🤖 AI

Data Collection for Training Quality-Control AI in Carpet Manufacturing

Dit artikel presenteert een uitgebreid blauwdruk voor een in-line machinevisiesysteem in de productie van geweven tapijten dat realtime defectinspectie integreert met een gestructureerde strategie voor gegevensverzameling en annotatie om kwaliteitscontrole AI-modellen systematisch te trainen en te verbeteren, waardoor productiestagnaties worden aangepakt en defectpercentages binnen een Six Sigma-raamwerk worden verminderd.

Oorspronkelijke auteurs: Akbar Erkinov

Gepubliceerd 2026-06-02

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Akbar Erkinov

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je een fabriek voor die gigantische, prachtige tapijten maakt. Deze tapijten zijn als lange, doorlopende linten van stof die met ongelooflijke snelheid over een productielijn bewegen. Jarenlang was de enige manier om te controleren of het tapijt perfect was, het inzetten van menselijke arbeiders die langs de lijn stonden te turen naar het bewegende weefsel, of het afsnijden van kleine stukjes om ze later te inspecteren.

Het probleem? Mensen worden moe, ze missen kleine imperfecties en ze kunnen het tempo van moderne machines niet bijhouden. Als de fabriek besluit om meer tapijten te maken door nieuwe weefmachines toe te voegen, vormen de menselijke inspecteurs een verkeersopstopping. Ze kunnen simpelweg niet elke inch controleren, waardoor slechte tapijten door de mazen van het net glippen, wat het bedrijf veel geld kost.

Dit artikel stelt een oplossing voor: Een "Slim Oog"-systeem dat niet alleen kijkt, maar ook leert.

Hier is de uitleg van hun plan, met behulp van eenvoudige analogieën:

1. Het Probleem: De "Bottleneck"

De fabriek staat op het punt de productie te versnellen (zoals het toevoegen van meer rijstroken aan een snelweg). Maar de "inspectierijstrook" (de menselijke arbeiders) blijft even groot. Dit creëert een bottleneck.

Het Risico: Als ze dit niet oplossen, zullen duizenden defecte tapijten de klanten bereiken. Het artikel schat dat dit het bedrijf 5 000 euro per dag kan kosten.
Het Doel: Ze willen elke fout vangen, niet alleen de overduidelijke, en dat snel genoeg doen om het tempo van de machines bij te houden.

2. De Hardware: De "Supercamera"

In plaats van een gewone camera, stellen ze een gespecialiseerd systeem voor:

Line-Scan Camera's: Stel je een camera voor die niet een foto van een hele scène tegelijk maakt, maar in plaats daarvan het tapijt scant als een laserstraal, lijn voor lijn, terwijl het voorbij zoomt.
Twee Typen Licht: Net zoals je een zaklamp zou kunnen gebruiken om een vlek op een shirt te zien (fel licht) of de zijkant van een tafel zou bekijken om een kras te zien (schuin invallend licht), gebruikt dit systeem twee lichten tegelijk. De ene onthult kleurvlekken, en de andere onthult fysieke bulten, gaten of gebroken draden.
De Naad: Omdat het tapijt breder is dan wat een enkele camera kan zien, gebruiken ze meerdere camera's naast elkaar en voegen de beelden in software samen tot een panoramafoto.

3. Het "Cold Start" Probleem: Hoe leer je een computer wat een defect is?

Dit is het slimste deel van het artikel. Normaal gesproken heb je om een AI te leren een defect te vinden, duizenden foto's van defecten nodig. Maar in een fabriek zijn defecten zeldzaam. Je kunt wekenlang zonder een specifiek type fout zitten. Je kunt niet maanden wachten op het verzamelen van genoeg "slechte" foto's om de AI te trainen.

De Oplossing: De "Annotation Flywheel"
Beschouw dit als een zelfverbeterende lus:

Dag 1 (Het Veiligheidsnet): Het systeem begint met het leren wat "perfect" eruit ziet. Het ziet alleen goed tapijt. Het leert de normale patronen zo goed dat als het iets vreemds ziet, het dit markeert als een "verdachte anomalie". Het weet nog niet wat de fout is, alleen dat het niet normaal is.
De Menselijke Helper: Wanneer de AI iets vreemds signaleert, laat het dit zien aan een menselijke inspecteur. De mens zegt: "Ah, dat is een gebroken draad," of "Dat is een vlek."
De Flywheel: Het systeem slaat die specifieke afbeelding en de label van de mens op. Nu heeft de AI een nieuw type defect geleerd.
Herhalen: Terwijl de fabriek draait, wordt de AI steeds slimmer. Het begint defecten zelfstandig te herkennen en vraat pas om hulp van een mens wanneer het echt in de war is. Hoe meer het draait, hoe slimmer het wordt; het creëert een "virtueuze cirkel" waarbij de dataverzameling het product zelf is.

4. De Strategie: Opgroeien

Het artikel suggereert dat de AI zich in stadia ontwikkelt, zoals een student:

Fase 1 (De Novice): Kijkt alleen naar "alles wat niet normaal is" (Unsupervised).
Fase 2 (De Student): Begint fouten te benoemen (bijv. "Dat is een vlek", "Dat is een gat") zodra het genoeg voorbeelden heeft gezien.
Fase 3 (De Expert): Kan een nauwkeurige omtrek rond de fout tekenen om de machine precies te vertellen welk deel van het tapijt eruit gesneden of gerepareerd moet worden.

5. Het Resultaat: Het "Six Sigma" Doel

Het artikel koppelt dit terug aan een zakelijk concept genaamd Six Sigma, een manier om kwaliteit te meten.

Vóór: De fabriek had een hoog foutpercentage (ongeveer 20.000 defecten per miljoen kansen).
Ná: Door bijna elke fout direct te vangen, daalt het aantal "ontsnapte" slechte tapijten drastisch.
De Beloning: Dit gaat niet alleen over kwaliteit; het gaat over geld. Door de fouten te vangen voordat het tapijt gelijmd en afgewerkt wordt, stopt de fabriek met het verspillen van geld aan tapijten waarvan ze al weten dat ze weggegooid gaan worden.

Samenvatting

Het artikel stelt voor om een camerasysteem te bou en dat werkt als een continue, onvermoeibare inspecteur. De belangrijkste innovatie is niet alleen de camera's, maar de methode van leren: in plaats van te wachten tot er een perfecte dataset bestaat voordat men begint, bouwt het systeem zijn eigen dataset op terwijl het werkt, waardoor elk uur productie een les wordt die het volgende uur productie beter maakt. Het verandert de fabriek zelf in een leraar voor de AI.

Technische Samenvatting: Datacollectie voor het trainen van kwaliteitscontrole-AI in de tapijtproductie

Probleemstelling
Het artikel behandelt een kritieke flessenhals in de productie van geweven tapijten: het onvermogen van traditionele handmatige visuele inspectie om mee te schalen met moderne productiesnelheden en -breedtes. Naarmate de doorvoer toeneemt, vergroot de kloof tussen het productievolume en het geïnspecteerde oppervlak, wat leidt tot inconsistente kwaliteitscontrole, subjectieve oordelen en gemiste defecten. Dit probleem werd geformuleerd binnen een specifiek Six Sigma (DMAIC)-project bij een faciliteit voor geweven tapijten die een verwachte toename van 40% in de output voorzag (van $7,0 \times 10^5$ naar $1,0 \times 10^6$ m²). De faciliteit kampte met een basislijn van Defects Per Million Opportunities (DPMO) van ongeveer $2,0 \times 10^4$ (een sigma-niveau van 2,33) en een financiële blootstelling van circa €50.000 per dag als de inspectie-bottleneck ongewijzigd zou blijven. De kernuitdaging is dat hoogwaardige industriële AI-modellen grote, gelabelde datasets van zeldzame en diverse defecten vereisen, die op de eerste dag van implementatie nog niet bestaan.

Methodologie
De auteurs stellen een end-to-end engineering-blauwdruk voor van een in-line machine-visionsysteem dat niet alleen is ontworpen voor real-time inspectie, maar primair voor het systematisch verzamelen en labelen van defectgegevens. De methodologie is gestructureerd rond vier belangrijke technische pijlers:

Beeldvormings- en acquisitiesubsysteem:

Hardware: Het systeem maakt gebruik van gesynchroniseerde lijnscancamera's (specifiek drie gestitchte 8k-sensoren) om een webbreedte van 4 meter te dekken zonder bewegingsonscherpte.

Verlichting: Een dual-verlichtingskop legt het web vast onder twee condities: bright-field (voor tonale fouten zoals vlekken en kleurschommelingen) en grazing/dark-field (voor structurele fouten zoals gebroken inslags, losse draden en poolverstoringen).

Resolutiebudget: Het systeem is ontworpen om kenmerken van minimaal 0,5 mm te resolveren met een marge van 3 pixels, wat een lijnfrequentie van 6 kHz vereist bij een websnelheid van 1 m/s. Dit genereert een ruwe datastroom van ongeveer $1,44 \times 10^8$ pixels per seconde per kanaal.

Defect-taxonomie:

Een praktische taxonomie wordt gedefinieerd, waarbij defecten worden gecategoriseerd naar hun oorsprong in het "weven-naar-lijmen"-proces. Klassen omvatten Structureel (bijv. gebroken inslagen), Pool (bijv. matting), Kleur/Verf (bijv. kleurbanden), Contaminatie (bijv. olievlekken), Gaten/Scheuren, Patroon (bijv. uitlijningsfouten) en Rug (bijv. delaminatie).

Elke klasse wordt gekoppeld aan het meest effectieve verlichtingskanaal en het bijbehorende modeltype (Detectie, Segmentatie of Anomaly Scoring).

De "Annotation Flywheel" (Datacollectiestrategie):

In het licht van het "cold-start"-probleem (gebrek aan gelabelde defecten), stellen de auteurs een gefaseerd, zelfversterkend datacollectieproces voor:

Fase 0 (Bootstrap): Onmiddellijke inzet van ongesuperviseerde anomaliedetectie getraind uitsluitend op defectvrij materiaal (met behulp van de tapijt-categorie van de MVTec Anomaly Detection benchmark).

Fase 1 (Mining): Het ongesuperviseerde model markeert potentiële anomalieën, die als kandidaten worden opgeslagen.

Fase 2 (Human-in-the-Loop): Inspecteurs beoordelen alleen deze kandidaten met een hoge waarschijnlijkheid, bevestigen de fouten en wijzen labels toe. Dit vermindert de annotatiekosten drastisch in vergelijking met uitputtende frame-voor-frame labeling.

Fase 3 (Augmentatie): Zeldzame klassen worden gebalanceerd middels geometrische/fotometrische augmentatie en defect-synthese (het samenvoegen van echte defecten op normale achtergronden).

Fase 4 (Re-training): Periodieke hertraining van gesuperviseerde modellen op de groeiende dataset, waarbij active learning prioriteit geeft aan onzekere gevallen.

Gefaseerde modelleringstrategie:

Het systeem evolueert van een Ongesuperviseerde Anomaliedetector (beschikbaar op Dag 1) naar Gesuperviseerde Classificatie (vroege fase), vervolgens naar Gesuperviseerde Detectie (middenfase, voor bounding boxes), en uiteindelijk naar Gesuperviseerde Segmentatie (volwassen fase, voor pixel-precieze kaarten van gebiedsextenderende defecten). De anomaliedetector fungeert als een permanent vangnet voor nieuwe soorten fouten.

Resultaten en Prestatieprojecties
Het artikel is een ontwerpvoorstel en rapporteert geen gemeten experimentele resultaten uit een geïmplementeerde pilot. In plaats daarvan biedt het engineering-budgetten en conceptuele projecties:

Doorvoer: De voorgestelde hardware is berekend om de doelstelling van 1 m/s aan te kunnen met voldoende resolutie om 0,5 mm defecten te detecteren.

Sigma-verbetering: De auteurs beargumenteren directioneel dat het vervangen van steekproefsgewijze handmatige inspectie door 100% automatische dekking het aantal "ontsnapte defecten" zal verminderen. Als het systeem een fractie $r$ van de eerder gemiste defecten vangt, moet de DPMO proportioneel afnemen tot $(1-r)$ , wat theoretisch het proces richting hogere sigma-niveaus beweegt.

Economische Impact: Door defecten vroegtijdig te detecteren (tijdens het weven in plaats van na het lijmen), voorkomt het systeem de toegevoegde waarde aan afgekeurd materiaal, wat direct de financiële blootstelling van €50.000/dag aanpakt.

Belangrijkste Bijdragen

Data-gecentreerd Ontwerp: De primaire bijdrage is het behandelen van datacollectie als een "eerste-orde engineering-doel". Het systeem is expliciet ontworpen om de gelabelde dataset te genereren die vereist is voor toekomstige modelverbetering, in plaats van te vertrouwen op vooraf bestaande data.

Dual-Illumination Architectuur: Een specifieke hardwareconfiguratie die bright-field en strijklicht combineert om de diverse zichtbaarheidsregimes van tapijtedefecten aan te pakken.

De Annotation Flywheel: Een concreet workflow dat een productielijn transformeert van ongesuperviseerde operatie naar gesuperviseerde excellentie, waarbij de initiële arbeidslast wordt geminimaliseerd terwijl de modelcapaciteit continu wordt verbeterd.

Six Sigma Integratie: Het voorstel koppelt technische componenten direct aan DMAIC-fasen (Define, Measure, Analyse, Improve, Control), waarmee wordt aangetoond hoe AI kan dienen als het instrument voor procescapaciteitsverbetering.

Betekenis en Claims
Het artikel claimt een "bruikbare blauwdruk" te bieden voor AI-ondersteunde kwaliteitscontrole in de tapijtproductie. De betekenis ligt in het overbruggen van de kloof tussen theoretische deep learning-mogelijkheden en de praktische realiteit van industriële implementatie, specif