Een productie-kmo haalt lekkende zakken van de band met computer vision

De klant is een Vlaams productiebedrijf van micro-ingrediënten en functionele additieven voor de diervoedersector, met klanten wereldwijd. Op de Belgische hoofdvestiging staan de productie, de distributie, het labo en de commerciële werking samen, goed voor ruim tachtig medewerkers. Een ISO-gecertificeerde omgeving met een sterke kwaliteitsdiscipline, zonder eerdere AI-toepassingen op de productievloer.

Gebreken in de naadafwerking van afgevulde zakken zijn met het blote oog nauwelijks te zien. Ze komen pas aan het licht wanneer een zak lekt tijdens transport, met afgekeurde containers in exportlanden, financieel verlies en imagoschade bij internationale klanten als gevolg.

Meerdere lijnen draaien continu, dus elke zak met het oog controleren gaat niet. Een steekproef laat per definitie defecten door. De vraag was helder: elke zak controleren zonder de lijn te vertragen.

Het traject startte breed over de hele vestiging. Productiemedewerkers, kwaliteitscontroleurs, logistiek personeel, het labo en de directie deelden in eigen tempo hun pijnpunten via een AI-bot. De visuele kwaliteitscontrole van zakken na afvulling kwam als prioriteit naar boven.

In een workshop van een halve dag werd de use case afgewogen. Hoog op impact, door de rechtstreekse link met gederfde omzet en reputatie. Technisch uitdagend, want computer vision vraagt precisie. Sterk op databeschikbaarheid, omdat beelden eenvoudig via camera’s te verzamelen zijn. Laag op risico onder de AI Act, aangezien het systeem enkel productkwaliteit beoordeelt en geen mensen.

De succescriteria lagen vooraf vast: minstens negentig procent van de defecten detecteren met minder dan vijf procent vals alarm, en een uitsorteerbeslissing binnen een seconde, realtime op de lijn.

De uiteindelijke oplossing kwam er na meerdere technische iteraties. Xylos werkte verschillende architecturen uit voordat de combinatie op tafel lag die past bij deze productieomgeving.

Een YOLOX-model herkent realtime de positie en beweging van elke zak op de band, zodat de controle gericht op de juiste zone gebeurt. Een EfficientAD-model spoort de afwijkingen op. Dat model leert op beelden van correcte naden en detecteert alles wat daarvan afwijkt, zonder dat elk defecttype vooraf gelabeld moet worden.

De modellen draaien lokaal op een netwerk van Raspberry Pi’s, met een centrale controller. Edge AI in plaats van een cloudopstelling, omdat een productielijn geen vertraging verdraagt en de kost een fractie bedraagt van een industriele PC-oplossing. Het systeem liep twee weken parallel met de bestaande menselijke controle, zodat elke detectie vergeleken en bijgestuurd kon worden. Daarna werd het primair, met de operatoren als vangnet.

Tijdens de testperiode analyseerde het systeem duizenden zakken, met een detectiegraad binnen het criterium en een percentage vals alarm ruim onder de drempel. De adoptietest leverde een unaniem positief antwoord op bij zowel operatoren als kwaliteitsmanagement. Zes maanden productie later:

• Defecte zakken verlaten de lijn voor ze de container bereiken, waardoor het productverlies fors daalde.

• Containerafkeuringen in export namen duidelijk af, met lagere transport- en herzendkosten.

• De naadcontrole vraagt aanzienlijk minder menselijke aanwezigheid, zodat operatoren zich op waardevollere controles kunnen toeleggen.

• Internationale klanten ervaren minder kwaliteitsincidenten, wat de positie als betrouwbare leverancier versterkt.

Nu volgen andere kwaliteitskritische stappen, zoals palletisatie en wikkelafwerking. De ervaring met edge AI maakte intern een punt duidelijk: geavanceerde AI hoeft geen zware investering te zijn.

Ontdek je fouten in je productie pas bij de klant? We zoeken samen uit waar AI dat het snelst omdraait.