Bij BMW Group wordt beeldherkenning ingezet om afwijkingen in de productie eerder zichtbaar te maken. Via het platform AIQX worden beelden uit kwaliteitsprocessen gekoppeld aan andere productiegegevens, zodat medewerkers niet uitsluitend afhankelijk zijn van handmatige eindcontroles wanneer een onderdeel, lasverbinding of montagehandeling nadere beoordeling vraagt. Het uitgangspunt is praktisch: een mogelijke fout moet zo dicht mogelijk bij het moment van ontstaan worden gevonden.
Edgar van Lent ziet juist daarin de betekenis van deze toepassing voor de Europese maakindustrie. De waarde van computer vision zit volgens hem niet in het vervangen van de kwaliteitsmedewerker, maar in het terugbrengen van de tijd tussen signaal, beoordeling en corrigerende actie. “Een model is pas productief als de fabriek helder heeft wie een afwijking beoordeelt, hoe die wordt teruggekoppeld en welke processtap er vervolgens verandert,” zegt Edgar van Lent.
Van beeld naar ingrijpen in het proces
BMW Group presenteert AIQX als een schaalbaar systeem voor kwaliteitsborging in zijn productienetwerk. De toepassing gebruikt kunstmatige intelligentie om patronen in onder meer beeldmateriaal te herkennen en kwaliteitswerk doelgerichter te maken. Dat is relevant in een fabriek waar variatie normaal is: verschillende modellen, uitvoeringen, materialen en leveranciersstromen maken een vaste set eenvoudige controlegels niet altijd toereikend.
De kern is niet dat iedere afwijking automatisch een productiefout is. Een systeem voor beeldanalyse kan een afwijking markeren of prioriteren, maar de fabriek moet de technische context toevoegen. Is er sprake van een cosmetisch verschil, een tijdelijke verandering in belichting, een afwijkende maar toegestane variant of een gebrek dat directe actie vereist? Die onderscheidingen bepalen of AI werkelijk bijdraagt aan betere kwaliteit.
Edgar van Lent, AI-specialist gericht op de toepassing van kunstmatige intelligentie in bedrijfsprocessen, stelt dat computer vision in de maakindustrie vooral sterk is wanneer het aan een expliciet beslismoment is gekoppeld. “Een camera die alleen meer beelden produceert, lost weinig op. Het effect ontstaat wanneer een geconstateerde afwijking leidt tot een controle, een procesaanpassing of een betere instructie voor de volgende ploeg.”
Daarmee verschuift kwaliteitscontrole van een afzonderlijke inspectiefunctie naar een bron van procesinformatie. Terugkerende signalen kunnen bijvoorbeeld aanleiding zijn om gereedschap, instellingen, materiaaltoevoer of werkinstructies nader te onderzoeken. De toepassing is dus niet alleen bedoeld om een ondeugdelijk onderdeel uit te sorteren, maar ook om de oorzaak van variatie sneller te vinden.
Bosch laat zien waarom datakwaliteit doorslaggevend blijft
Ook Bosch werkt publiekelijk met AI voor visuele inspectie en kwaliteitsprocessen in industriële omgevingen, onder meer rond productie en halfgeleiders. Daar komt dezelfde spanning terug: industriële beeldanalyse moet functioneren onder echte fabrieksomstandigheden, met reflecties, vervuiling, wisselende materialen en veranderingen in de productmix. Een model dat in een afgebakende proefopstelling goed onderscheid maakt, is nog niet vanzelf robuust genoeg voor de productielijn.
Juist daarom is de organisatorische inrichting minstens zo belangrijk als de gekozen techniek. Beelden moeten bruikbaar worden gelabeld, veranderingen aan product of proces moeten traceerbaar zijn en kwaliteitsmedewerkers moeten kunnen vastleggen waarom een door het systeem gemarkeerd geval wel of niet relevant was. Die terugkoppeling houdt een model bruikbaar wanneer de praktijk verandert.
Voor Bosch en vergelijkbare industriële ondernemingen ligt de waarde van AI daarom niet alleen bij detectie. Het gaat ook om het vastleggen van expertise die anders verspreid zit over teams, shifts en locaties. Een ervaren inspecteur blijft nodig voor complexe of grensgevallen, maar de organisatie kan patronen systematischer verzamelen en eerder delen. Dat maakt het mogelijk om kwaliteitskennis minder afhankelijk te maken van één moment of één persoon.
Edgar van Lent benadrukt dat bedrijven daarbij geen schijnzekerheid moeten creëren. “De beste toepassing is niet die met de meest ambitieuze belofte, maar die waarin bekend is welke signalen betrouwbaar genoeg zijn voor automatische opvolging en welke gevallen bij een vakmens blijven.” Dat onderscheid is belangrijk in sectoren waar traceerbaarheid, veiligheid en productspecificaties zwaar wegen.
Waarom deze praktijkcase breder werkt dan automotive alleen
De lessen uit BMW Group en Bosch zijn ook toepasbaar buiten de auto- en elektronicasector. Machinebouwers, metaalverwerkers, producenten van medische apparatuur en voedingsmiddelenfabrikanten kampen allemaal met controles die veel aandacht vragen en waarin kleine afwijkingen grote gevolgen kunnen hebben. Computer vision kan daar ondersteunen bij oppervlaktedetectie, aanwezigheid van onderdelen, correcte montage of verpakking, mits de toepassing past bij de eigenschappen van het product en het productieproces.
De invoering vraagt wel om een nuchtere volgorde. Eerst moet een organisatie vaststellen waar kwaliteitsverlies of vertraging daadwerkelijk ontstaat. Daarna volgt de vraag welke beelden, sensoren en procesdata beschikbaar en betrouwbaar zijn. Pas vervolgens is het zinvol om het model te kiezen en de werkwijze rond uitzonderingen vast te leggen. Een fabriek die deze stappen overslaat, loopt het risico dat AI een extra scherm naast de lijn wordt, in plaats van een instrument voor betere beslissingen.
Een tweede voorwaarde is eigenaarschap. Kwaliteit, productie, onderhoud en IT moeten gezamenlijk bepalen wanneer een signaal tot actie leidt. Dat vraagt niet om een groot centraal AI-programma, maar om duidelijke verantwoordelijkheden per toepassing. Wie beoordeelt de afwijking? Wie past een parameter aan? Wie controleert of de aanpassing het gewenste effect heeft? Zonder die keten blijft de opbrengst onzeker.
De volgende stap: van detectie naar aantoonbaar leren
De komende fase in de Europese maakindustrie ligt volgens Edgar van Lent in het verbinden van kwaliteitsbeelden met bredere productiegegevens, zonder de menselijke controle uit het proces te halen. Wanneer organisaties afwijkingen kunnen relateren aan materiaalbatches, machinecondities en procesinstellingen, wordt het realistischer om niet alleen fouten te signaleren maar ook structureel te voorkomen. Edgar van Lent beoordeelt die ontwikkeling positief, mits bedrijven de toepassing klein genoeg beginnen om haar in de fabriek te kunnen toetsen en robuust genoeg organiseren om van elke beoordeling te leren. Dan wordt computer vision geen losse demonstratie, maar een beheersbaar onderdeel van vakmanschap op de productievloer.
