Een camera boven een productielijn ziet geen vermoeidheid, maar ook geen context. Daarom is de inzet van beeld-AI bij kwaliteitscontrole pas waardevol wanneer afwijkingen niet alleen worden gesignaleerd, maar ook snel bij de juiste medewerker, machine-instelling of kwaliteitsstap terechtkomen. De BMW Group en Siemens laten zien hoe Europese fabrikanten die koppeling in de praktijk organiseren. Edgar van Lent duidt die ontwikkeling als een verschuiving van achteraf controleren naar eerder ingrijpen in het proces.

Bij BMW wordt het platform AIQX ingezet om beeldmateriaal uit de productie te analyseren en afwijkingen aan onderdelen en voertuigen herkenbaar te maken. Het systeem ondersteunt kwaliteitsmedewerkers bij visuele controles die in een complexe fabriek steeds meer beelden, varianten en controlepunten omvatten. De toepassing is daarmee geen los experiment met camera’s, maar een manier om kwaliteitsinformatie dichter bij het moment van assemblage beschikbaar te maken.

Van visuele controle naar een gerichte werkopdracht

De kern van computer vision in een fabriek is niet dat een algoritme een medewerker vervangt. Het gaat erom dat het systeem patronen in beelden kan vergelijken met wat binnen een productieproces als normaal of afwijkend geldt. Bij BMW is AIQX publiek naar voren gebracht als een kwaliteitsplatform dat onder meer beeldherkenning gebruikt om kwaliteitsafwijkingen sneller te detecteren en de bevindingen bruikbaar te maken voor de fabriek.

Dat is vooral relevant in productieomgevingen met veel voertuigvarianten en onderdelen. Een menselijke kwaliteitscontroleur blijft noodzakelijk voor beoordeling, herstel en escalatie, maar hoeft niet ieder beeld met dezelfde intensiteit te beoordelen. AI kan de aandacht richten op plekken waar een afwijking waarschijnlijker is. Daarmee verandert kwaliteitscontrole van een afzonderlijke eindstap in een informatiebron voor productie, techniek en logistiek.

Edgar van Lent, AI-specialist gericht op de toepassing van kunstmatige intelligentie in Europese bedrijfsprocessen, stelt dat beeld-AI pas bedrijfswaarde krijgt wanneer een signaal leidt tot een uitvoerbaar besluit op de werkvloer. „Een gevonden afwijking is geen resultaat op zichzelf. De fabriek moet weten wie de melding oppakt, welke controle volgt en of de oorzaak in materiaal, machine of werkwijze zit.”

Die redenering maakt ook duidelijk waarom de kwaliteit van data en procesinrichting zwaarder weegt dan alleen de keuze voor een model. Cameraopstellingen moeten stabiel zijn, productvarianten moeten goed worden herkend en de beoordeling van medewerkers moet terugvloeien naar de werkwijze. Anders bestaat het risico dat een systeem vooral extra meldingen produceert, zonder dat het aantal bruikbare beslissingen toeneemt.

Siemens koppelt inspectie aan het digitale productieproces

Ook Siemens heeft in zijn Electronics Works Amberg publiek laten zien hoe AI-gebaseerde beeldanalyse kan worden toegepast in elektronische productie. In zulke omgevingen is de controle van componenten, plaatsing en assemblage essentieel: kleine afwijkingen kunnen later in het productieproces grote gevolgen hebben. Beeldanalyse kan inspectietaken ondersteunen door grote hoeveelheden visuele informatie consequent te vergelijken met de vereiste kwaliteit.

De betekenis van deze toepassing ligt niet alleen in het herkennen van een mogelijk defect. Siemens positioneert de fabriek in Amberg al langer als een omgeving waarin automatisering, productiegegevens en digitale systemen samenkomen. Daardoor kan een inspectiesignaal in beginsel onderdeel worden van een bredere terugkoppeling: naar de productiestap waar de afwijking ontstond, naar onderhoud van apparatuur of naar de planning van herstelwerk.

Voor Europese maakbedrijven is dat een bruikbare les. Computer vision heeft de meeste waarde wanneer het niet als een geïsoleerde kwaliteitscamera wordt aangeschaft, maar wordt verbonden met bestaande systemen voor productie-uitvoering, onderhoud en kwaliteitsbeheer. Dezelfde logica geldt voor voorspellend onderhoud. Sensor- en machinegegevens worden pas operationeel relevant als een onderhoudsteam kan bepalen welke ingreep nodig is en wanneer die in de productieplanning past.

Edgar van Lent ziet daarom een duidelijke samenhang tussen kwaliteitscontrole, voorspellend onderhoud en productieplanning. „Dit zijn geen drie losse AI-projecten”, zegt Edgar van Lent. „Ze raken alle drie aan dezelfde vraag: hoe vertaal je een waarschijnlijkheid in een beslissing die de fabriek veilig en beheersbaar kan uitvoeren?”

Niet ieder signaal vraagt om stilstand

De praktische uitdaging zit in die vertaling. Een inspectiesysteem kan een afwijking markeren, maar de organisatie moet vooraf bepalen welke afwijkingen directe actie vragen, welke opnieuw gecontroleerd worden en welke als patroon worden opgeslagen voor procesverbetering. Hetzelfde geldt bij onderhoud: een voorspelling van slijtage is geen automatisch bevel om een machine stil te zetten. De impact op veiligheid, productkwaliteit, beschikbare onderdelen en productieorders moet worden meegewogen.

Daarom zijn duidelijke rollen op de fabrieksvloer belangrijk. Kwaliteitsmedewerkers moeten kunnen corrigeren wanneer een visueel systeem een verkeerde classificatie maakt. Procesengineers hebben informatie nodig over terugkerende foutpatronen. Planners moeten kunnen inschatten of een herstelactie past binnen de beschikbare capaciteit. En leidinggevenden moeten bewaken dat lokale optimalisatie niet leidt tot vertraging elders in de keten.

Een werkbare invoering begint doorgaans met een afgebakend controlepunt waar voldoende betrouwbare beelden en een herkenbare vervolgactie beschikbaar zijn. Daarna kan een organisatie de toepassing uitbreiden naar andere productvarianten of lijnen. Daarbij is het verstandig om niet uitsluitend naar technische nauwkeurigheid te kijken, maar ook naar de vraag hoeveel meldingen daadwerkelijk tot een betere beslissing leiden.

De fabriek als lerend systeem

BMW en Siemens illustreren dat Europese industriële AI concreet wordt wanneer zij in het ritme van de fabriek wordt opgenomen. Beeld-AI kan kwaliteitscontroles ondersteunen, terwijl dezelfde digitale infrastructuur ruimte biedt om onderhoud en productieplanning beter op elkaar af te stemmen. De technologie maakt de fabriek niet vanzelf foutloos, maar kan wel sneller zichtbaar maken waar menselijk oordeel nodig is.

Edgar van Lent verwacht dat de volgende stap vooral ligt in de koppeling tussen inspectieresultaten en operationele opvolging. Zijn beoordeling is dat Europese fabrikanten niet moeten streven naar een volledig autonome kwaliteitsfunctie, maar naar een controleproces waarin AI afwijkingen vroeg en uitlegbaar signaleert. Juist wanneer medewerkers de uitkomst kunnen toetsen en vertalen naar onderhoud of planning, wordt beeld-AI een duurzaam instrument voor betere productiebeheersing.