevallen en ziet hoe stabiel het beeld blijft onder normale productieomstandigheden. Op basis daarvan kun je later beter bepalen of een andere lens, andere belichting, hogere resolutie of verdere industriële integratie nodig is.
Bekijk onze uEye XC Starter Sets of neem contact met ons op voor hulp bij de keuze van camera, lens en belichting voor jouw toepassing.
De dataset bepaalt de volgende stap
Wanneer je voldoende beelden hebt verzameld en gelabeld, kun je beter beoordelen welke AI vision oplossing past. Je kunt verschillende softwareplatformen testen met dezelfde dataset. Je ziet welke defecten goed herkend worden, waar het model twijfelt en welke productvariaties extra voorbeelden nodig hebben.
Dat maakt de keuze voor software, hardware en integratie beter onderbouwd. Niet op basis van demo’s met standaard voorbeelddata, maar op basis van je eigen producten en je eigen productieomgeving.
Daar zit ook een belangrijk voordeel van AI vision. Het trainen en bijtrainen van het model kan laagdrempelig onderdeel worden van je eigen organisatie. Nieuwe productvarianten, extra defectvoorbeelden en twijfelgevallen kunnen later worden toegevoegd aan de dataset. Daarmee groeit het systeem mee met de productie.
Begin eenvoudig, maar niet blind
Zelf starten met AI vision betekent niet dat je zomaar een camera ophangt en verwacht dat AI de rest oplost. De basis moet technisch kloppen. Het defect moet zichtbaar zijn, de resolutie moet voldoende zijn en de belichting moet het juiste contrast geven.
Je hoeft ook niet te wachten tot alles vooraf volledig is uitgewerkt. Juist door beelden te verzamelen in de echte productieomgeving ontstaat inzicht. Je ziet waar de optische uitdagingen zitten, welke producten discussie geven en welke eisen later echt belangrijk worden.
Onze aanpak is praktisch: begin met een eenvoudige maar bruikbare beeldopstelling, verzamel echte productiebeelden, label deze zorgvuldig en gebruik die data om gericht verder te kiezen.
Wil je zelf starten met AI vision in je productieomgeving? Begin dan met een testopstelling waarmee je betrouwbare beelden kunt verzamelen. Wij kunnen helpen bij de keuze van camera, lens en belichting, zodat je snel start zonder grote fouten in de basisopstelling.
Veelgestelde vragen over starten met AI vision
Heb je meteen een AI-computer nodig om te starten met AI vision?
Nee, niet wanneer je eerst beelden wilt verzamelen. Voor de eerste fase is een normale PC of industriële PC met voldoende opslag vaak genoeg. Een krachtige processor of GPU wordt pas belangrijk wanneer je lokaal wilt trainen, AI-modellen wilt testen of real-time inspectie in de productielijn wilt uitvoeren.
Kan AI een slecht zichtbaar defect toch herkennen?
Meestal niet betrouwbaar. AI kan alleen leren van informatie die in het beeld aanwezig is. Als een defect door verkeerde belichting, te lage resolutie of een ongeschikte lens nauwelijks zichtbaar is, zal een AI-model daar ook moeite mee hebben. Daarom blijven camera, lens en belichting belangrijk bij AI vision.
Is een testopstelling hetzelfde als het definitieve vision systeem?
Nee. Een eerste testopstelling is vooral bedoeld om beelden te verzamelen, ervaring op te bouwen en technische risico’s zichtbaar te maken. De camera, lens of belichting kan later nog wijzigen. Dat is geen probleem, zolang de eerste opstelling wordt gezien als leeropstelling en niet als definitieve inspectieoplossing.
Is een testopstelling voor AI vision duur?
Nee, een eerste testopstelling hoeft niet duur te zijn. Zeker wanneer het doel eerst vooral is om beelden te verzamelen, heb je nog geen compleet AI-inspectiesysteem nodig. Een eenvoudige componentenopstelling met camera, lens en belichting is vaak al voldoende om te starten.
Met een uEye XC Starter Set in combinatie met een frontlight kun je al voor onder de €2.000 een praktische beeldopstelling maken voor de eerste testen. Daarmee kun je beelden verzamelen aan of bij de productielijn, goede en slechte producten vastleggen en starten met het opbouwen van een dataset.
De uiteindelijke inspectieoplossing kan later nog veranderen. Misschien is er uiteindelijk een andere lens, andere belichting, hogere resolutie of industriële integratie nodig. Maar voor de eerste fase is het vooral belangrijk dat je begint met bruikbare beelden uit je eigen productieomgeving.
Hoeveel beelden heb je nodig om met AI vision te starten?
Dat hangt af van de toepassing, het aantal productvarianten en de verschillen tussen goed en fout. Voor een eerste beoordeling is het vooral belangrijk om representatieve beelden te verzamelen: goede producten, slechte producten, twijfelgevallen en variatie uit de normale productie. Pas daarna kun je goed bepalen hoeveel extra voorbeelden nodig zijn voor training en validatie.
Kun je AI vision zelf opstarten zonder externe integrator?
Ja, in veel gevallen kun je zelf beginnen met het verzamelen van beelden en het opbouwen van een dataset. Wel moet de basisopstelling technisch kloppen. Field of view, werkafstand, resolutie en belichting bepalen of de beelden later bruikbaar zijn. Met beperkte ondersteuning bij de keuze van camera, lens en belichting kun je vaak snel en verantwoord starten.
