Kennis · Architectuur

Regelgebaseerde machine vision versus AI-inspectie

De inspectiemethode moet toegestane productvariatie binnen de beschikbare cyclustijd van defecten onderscheiden. Regelgebaseerde tools gebruiken expliciete criteria zoals randen, afmetingen en aantallen. AI leert patronen uit voorbeelden. Vergelijk beide met dezelfde acceptatiegrenzen en representatieve productiebeelden.

Inspectie

Keuze

Wanneer welke aanpak

Vergelijk de methoden op hetzelfde zichtbare detail, dezelfde productvariatie en acceptatiegrenzen. Regels passen als expliciete geometrische of intensiteitscriteria de klassen scheiden. Geleerde modellen zijn kandidaten als relevante verschijningsvariatie lastig met onderhoudbare regels is te beschrijven. Geen van beide herstelt informatie die in het beeld ontbreekt.

Klassiek past bij

Een vast aantal gaten of een gekalibreerde randafstand is met expliciete criteria te beschrijven. Leg lokalisatie, meting en toleranties vast en test normale variatie en grensgevallen. Ook regelwijzigingen vragen validatie. De volledige toolvolgorde moet de resultaatdeadline halen.

AI overwegen bij

Variabel oppervlaktebeeld kan een geleerde classificator of detector rechtvaardigen als een regelgebaseerde basis de afgesproken grenzen niet haalt. Benoem leertaak en gegevensbehoefte. Begeleide classificatie vraagt beoordeelde labels; afwijkingsdetectie kan vooral uit goede producten leren. Beide vragen onafhankelijke defecttests.

Hybride

Bij een voorbeeld van een gecoat onderdeel kunnen regels de omtrek vinden en maten controleren, terwijl een model het oppervlak beoordeelt. Leg vast of iedere afzonderlijke fout afkeur veroorzaakt en wat gebeurt als een tool geen geldig resultaat geeft. Test de gezamenlijke beslissing en totale verwerkingstijd. Iedere tool apart goedkeuren valideert hun integratie niet.

Haalbaarheid

Data en samples voor trainingbeloften

Scheid trainingsbeelden waar mogelijk per productiebatch of opnamesessie van validatiebeelden. Houd herhaalde beelden van hetzelfde onderdeel bij elkaar om te voorkomen dat het model wordt getest met feitelijk bekende voorbeelden. Neem goede producten, bekende defecten, grensgevallen en verwachte veranderingen in belichting of presentatie mee. Rapporteer gemiste defecten en onterechte afkeur per defectsoort.

  1. 01

    Klassiek proberen

    Controleer eerst of het defect onderscheidbaar is bij toegestane licht-, oppervlakte- en positievariatie. Maak een gedocumenteerde regelgebaseerde basis waar het detail expliciet te beschrijven is. Bewaar oorspronkelijke beelden en verwachte beslissingen, zodat alternatieven dezelfde taak krijgen.

  2. 02

    Falen documenteren

    Noteer welke condities falen en rapporteer meer dan een algemene nauwkeurigheidsscore. Bereken gemiste defecten als goedgekeurde defecte onderdelen gedeeld door geteste defecte onderdelen. Bereken onterechte afkeur als afgekeurde acceptabele onderdelen gedeeld door geteste acceptabele onderdelen. Vermeld aantallen en defectklassen. Bepaal of beeldvorming, onduidelijke criteria of het algoritme de oorzaak is.

  3. 03

    Dataset eisen

    Scheid ontwikkeling, keuze van grenswaarden en eindtest. Houd beelden van hetzelfde onderdeel samen en splits waar mogelijk op batch of opnamesessie. Zet de gekozen configuratie vast voor de eindtest. Verzamel na afstelling op testfouten nieuw onafhankelijk bewijs in plaats van de hergebruikte set als onaangeroerde test te rapporteren.

  4. 04

    Integratie

    Meet de toegepaste volgorde met benodigde registratie en communicatie actief. Test ongeldige invoer, verstreken wachttijd en herstart. Leg goedgekeurde regel- of modelversies, herstel en terugzetten vast. Hertest als materiaal, beeldvorming of proces buiten het gevalideerde bereik komt. Een modelscore bewijst geen productiebetrouwbaarheid.

Vincent van Montfoort

Twijfel over AI?

Neem defectcriteria, representatieve beelden en resultaatdeadline mee. Vergelijk beide opties met instel- en validatie-uren × tarief. Neem bij AI gegevensbeoordeling, eventuele annotatie, training, verwerkingshardware en toekomstige modelvalidatie mee. Neem bij regels afstelling en hertesten van bestaand gedrag mee. Voeg licenties, opslag en support toe en vergelijk met gemeten inspectie- en afkeurkosten.