Computer Vision voor kwaliteitscontrole: van PoC naar productie
289 weergaven2 reacties
F
Fatima El Amrani3 dagen geleden
Ik wil een project delen waar ik bijzonder trots op ben: een computer vision systeem voor kwaliteitscontrole bij een electronics manufacturer.
**De uitdaging:**
De fabriek produceerde 10.000 printplaten per dag. Handmatige visuele inspectie kostte 8 FTE en miste toch 5% van de defecten.
**Wat ik gebouwd heb:**
- Camera-systeem boven de productielijn (4 industriele camera's)
- Custom YOLOv8 model getraind op 50.000 gelabelde afbeeldingen
- Real-time defectdetectie: soldering issues, component misalignment, scratches
- Dashboard met live productie-statistieken
- Automatische sorting: defecte producten worden uitgesorteerd
**Resultaten:**
- 99.2% defect detection rate (was 95% handmatig)
- Inspectietijd: van 15 sec/product naar 0.3 sec/product
- ROI: terugverdiend in 4 maanden
- Van 8 FTE naar 2 FTE voor quality control
**Tech stack:**
- YOLOv8 (PyTorch) voor object detection
- NVIDIA Jetson voor edge inference
- FastAPI voor de backend service
- Streamlit dashboard voor operators
- PostgreSQL voor historische data en analytics
Het was mijn eerste manufacturing project en de impact was veel groter dan ik verwachtte. De fabriek heeft me inmiddels ook gevraagd voor hun andere productielijn.
Reacties (2)
T
Tom Builder3 dagen geleden
Indrukwekkend! 99.2% is echt hoog voor manufacturing QC. Hoe heb je die 50.000 gelabelde afbeeldingen verzameld? Dat lijkt me het moeilijkste deel van het project. En hoe ga je om met nieuwe defect-types die niet in de trainingsdata zitten?
J
Jan de Maker3 dagen geleden
Gaaf project! De ROI case is ongelooflijk sterk — 4 maanden terugverdientijd. Dat soort numbers maken het verkopen van AI-projecten zoveel makkelijker. Zou je overwegen om dit als SaaS aan te bieden voor andere manufacturers?