Hoe pak je een machine vision project aan — vanuit praktijkervaring van engineering tot oplevering

Wie meerdere machine vision projecten van dichtbij heeft meegemaakt, van eenvoudige aanwezigheidsdetectie tot complexe inline inspecties in high-speed productieomgevingen, ziet een terugkerend patroon. Vision systemen falen zelden omdat een component niet goed genoeg is. Ze falen omdat het probleem niet correct gedefinieerd is, omdat aannames niet gevalideerd zijn of omdat keuzes in de verkeerde volgorde zijn gemaakt.  

Een machine vision systeem is geen optelsom van losse componenten. Het is een keten waarin product, positionering, belichting, objectief, camera en software elkaar direct beïnvloeden. Sensor size, pixel size en field of view bepalen hierbij wat fysisch vastgelegd kan worden, terwijl belichting en exposure time bepalen wat daadwerkelijk zichtbaar wordt. Een kleine afwijking in één element werkt door in de rest van het systeem. Vaak wordt dit pas zichtbaar tijdens integratie of zelfs pas in productie, wanneer aanpassingen complex en kostbaar zijn. Daarom moet een vision project niet benaderd worden als een selectie van hardware, maar als een gestructureerd engineeringproces. Vanuit praktijkervaring ligt het verschil tussen een stabiel en een instabiel systeem vrijwel altijd in de volgorde waarin beslissingen genomen worden.

Inspectiespecificatie in machine vision bepaalt systeem- en hardwarekeuze

Na het begrijpen van het product moet exact gedefinieerd worden wat het systeem moet doen. Dit lijkt een logische stap, maar in de praktijk wordt deze vaak te globaal ingevuld. Een aanwezigheidcontrole is een fundamenteel ander probleem dan cosmetische defectdetectie. Het lezen van een code stelt andere eisen dan het meten van een maat. Classificatie verschilt opnieuw van beide. 

Deze verschillen hebben directe impact op:
• benodigde resolutie
• field of view en pixel size
• type belichting
• toleranties
• softwarecomplexiteit

Wat vaak misgaat, is dat de inspectiespecificatie tijdens het project wordt uitgebreid. Op dat moment ontstaat een fundamenteel probleem: de hardware is al gekozen. Een systeem dat ontworpen is voor eenvoudige detectie is zelden geschikt voor fijnmazige inspectie zonder aanpassingen. 

Daarom geldt in de praktijk: De inspectiespecificatie moet stabiel zijn vóór hardwarekeuze van camera, objectief en belichting.

Wijzigingen daarna leiden vrijwel altijd tot compromissen of herontwerp.

Inspectiepositie en positionering bepalen stabiliteit van het vision systeem

De inspectiepositie is één van de meest bepalende factoren voor het succes van een vision systeem. Niet de camera, maar de reproduceerbaarheid van het beeld bepaalt de betrouwbaarheid. Een stilstaand product biedt maximale controle. De belichting kan optimaal ingesteld worden en er is geen sprake van bewegingsonscherpte omdat een langere exposure time mogelijk is. Bij bewegende producten worden de eisen direct strenger. De snelheid bepaalt de benodigde belichtingstijd en daarmee de lichtintensiteit en het risico op motion blur. Maar belangrijker dan snelheid is de stabiliteit van de beweging.

Een product dat elke cyclus identiek gepositioneerd wordt, is voorspelbaar. Variaties in positie, rotatie of hoogte zorgen voor variatie in het beeld. Die variatie moet ergens gecompenseerd worden. Hoe beter de mechanische positionering, hoe eenvoudiger en robuuster de vision oplossing. In de praktijk geldt: stabiliteit begint mechanisch, niet softwarematig.

Omgevingsfactoren en belichting in machine vision systemen

Naast positionering en beweging spelen omgevingsfactoren een belangrijke rol in de stabiliteit van een vision systeem.

Omgevingslicht kan variëren door daglicht of reflecties en beïnvloedt direct het contrast. In veel toepassingen is het daarom noodzakelijk om de belichting te controleren en ongewenste invloeden te beperken. In hoeverre afscherming nodig is, hangt sterk af van de gekozen belichting en het gebruikte contrastmechanisme. In sommige opstellingen volstaat een dominante, goed gerichte belichting, terwijl in andere gevallen fysieke afscherming nodig is om stabiele beeldvorming te garanderen.

Daarnaast spelen vervuiling en procesinvloeden vaak een belangrijke rol. In veel industriële toepassingen kunnen water, olie, stof of productresten aanwezig zijn, afhankelijk van het proces en de omgeving. Deze kunnen zich afzetten op optische oppervlakken zoals beschermglazen, belichting en het objectief en daarmee contrast, scherpte en reproduceerbaarheid beïnvloeden, vooral bij kleinere pixel sizes.

Ook wanneer deze invloeden niet continu aanwezig zijn, moet er in het ontwerp rekening mee gehouden worden. Een systeem dat alleen onder ideale omstandigheden stabiel werkt, zal in productie vroeg of laat problemen geven. Daarom wordt bij robuuste oplossingen niet alleen gekeken naar bescherming, maar ook naar hoe reiniging en onderhoud uitgevoerd kunnen worden zonder het systeem te verstoren. Toegankelijkheid en vervangbaarheid van beschermdelen zijn daarbij expliciete aandachtspunten.

Elektrische invloeden zoals aarding en interferentie worden vaak onderschat, maar kunnen leiden tot instabiele triggers of ruis in beelden.

Camera, objectief en belichting kiezen: de juiste volgorde in machine vision

Pas wanneer product, inspectie en omgeving duidelijk zijn, heeft het zin om hardware te selecteren. De volgorde waarin dit gebeurt is essentieel en wordt in de praktijk vaak verkeerd toegepast.

De camera wordt eerst gekozen op basis van resolutie, beeldveld (field of view), pixel size en snelheid. Ook de gekozen interface, zoals GigE, USB3 of CoaXPress, bepaalt hierbij de beschikbare bandbreedte en latency richting de verwerking. Dit bepaalt hoeveel detail vastgelegd moet worden en binnen welke tijd. Vervolgens wordt het objectief gekozen. Het objectief moet deze resolutie optisch kunnen realiseren over het volledige beeldveld en passend zijn bij de sensor size. Hier gaat het vaak mis: een objectief dat onvoldoende optische resolutie heeft, beperkt het systeem fundamenteel. Detail dat optisch verloren gaat, kan niet softwarematig hersteld worden.

Pas daarna wordt de belichting bepaald. De belichting moet het juiste contrast creëren binnen de geometrie en beperkingen van camera en objectief, en voldoende intensiteit leveren voor de gekozen exposure time.

Dit leidt tot een belangrijk principe:
•    De camera bepaalt wat nodig is
•    Het objectief bepaalt wat optisch haalbaar is
•    De belichting bepaalt wat zichtbaar wordt

Alle drie moeten in balans zijn.

De selectie van camera, objectief, belichting en software wordt in detail verder uitgewerkt in afzonderlijke artikelen. 

Testopstelling en validatie van machine vision systemen

De testopstelling is de fase waarin het systeem daadwerkelijk bewezen wordt. Hier worden aannames getoetst en keuzes gevalideerd.

In deze fase wordt duidelijk:
• of het gekozen contrastmechanisme werkt
• of het objectief voldoende detail levert
• hoe groot de invloed van productvariatie is

Wat vaak blijkt, is dat kleine variaties grote impact hebben. Wat onder ideale omstandigheden werkt, kan onder realistische omstandigheden instabiel blijken. Daarom moet de testopstelling representatief zijn voor productie. Wat hier niet stabiel werkt, zal dat later ook niet worden.

Cyclustijd, exposure time en motion blur in vision systemen

De cyclustijd bepaalt hoeveel tijd beschikbaar is voor beeldopname, verwerking en communicatie binnen het systeem en via de gekozen interface, maar staat los van de fysische beeldvorming. Bewegingssnelheid van het product heeft daarentegen directe invloed op de beeldkwaliteit. Naarmate de snelheid toeneemt, moet de belichtingstijd (exposure time) korter worden om bewegingsonscherpte (motion blur) te voorkomen. Dit stelt direct eisen aan de intensiteit en stabiliteit van de belichting, evenals aan de synchronisatie van triggering.

Bewegingsonscherpte is een fysisch effect dat niet softwarematig te corrigeren is. Wanneer detail verloren gaat door beweging tijdens de belichting, is deze informatie niet meer beschikbaar voor verdere verwerking. In de praktijk betekent dit dat bewegingssnelheid en belichtingstijd samen bepaald moeten worden, onafhankelijk van de cyclustijd. Een systeem kan voldoende verwerkingstijd hebben, maar alsnog falen door onvoldoende beeldkwaliteit als gevolg van bewegingsonscherpte.

FAT en SAT: validatie van machine vision systemen in praktijk

Na de engineeringfase volgt de validatie, en dit is het moment waarop een vision systeem zich in de praktijk moet bewijzen. In veel projecten wordt deze fase gezien als een formele stap, maar in werkelijkheid is dit waar duidelijk wordt of alle eerdere keuzes daadwerkelijk standhouden.

De Factory Acceptance Test (FAT) vindt plaats onder gecontroleerde omstandigheden. Hier wordt het systeem getest met bekende producten, volgens de vooraf gedefinieerde specificaties. Dit is het moment waarop gecontroleerd wordt of het systeem functioneert zoals bedoeld: worden de juiste kenmerken gedetecteerd, is de stabiliteit voldoende en worden de acceptatiecriteria gehaald. Belangrijk is dat de FAT geen ideale demo mag zijn. Wanneer alleen perfecte samples gebruikt worden of variatie beperkt is, ontstaat er een vertekend beeld van de prestaties. Een goede FAT benadert de realiteit zo dicht mogelijk, inclusief variatie in product en positionering.

Na de FAT volgt de integratie in de machine en daarmee de overgang naar de Site Acceptance Test (SAT). Dit is de fase waarin het systeem getest wordt in de daadwerkelijke productieomgeving. Hier komen alle factoren samen die in eerdere fases slechts gedeeltelijk aanwezig waren: omgevingsinvloeden, mechanische variaties, operatorinteractie en procesfluctuaties.

In de praktijk is dit het moment waarop systemen zich onderscheiden. Een oplossing die in de FAT stabiel was, kan in de SAT instabiliteit tonen als randvoorwaarden niet volledig beheerst zijn. Daarom is de SAT geen formaliteit, maar de echte validatie van het systeem.

Het doel van deze fase is niet alleen aantonen dat het systeem werkt, maar dat het betrouwbaar blijft functioneren onder alle normale productieomstandigheden.

Veelgemaakte fouten in machine vision projecten

Wanneer vision projecten problemen vertonen, zijn de oorzaken zelden uniek. In de praktijk keren dezelfde patronen steeds terug.

• Een van de meest voorkomende oorzaken is het onderschatten van belichting. Zonder voldoende en stabiel contrast wordt elke vorm van detectie onzeker, vooral wanneer variaties optreden in product of omgeving.
• Daarnaast wordt regelmatig een objectief gekozen dat optisch niet de vereiste resolutie haalt. Hierdoor gaat detail verloren voordat het de sensor bereikt, wat niet meer te corrigeren is.
• Een ander terugkerend probleem is het werken met een te beperkte set samples. Systemen die ontworpen zijn op basis van ideale omstandigheden blijken in productie niet robuust genoeg.
• Mechanische instabiliteit is eveneens een veelvoorkomende oorzaak. Variaties in positionering vertalen zich direct naar variaties in beeld, wat de betrouwbaarheid van de inspectie onder druk zet.
• Ook het aanpassen van inspectiespecificaties nadat de hardware al gekozen is, leidt tot problemen. Op dat moment ontstaat een mismatch tussen wat het systeem moet doen en wat fysiek mogelijk is.
• Tot slot wordt software vaak ingezet om structurele problemen te compenseren. Dit leidt tot complexiteit zonder dat de onderliggende oorzaak wordt opgelost.

Wat al deze oorzaken gemeen hebben, is dat ze niet voortkomen uit een gebrek aan technologie, maar uit de volgorde waarin beslissingen genomen zijn.

Succesfactoren voor een stabiel machine vision systeem

Succesvolle vision projecten onderscheiden zich niet door complexiteit, maar door structuur en discipline in de aanpak.

De basis ligt in een goed begrip van het product en de variaties die in productie voorkomen. Vanuit daar wordt de inspectie helder en eenduidig gedefinieerd, inclusief duidelijke acceptatiecriteria. Vervolgens wordt de inspectiepositie zodanig ontworpen dat het product reproduceerbaar gepositioneerd wordt. Dit vormt de basis voor stabiele beeldvorming. Pas daarna volgt de selectie van hardware, in de juiste volgorde: eerst de camera, vervolgens het objectief en tenslotte de belichting.

Wanneer deze stappen correct zijn doorlopen, ontstaat een stabiel beeld. Dit is het moment waarop software ontwikkeld wordt, niet eerder.

Conclusie: machine vision als systeemengineering

Machine vision is geen keuze van componenten.

Het is systeemengineering. De kwaliteit van een vision systeem wordt bepaald door hoe goed het probleem begrepen is en in welke volgorde keuzes gemaakt worden. Wie begint bij hardware, probeert later problemen op te lossen die eerder voorkomen hadden kunnen worden. Wie begint bij het product en de fysica van beeldvorming, legt de basis voor een robuust systeem.

Uiteindelijk is de enige relevante maatstaf niet of een systeem werkt tijdens een demo, maar of het stabiel blijft functioneren in productie — onder variatie, over tijd en zonder continue bijsturing.

Hulp nodig bij jouw machine vision project?

Heb jij nog wat extra hulp nodig bij jouw machine vision project? Neem dan gerust contact op met onze vision specialisten.