💻 computer science

CableDex: Cable Length Estimation on Industrial Reels Using a Handheld Device

CableDex is een computer vision-systeem dat gebruikmaakt van een mobiele telefoon om de lengte van industriële kabelhaspels nauwkeurig te schatten uit een enkele foto, waarbij een gemiddelde absolute percentagefout van 4,90% wordt bereikt door camera-kalibratie, instantiesegmentatie en volumetrische berekening te combineren.

Oorspronkelijke auteurs: Francisco Guillén, Ricardo Almeida, Bruno Silva, João C. Neves

Gepubliceerd 2026-08-11

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Francisco Guillén, Ricardo Almeida, Bruno Silva, João C. Neves

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 voor dat je in een enorme magazijn staat vol met gigantische spoelen kabel, van het soort dat wordt gebruikt om steden of fabrieken van stroom te voorzien. Deze spoelen zijn zwaar en de kabel is strak om hen heen gewikkeld. Nu stel je een arbeider voor die precies moet weten hoeveel kabel er nog op een spoel zit. In de oude dagen moesten ze gokken op basis van hoe zwaar de spoel aanvoelde, of erger nog, ze moesten de hele boel uitrollen om te meten — een traag, rommelig en frustrerend proces. Dit is de wereld van de industriële productie, waar tijd geld is en fouten veel kosten.

Om dit op te lossen, gebruiken wetenschappers een tak van de informatica genaamd computer vision (computervisie). Zie dit als het leren van een computer om de wereld te "zien" en te begrijpen via een camerablens, precies zoals jouw ogen dat doen. Twee belangrijke trucjes helpen de computer dit te doen: segmentatie, wat werkt als een digitale schaar die een specifiek object (zoals een spoel) kan uitknippen uit de achtergrond van een foto, en pose estimation (houdingsschatting), wat het vermogen van de computer is om te begrijpen hoe een object gekanteld of gedraaid is in de 3D-ruimte door alleen naar een platte foto te kijken. Wanneer je deze trucjes combineert met een beetje meetkunde, kan een computer uit één enkele foto het volume van een object berekenen, zelfs als het een complexe vorm heeft zoals een kluwen draad. Dit artikel behandelt het rommelige, echte probleem van het toepassen van deze hoogtechnologische trucjes op een stoffige fabrieksvloer om werknemers tijd en hoofdpijn te besparen.

De Magische App die Kabels Telt

Maak kennis met CableDex, een slim nieuw systeem dat fungeert als een digitale detective voor industriële kabelhaspels. Het probleem dat het oplost is simpel maar irritant: wanneer kabel van een gigantische haspel wordt afgerold, weet niemand precies hoeveel er nog over is zonder veel hard werk te verrichten. CableDex verandert het spel door een werknemer in staat te stellen om slechts één foto van een haspel te maken met een gewone smartphone, waarna het direct een zeer nauwkeurige schatting geeft van de resterende kabellengte.

Zo werkt de magie, stap voor stap:

1. De "Digitale Schaar" (Instance Segmentation)
Eerst moet het systeem weten waar het naar kijkt. Het gebruikt een superintelligent AI-model (een type neuraal netwerk genaamd YOLO11s) dat is getraind op 1.000 foto's van verschillende kabelhaspels. Denk aan dit model als een paar ongelooflijk precieze digitale scharen. Wanneer je een foto maakt, knipt de AI de haspel en de kabel direct uit de rest van de foto, waardoor een perfecte omtrek ontstaat. Het is zo goed dat het de taak in 99,5% van de gevallen correct uitvoert, en het doet het hele werk in slechts 5,66 milliseconden — sneller dan je kunt knipperen.

2. Het "Slimme Oog" (Camera Calibration)
Voordat de computer iets kan meten, moet hij weten hoe de camera van de telefoon de wereld ziet. Elke telefoonlens is net iets anders, zoals hoe elk menselijk oog kleuren net even anders ziet. CableDex heeft een ingebouwde "geheugenbank" met kalibratiedata voor verschillende telefoonmodellen. Als de telefoon nieuw is voor het systeem, maakt de gebruiker een korte video van vijf seconden van een geblokt patroon (zoals een schaakbord). Het systeem analyseert deze video om de "innerlijke geheimen" van de camera te achterhalen (de brandpuntsafstand en lensvervorming), zodat het later nauwkeurig kan meten.

3. De "3D-Detective" (Pose Estimation)
Nu de computer weet wat de haspel is en hoe de camera de wereld ziet, speelt het een spel van 3D-meetkunde. Het kijkt naar de vier hoeken van de haspel in de foto en vergelijkt deze met de bekende werkelijke grootte van de haspel. Door dit te doen, kan het precies uitrekenen hoe de haspel in de ruimte staat — hoe ver hij weg is en hoe hij gekanteld is. Dit wordt pose estimation genoemd. Zodra het de positie van de haspel kent, kan het de kabel bovenop de haspel in de 3D-ruimte mappen, waarbij de bovenste radius, onderste radius en de hoogte van de kabelstapel worden berekend.

4. De "Volume Calculator" (Het Wiskundige Deel)
Met de 3D-vorm van de kabelstapel in de hand, gebruikt het systeem een formule voor een "afgeknotte kegel" (een kegel waarvan de top is afgesneden) om het totale volume van de kabel te berekenen. Maar er is een addertje onder het gras: kabels zijn geen massieve blokken plastic; het zijn ronde draden met kleine luchtruimtes tussen hen in. Het systeem houdt hier rekening mee door ongeveer 21,5% van het volume af te trekken om de lucht tussen de draden te vertegenwoordigen. Ten slotte deelt het dit volume door de dikte van de kabel (die het verkrijgt door de barcode van het label te scannen) om de totale lengte te onthullen.

Werkt het echt?

Het team heeft CableDex getest in de echte wereld bij een fabriek in Portugal. Ze hebben het niet alleen gesimuleerd op een computer; ze zijn ter plaatse gegaan en hebben het getest op 75 verschillende haspels van vijf verschillende soorten spoelen.

De resultaten waren indrukwekkend. Het systeem schatte de kabellengte met een gemiddelde fout van slechts 4,90%. In de industriële wereld wordt een foutmarge van 10% meestal als acceptabel beschouwd, dus CableDex bevindt zich ruim binnen de veilige zone. Het team merkte op dat de grootte van de haspel er niet toe deed; het systeem was net zo nauwkeurig bij kleine haspels als bij enorme haspels.

De Haken en Oorzaken en de Toekomst

Hoewel het systeem een enorme verbetering is ten opzichte van gokken op basis van gewicht of het uitrollen van kabels, is het team eerlijk over de beperkingen. De wiskunde gaat ervan uit dat de kabel perfect en netjes is opgewonden, zoals een stapel pannenkoeken. Als de kabel losser of slordiger is opgewonden, verandert de vorm van de "afgeknotte kegel" en kan de schatting minder nauwkeurig zijn.

Echter, voor het overgrote deel van de fabriekssituaties biedt CableDex een snelle, betrouwbare manier om een eenvoudige foto om te zetten in een nauwkeurige meting. Het vervangt traag, handmatig gokwerk door een snelle snapshot, en bewijst dat de beste manier om een gigantisch industrieel probleem te meten soms gewoon is om een foto te maken.

Technische Samenvatting: CableDex

Probleemstelling
In industriële productieomgevingen is het bepalen van de resterende kabellengte op een has een hardnekkige operationele uitdaging. Traditionele methoden vereisen ofwel gespecialiseerde apparatuur of het volledig afwikkelen van de kabel, wat beide tijdrovend en inefficiënt is. Alternatief vertrouwen operators vaak op gewichtgebaseerde schattingen, die een gebrek aan precisie vertonen. Er is behoefte aan een snelle, nauwkeurige en niet-invasieve methode om de kabellengte te schatten met behulp van toegankelijke hardware.

Methodologie
CableDex is een computer vision-systeem ontworpen om de kabellengte te schatten op basis van een enkele foto die is vastgelegd met een handheld mobiel apparaat. Het systeem werkt op een client-serverarchitectuur bestaande uit een Flutter mobiele applicatie, een Python/FastAPI backend en een externe API voor kabelspecificaties. De verwerkingspijplijn bestaat uit vier geïntegreerde modules:

Camera Kalibratie: Het systeem schat de intrinsieke matrix ( $K$ ) van de camera met behulp van Zhangs algoritme. Een gecentraliseerde database slaat kalibratieparameters op, geïndexeerd op smartphonemodel, om redundante kalibratie te voorkomen. Als een apparaat niet geregistreerd is, legt de gebruiker een korte video op van een schaakbordpatroon, waaruit de backend frames extraheert, hoeken detecteert met sub-pixel verfijning en de intrinsieke parameters berekent.
Instance Segmentatie: Een YOLO11s-model segmenteert de afbeelding om de has en de kabelregio's af te bakenen, wat resulteert in binaire maskers ( $B_{reel}$ en $B_{cable}$ ). Het model werd getraind op 1.000 handmatig geannoteerde afbeeldingen (geaugmenteerd naar 3.000) die vijf verschillende has-typen in diverse oriëntaties beslaan. Alleen detecties met een betrouwbaarheid boven de 0,85 worden verwerkt, waarbij het systeem de has en de kabel selecteert die het dichtst bij het midden van de afbeelding liggen.
Pose Estimatie en Geometrie Herstel: Met behulp van de segmentatiemaskers identificeert het systeem de vier uiterste hoekpunten van de has en de overeenkomstige dichtstbijzijnde punten op het kabelmasker. Deze 2D-punten, gecombineerd met bekende 3D-hasafmetingen, voeden een Perspective-n-Point (PnP) algoritme om de rotatiematrix ( $R$ ) en de translatievector ( $t$ ) van de has te herstellen. De kabelhoeken worden teruggeprojecteerd naar 3D-wereldcoördinaten om de bovenste radius ( $r_1$ ), onderste radius ( $r_2$ ) en hoogte ( $h$ ) van de kabelregio te bepalen.
Volumetrische Berekening: Het kabelvolume ( $V_{cable}$ ) wordt geschat met behulp van een formule voor een afgeplatte kegel, aangepast voor de luchtfractie tussen de circulaire kabelwindingen ( $\alpha \approx 0,215$ ):
$V_{cable} = \frac{\pi h}{3} (r_1^2 + r_1 r_2 + r_2^2) \times (1 - \alpha)$
De uiteindelijke lengte wordt afgeleid door het berekende volume te delen door de dwarsdoorsnede van de kabel, die wordt opgehaald via een scan van het etiket op de has.

Belangrijkste Bijdragen

End-to-End Pijplijn: Het artikel presenteert een volledige systeemflow van het scannen van het etiket en beeldopname tot segmentatie, pose estimatie en lengteberekening, geïmplementeerd via een mobiele applicatie.
Efficiënt Segmentatiemodel: De auteurs evalueerden vier YOLO11-varianten en Mask R-CNN, waarbij YOLO11s werd gekozen vanwege de optimale balans tussen snelheid en nauwkeurigheid. Het bereikt een mean Average Precision (mAP50) van 99,5% met een inferentietijd van 5,66 ms per afbeelding, wat aanzienlijk sneller is dan Mask R-CNN (33,57 ms) terwijl de nauwkeurigheid vergelijkbaar blijft.
Robuuste Kalibratiestrategie: Het systeem maakt gebruik van een databasegestuurde aanpak voor camera-kalibratie, waardoor gebruikers gebruik kunnen maken van vooraf berekende parameters voor specifieke toestelmodellen, wat de gebruikerservaring stroomlijnt.

Experimentele Resultaten
Het systeem werd geëvalueerd op 75 industriële hassen over vijf verschillende has-typen (NPS150, NPS250, NPS400, D600, D800) onder standaard fabriekslichtomstandigheden bij COFICAB Portugal.

Nauwkeurigheid: Het systeem behaalde een algehele Mean Absolute Percentage Error (MAPE) van 4,90%.
Tolerantie: Dit resultaat valt binnen de 10% fouttolerantie die algemeen wordt geaccepteerd bij industriële kabels-op-has metingen.
Consistentie: De prestatieanalyse gaf aan dat er geen significante correlatie is tussen de grootte van de has en de schattingsnauwkeurigheid. De auteurs schrijven de resterende fouten primair toe aan de omstandigheden van beeldverwerving, de kwaliteit van de segmentatie of variaties in de kabeldikte, in plaats aan de afmetingen van de has zelf.

Betekenis en Beperkingen
CableDex biedt een levensvatbaar alternatief voor handmatige meting en gewichtgebaseerde schatting, en vormt een duidelijk voordeel voor productieomgevingen door tijd te verminderen en nauwkeurigheid te vergroten. Het systeem demonstreert succesvol dat handheld apparaten complexe industriële metingen kunnen uitvoeren wanneer ze worden gecombineerd met computer vision.

De auteurs houden echter een bescheiden reikwijdte aan met betrekking tot de beperkingen van het systeem. De volumetrische schatting vertrouwt op een afgeplatte kegel-benadering, die uitgaat van een regelmatig wikkelpatroon. Het artikel merkt expliciet op dat kabels die losjes of onregelmatig gewikkeld zijn, kunnen afwijken van deze geometrische aanname, wat de schattingsnauwkeurigheid potentieel kan beïnvloeden. Het systeem claimt niet alle mogelijke wikkelonregelmatigheden aan te kunnen, maar richt zich op de standaard industriële use case.

De Magische App die Kabels Telt

Werkt het echt?

De Haken en Oorzaken en de Toekomst

Technische Samenvatting: CableDex

Meer zoals dit