Covicon

Blog

  • Meten, sorteren, voorspellen: de aanpak in drie fasen

    Meten, sorteren, voorspellen: de aanpak in drie fasen

    De aanpak verloopt in drie fasen: eerst meten en monitoren, dan (optioneel) automatisch sorteren, dan interpreteren en voorspellen. De volgorde is niet onderhandelbaar: fasen 2 en 3 zijn maar zo goed als de metingen uit fase 1.

    Fase 1: meten en monitoren

    Fase 1 meet continu wat er op het product en in het proces gebeurt, gelabeld op tijd, locatie en lijn. De meetlaag moet duidelijk nauwkeuriger zijn dan de variatie van het product zelf.

    Fase 2: sorteren (optioneel)

    Fase 2 is optioneel: automatisch uitwerpen of sorteren op basis van de metingen, aan lijnsnelheid. De regels zijn transparant en ingesteld door de klant.

    Fase 3: interpreteren en voorspellen

    Fase 3 groeit in drie stappen: inzicht (dashboards), suggestie (het systeem denkt mee, de mens beslist) en voorspelling. Het systeem wordt beter naarmate het meer van de productie ziet.

    De vijf duurste fouten

    • Fase 1 niet serieus nemen
    • Meten zonder labels
    • Te groot starten
    • Het team erbuiten laten
    • Doelstellingen niet opschrijven

    Vier principes om mensen mee te krijgen

    • Meet het proces, niet de mensen.
    • Betrek de vloer vóór de eerste sensor hangt.
    • Geef de data eerst terug aan het team.
    • Zie AI als collega, niet als vervanger.

    Praktisch

    • Een pilootlijn in fase 1 is een kwestie van weken tot enkele maanden, geen meerjarenprogramma (richtwaarde uit de gids).
    • De data blijft eigendom van de klant. Afspraken over opslag en toegang worden vooraf vastgelegd.
    • Machines vervangen is niet nodig: fase 1 vertrekt van wat er is (PLC's, bestaande sensoren, registraties). Ook op oudere lijnen werkt het; een camera-opstelling kan meestal gewoon aan een bestaande lijn worden toegevoegd.
    • Dit is haalbaar voor middelgrote productiebedrijven omdat je per lijn kan instappen. Je hebt geen eigen data-analist nodig om te starten.
  • FlaxClean: vreemde materialen opsporen in vlas en hennep

    FlaxClean: vreemde materialen opsporen in vlas en hennep

    FlaxClean is gebaseerd op AI-D en detecteert contaminanten zoals touw, plastic en andere ongewenste materialen in vlas- en hennepverwerking.

    Waarom is dit moeilijk?

    Plastic is relatief doorzichtig, touw en koorden niet: zelfde kleur, gelijkaardige textuur, opgenomen in de vezelstroom. Daarom zijn AI-modellen nodig om subtiele verschillen te herkennen.

    Wat zit erin?

    • Een line-scancamera
    • Een LED-lichtstrip
    • Een AI-computer
    • Een speed encoder (door Covicon gemonteerd op de bestaande band)
    • Een vision box met touchscreen

    De vision box meet standaard 1250 x 875 x 1250 mm, of ongeveer 400 mm breed met de elektrische kast apart geplaatst.

    Wat gebeurt er bij detectie?

    Bij detectie geeft FlaxClean een signaal om de machine te stoppen. Een geautomatiseerde verwijdering is optioneel en procesafhankelijk. Bij een volledig automatische lijn wordt de contaminant gevolgd over de band en via een multi-conveyor uitgeleid naar een rejectbak. Op sites met operatoren in de buurt volgt een visueel of hoorbaar alarm.

    Van elke gedetecteerde contaminant wordt het beeld opgeslagen.

    Omgeving

    FlaxClean detecteert nauwkeurig, ook in een stoffige omgeving, en werkt het best op een matzwarte transportband.

    FlaxClean wordt gecombineerd met de expertise van CRETES in vezelontvezeling en -reiniging (Valtech Group).

  • Inspectie in de bakkerij: kleur als belangrijkste parameter

    In de bakkerijsector inspecteert AI-D gebakken producten met kleur als belangrijkste parameter. Per product brengt het systeem in kaart waar het goed of slecht gebakken is en hoe bakvlekken verdeeld zijn. Die kwantificering is de basis om samen met de klant de oorzaken van bakproblemen op de lijn te onderzoeken.

    Een demo-opstelling

    In een demo-opstelling bepaalde AI-D per product:

    • accept of reject
    • chocoladetype (geen, melk, puur)
    • oppervlakte en gewichtsschatting
    • kleurafwijkingen gelinkt aan procesparameters
    • seal-defecten in de verpakking
  • In drie stappen naar AI-D: een gratis demo op locatie

    In drie stappen naar AI-D: een gratis demo op locatie

    Het traject naar AI-D verloopt in drie stappen.

    1. Een verkennend gesprek
    2. Een gratis demo op locatie
    3. Een samenvattend gesprek

    Covicon biedt een gratis demo op locatie aan: AI-D wordt tijdelijk op de lijn van de klant geïntegreerd en draait echte productie.

    Covicon heeft ook een atelier waar bezoekers AI-D kunnen testen.

    Een demonstratie op maat

    Een demonstratie op maat verloopt in drie stappen: aanvragen en vertellen wat je produceert, analyse en voorbeelden ontvangen, samen kijken naar de match. Dit is normaal betaald studiewerk; voor geselecteerde aanvragen is het gratis.

    En de prijs?

    De prijs hangt af van complexiteit, de gevraagde criteria en de bestaande installatie, en wordt op maat bepaald na een eerste gesprek.

    Adres

    Covicon BV, Krommebeekstraat 22, 8930 Menen, België.

  • Anomaliedetectie: AI trainen met enkele goede voorbeelden

    Anomaliedetectie: AI trainen met enkele goede voorbeelden

    Covicon traint eigen AI-modellen op basis van enkele goede voorbeelden (anomaliedetectie), met continue feedback (human in the loop) en optioneel synthetische data.

    Anomaliedetectie leert hoe een normaal product eruitziet en detecteert producten die daarvan afwijken. Zo vind je nieuwe, zeldzame of onverwachte afwijkingen zonder voorbeelden van elke mogelijke fout.

    De AI-D-cyclus

    1. Acquisitie
    2. Modeltraining
    3. Continue feedback
    4. Detectie

    Wat haalden we?

    Op een industriële dataset was de false positive rate van AI-anomaliedetectie minder dan 0,1 % en de false negative rate minder dan 2 %. Dit is een praktijkvoorbeeld uit tests en projecten, geen algemene garantie. Prestaties worden per toepassing gevalideerd.

  • Welke sensor kies je voor welke inspectie?

    Welke sensor kies je voor welke inspectie?

    De sensorkeuze gebeurt per toepassing op basis van defect, materiaal, formaat, snelheid en omgeving. Vaak volstaat een RGB-camera.

    SensorWat meet hij?
    RGB- of industriële kleurcamera (area- of line-scan)Textuur, vorm, lengte, breedte, kleur, vreemde voorwerpen, defecten, codes, barcodes en etiketten.
    3D-cameraLengte, breedte, hoogte en volume.
    Hyperspectrale cameraVocht, vet, suiker, vreemde voorwerpen, materiaal- of vezelsamenstelling en sealinspectie.
    X-rayVreemde voorwerpen (detectie én lokalisatie), vulniveau en ontbrekende items.
    Thermische cameraTemperatuurverdeling, afhankelijk van de toepassing.

    Een hyperspectrale camera doet een oppervlaktemeting en ziet niet door het product heen.

    Line-scan of area-scan?

    Een line-scancamera neemt één pixelrij per keer op, synchroon met de bandsnelheid, en bouwt zo het beeld op. Dat past bij een continue, snelle band met stabiele beweging. Een area-scancamera neemt het volledige beeld in één keer en past bij stop-and-go of variabele snelheid. Dit is een praktijkregel, geen specificatie.

    Meerdere sensoren combineren

    Bij een multisensoropstelling worden de resultaten van meerdere sensoren aan hetzelfde product gekoppeld tot één beslissing.

    Waar begin je?

    Als de kwaliteitszorgen over kleur, oppervlaktetextuur, vorm of verpakking gaan, begin je best met RGB. Pas bij een duidelijke beperking kijk je naar 3D of hyperspectraal. Dit is een praktijkregel van Covicon.

  • Kleurverschil meten met ΔE: zo lees je de schaal

    Kleurverschil meten met ΔE: zo lees je de schaal

    Een kleurverschil druk je uit in ΔE. Deze schaal helpt om een getal te lezen.

    ΔEBetekenis
    < 1,0onzichtbaar voor het oog
    1,0–2,0enkel zichtbaar voor getrainde inspecteurs
    2,0–3,5merkbaar verschil (gangbaar commercieel drukwerk en consumentenproducten)
    3,5–5,0duidelijk zichtbaar
    > 5,0lijkt een andere kleur

    Een ΔE kleiner dan 1,0 is onzichtbaar voor het menselijk oog.

    Wat haalden we in een kalibratietest?

    Dit is een praktijkvoorbeeld uit tests en projecten, geen algemene garantie. Prestaties worden per toepassing gevalideerd.

    ΔEKalibratietest lijn 1Zelfde meting, andere lijn
    Gemiddelde kleurfout0,2700,261
    Standaardafwijking0,1080,109
    Maximale kleurfout0,4960,434

    Kalibratie zorgt voor consistente beeldkwaliteit (kleur en afmetingen) over meerdere lijnen en sites.

  • Wat is AI-D?

    Wat is AI-D?

    AI-D is een modulair visionplatform voor industriële kwaliteitscontrole, productidentificatie en -classificatie. Covicon maakt AI-D en maakt deel uit van Valtech Group.

    De naam staat voor AI en Identification; hij is een knipoog naar beide.

    Wat doet het platform?

    AI-D biedt scanning, feature monitoring, dashboarding, sortering en een feedbackloop.

    Toepassingen

    • Kwaliteitscontrole
    • Automatische productsortering
    • Pick-and-place en robotsturing
    • Procesoptimalisatie
    • Real-time productiemonitoring

    Zo is het opgebouwd

    • Alle verwerking gebeurt lokaal op de installatie (volledig on-edge).
    • De software is in eigen beheer ontwikkeld en is een open platform: geen black box.
    • Hardware en software zijn plug & play: sensoren, belichting en edgecomputer worden per toepassing gekozen.
    • AI-D koppelt aan dashboard, databank, MQTT, API, PLC, rejectmechanismen en robots.
    • AI-D werkt met hoge resolutie en high dynamic range (HDR).

    Kalibratie zorgt voor consistente beeldkwaliteit (kleur en afmetingen) over meerdere lijnen en sites. Dezelfde beeldkwaliteit op alle AI-D's maakt het schaalbaar, flexibel en onderhoudbaar.

    Voordelen voor de productielijn

    • Meer output met minder stilstand op de lijn.
    • Minder afgekeurd of herwerkt product.
    • Uniforme en objectieve kwaliteitscontrole over elke batch, shift en lijn.
    • Minder manuele inspectie en minder arbeidsoverhead.
    • Afwijkingen worden gevonden voor ze bij de klant komen.
    • AI-D past op bestaande lijnen en systemen en heeft een open databank.