Eelke Mooij van PWR: ‘AI maakt kwaliteitscontrole eenvoudiger’

De eerste toepassingen van AI binnen PWR richten zich op kwaliteitscontrole en productclassificatie. Een concreet voorbeeld is een verpakkingslijn voor pannenkoeken, waarbij AI wordt ingezet om producten automatisch goed of fout te keuren. Tijdens productie kunnen afbeeldingen van individuele producten worden opgeslagen. Deze beelden vormen de basis voor het trainen van een AI-model.
Operators of kwaliteitsmedewerkers classificeren de opgeslagen beelden door simpelweg aan te geven of een product goed of fout is. Op basis van deze trainingsset wordt een model aangemaakt dat later tijdens productie kan worden geladen. Het AI-model beoordeelt vervolgens in real time elk product dat langs de camera komt. Bij afkeuring wordt visueel inzichtelijk gemaakt welke delen van het product afwijken van het getrainde beeld, bijvoorbeeld via een heatmap.

Menselijke beoordeling als uitgangspunt

Traditionele vision-systemen werken vooral met vaste regels en grenswaarden. Denk aan het tellen van pixels, het meten van randen of het controleren van vormen. Volgens Mooij leidde dat vaak tot complexe software met veel instelparameters. ‘Klanten kregen sliders waarmee ze konden aangeven hoeveel procent verkleuring acceptabel was of hoeveel vormafwijking nog mocht.’
Het nadeel van deze aanpak is dat alleen bekende defecten worden herkend. Afwijkingen die niet expliciet zijn geprogrammeerd, blijven buiten beeld. Met AI verandert dat principe. Het systeem leert op basis van voorbeelden hoe een goed product eruitziet en keurt alles af wat daar zichtbaar van afwijkt. ‘Het maakt niet uit waarom een product fout is, als het maar als fout wordt aangemerkt.’
Volgens Mooij sluit deze benadering beter aan bij menselijke beoordeling. ‘Een operator telt geen pixels, maar ziet in één oogopslag of een product er niet goed uitziet. AI-kwaliteitscontrole bootst dit proces na.’

Voordelen en beperkingen van een black box

‘Een belangrijk voordeel van AI is dat ook onverwachte defecten worden herkend’, vertelt Mooij. ‘Als er bijvoorbeeld een hap uit een product ontbreekt en dit niet eerder is voorgekomen, zal het AI-model dit toch als afwijkend herkennen. Bij klassieke vision zou zo’n defect alleen worden afgekeurd als het vooraf expliciet was geprogrammeerd.’
Tegelijkertijd introduceert AI een zekere mate van ondoorzichtigheid. Het model functioneert grotendeels als een black box. Het is niet mogelijk om tijdens productie eenvoudig grenzen bij te stellen, bijvoorbeeld om iets ruimhartiger te keuren bij wisselende productkwaliteit. ‘Hoe je het model aan het begin traint, bepaalt hoe het zich gedraagt.’
Daarmee verdwijnt de harde scheidslijn van traditionele parameters. De beoordeling wordt meer gradueel en contextafhankelijk, vergelijkbaar met menselijke waarneming.

Impact op hardware en ontwikkeling

De inzet van AI heeft ook gevolgen voor de hardware in de machines. Waar voorheen standaard industriële pc’s volstonden, is nu zwaardere rekenkracht nodig. PWR maakt gebruik van industriële pc’s met NVIDIA-GPU’s om de AI-modellen lokaal te draaien. Zowel training als inferentie vinden plaats op de machine zelf.
Dat brengt extra investeringen met zich mee, onder andere voor hardware en licenties. Daar staat tegenover dat het ontwikkelwerk aan maatwerk vision-algoritmen sterk afneemt. Basiscontroles, zoals maatvoering om te controleren of een product in een tray of doos past, blijven wel bestaan. Oppervlakte- en kwaliteitsbeoordelingen worden steeds vaker aan AI overgelaten.

Integratie in de bedieninterface

Een belangrijk aandachtspunt bij de ontwikkeling was de integratie in de bestaande HMI. De bedieninterface van PWR toont in real time de volledige lijn, inclusief robots, productstromen en kwaliteitsstatussen. Het AI-gedeelte is in diezelfde omgeving ondergebracht.
Volgens Mooij was het een uitdaging om het trainen en beheren van modellen touchscreen-vriendelijk en begrijpelijk te maken. Elk AI-model is gekoppeld aan een specifiek product en recept, zodat operators eenvoudig het juiste model kunnen selecteren bij productwissels. De totale ontwikkeling van dit systeem nam ongeveer anderhalf jaar in beslag.

Halcon als basis voor AI-vision

Voor de AI-functionaliteit maakt PWR gebruik van vision-software van het Duitse MVTec. De Halcon-bibliotheek bevat onder meer neurale netwerken die specifiek zijn ontwikkeld voor industriële vision-toepassingen. Deze netwerken draaien volledig lokaal in de machine en zijn niet cloud-gebaseerd.
PWR traint boven op deze basis eigen modellen, afgestemd op de producten van klanten. Volgens Mooij biedt deze aanpak veel flexibiliteit en ruimte voor finetuning. Tegelijkertijd wordt nauw samengewerkt met de softwareleverancier, die werkt aan verdere verbeteringen zoals automatisch hertrainen van modellen.

Toekomstige ontwikkelingen

Naast kwaliteitscontrole kijkt PWR ook naar andere mogelijke toepassingen van AI. Binnen de softwareontwikkeling wordt AI al gebruikt voor code-analyse en ondersteuning van programmeurs. Voor de aansturing van robots en productverdeling ligt AI nog in de verkennende fase.
Het bedrijf heeft de afgelopen jaren een eigen bovenliggend softwaresysteem ontwikkeld, PWR | Smart Control, dat de verdeling van producten over meerdere robots regelt. Dit systeem verwerkt grote hoeveelheden vision-data en maakt complexe optimalisaties mogelijk die in PLC’s niet haalbaar zijn. Volgens Mooij zou AI hier in de toekomst een rol kunnen spelen, bijvoorbeeld om verdelingsstrategieën verder te optimaliseren.
Voorlopig ligt de focus echter op het verder uitrollen en verfijnen van AI-vision in de praktijk. ‘We zien nu pas echt hoe het zich in het veld gedraagt.’