Automatic Defect Detection and Intelligent Grading System for University Ceramics Integrating Computer Vision

In de wereld van de keramiek is de reis van ruwe klei naar een afgewerkte, glanzende plaat of tegel een delicate dans van hitte en chemie. De laatste stap, het bakken, transformeert het materiaal, maar introduceert ook een hardnekkige vijand: oppervlaktefouten. Kleine barsten, gevangen luchtbellen of subtiele kleurverschuivingen kunnen een stuk verruïneren, waardoor een potentieel meesterwerk verandert in schroot. Eeuwenlang was de enige manier om deze defecten te ontdekken het menselijk oog. Een deskundige inspecteur scant het oppervlak op zoek naar imperfecties die zo dun als een haar of zo klein als een speldenprik kunnen zijn. Deze methode is echter traag, vermoeiend en foutgevoelig. Vermoeidheid treedt op, ogen missen de fijnste details, en het oordeel over wat een "defect" vormt, kan van persoon tot persoon verschillen. In universiteitslaboratoria, waar studenten en onderzoekers kleine batches unieke, artistieke of experimentele keramiek vervaardigen, worden deze uitdagingen uitvergroot. De stukken zijn vaak uniek, de productieruns zijn klein en de behoefte aan precieze, reproduceerbare gegevens om onderwijs en onderzoek te sturen is groot.

Dit is waar het snijvlak van eeuwenoud ambacht en moderne technologie een nieuw pad biedt. Onderzoekers aan de Jingdezhen Ceramic University hebben een systeem ontwikkeld dat fungeert als een onvermoeibare, hypergeconcentreerde waarnemer voor deze keramische stukken. Door gespecialiseerde camera's te combineren met geavanceerde kunstmatige intelligentie, hebben ze een manier gecreëerd om te zien wat het menselijk oog vaak mist en om de kwaliteit van elk stuk met wiskundige consistentie te beoordelen. Het doel was niet om de kunstenaar te vervangen, maar om een betrouwbaar hulpmiddel te bieden dat de repetitieve, risicovolle taak van inspectie kan afhandelen, waardoor menselijke experts vrijkomen om zich te concentreren op de creatieve en educatieve aspecten van hun werk. Het resultaat is een systeem dat het onzichtbare ziet, het ontelbare telt en beslissingen neemt met een snelheid en nauwkeurigheid die de kwaliteitscontrole in een kleinschalige, academische setting transformeert.

De reis begint bij de camera zelf, die voor een unieke uitdaging staat: hetgeen dat keramiek juist mooi maakt—hun glanzende, glasachtige glazuur—is precies datgene wat inspectie moeilijk maakt. Wanneer licht een glanzend oppervlak raakt, kaatst het terug in een verblindende schittering, wat vaak de zeer barsten en bellen verbergt die het systeem probeert te vinden. Om dit op te lossen, hebben de onderzoekers een speciale verlichtingsopstelling ontworpen. Ze gebruikten een ring van lampen die gepolariseerd licht uitzendt, een specifiek type lichtgolf dat in één richting vibreert. Wanneer dit licht een glad, glanzend glazuur raakt, kaatst het terug zonder van richting te veranderen. Echter, wanneer het een defect zoals een barst of bubbel raakt, verstrooit het licht en verliest het zijn richting. Door een filter voor de camera te plaatsen dat de onveranderde, verblindende schittering blokkeert maar het verstrooide licht van de defecten doorlaat, creëert het systeem een helder, hoog-contrast beeld waarbij fouten scherp afsteken tegen de achtergrond. Het is alsof je een zonnebril draagt die de schittering van de zon blokkeert, maar je de details van het landschap eronder laat zien.

Zodra de camera dit heldere beeld heeft vastgelegd, moet de computer het opschonen. De beelden kunnen licht wazig of vervormd zijn door de trilling van de transportband of de beweging van lucht in het ovengebied. Het systeem gebruikt een geavanceerde digitale filter om de willekeurige ruis te verzachten zonder de scherpe randen van de defecten te vervagen. Vervolgens analyseert het de afbeelding op een manier die de regelmatige, herhalende patronen van de glazuurtextuur scheidt van de onregelmatige, chaotische patronen van een defect. Hierdoor kan de computer de natuurlijke korrel van de keramiek negeren en zich volledig richten op de gebreken. Het resultaat is een zuiver, verbeterd beeld dat klaar is voor de volgende fase: de kunstmatige intelligentie.

Het hart van het systeem is een deep learning-model, een type computerprogramma dat getraind is om patronen te herkennen. De onderzoekers kozen een krachtige architectuur bekend als YOLO, wat staat voor "You Only Look Once", omdat het objecten in een afbeelding bijna onmiddellijk kan detecteren. Standaardversies van dit model hadden echter moeite met de specifieke uitdagingen van keramiek, zoals de minuscule grootte van sommige bellen of de complexe vormen van barsten. Om dit op te lossen, voegde het team een speciale aandachtsmethode (attention mechanism) toe die de computer helpt zich te concentreren op de belangrijkste delen van de afbeelding, net zoals een mens zijn blik op een specifieke plek zou richten. Ze optimaliseerden ook de manier waarop het model naar de afbeelding kijkt op verschillende schalen, zodat het een klein gaatje even gemakkelijk kan opsporen als een lange, grillige barst.

Een aanzienlijke hindernis bij het trainen van een dergelijk systeem is het gebrek aan data. In een universitair laboratorium produceren ze misschien slechts enkele tientallen stukken tegelijk, en defecten zijn zeldzaam. Dit betekent dat er zeer weinig voorbeelden zijn van barsten of bellen waar de computer van kan leren. Om dit te overwinnen, gebruikten de onderzoekers een generatieve kunstmatige intelligentie-tool om duizenden realistische, synthetische afbeeldingen van defecten te maken. Dit zijn geen willekeurige tekeningen; het zijn hoogwaardige simulaties van barsten en bellen die eruitzien en zich gedragen als echte defecten, waardoor de hiaten in de trainingsdata worden opgevuld. Hierdoor kon het systeem leren van een uitgebreide bibliotheek aan voorbeelden, zelfs wanneer het fysieke lab slechts een klein aantal echte defecte stukken produceerde.

Zodra het systeem een defect heeft geïdentificeerd, moet het beslissen hoe ernstig het is. Hier komt het concept van "graderen" kijken. In plaats van alleen te zeggen "defect gevonden", berekent het systeem een ernstscore op basis van de grootte, vorm en locatie van de fout. Een lange, dunne barst wordt anders behandeld dan een kleine, ronde bel. Het systeem gebruikt een dynamische drempelwaarde, wat betekent dat het zijn standaarden aanpast op basis van de specifieke batch keramiek die wordt geïnspecteerd. Als de grondstoffen veranderen of de bakcondities licht verschuiven, kalibreert het systeem zijn definitie van wat acceptabel is opnieuw, zodat de beoordeling eerlijk en consistent blijft, ongeacht externe veranderingen. Deze dynamische aanpak bleek veel nauwkeuriger dan het gebruik van een vaste, onveranderlijke regel, die vaak tot fouten leidt wanneer de omstandigheden variëren.

Het hele proces vindt plaats in een fractie van een seconde. Het systeem werd getest op een transportband die beweegt met een tempo van ongeveer 30 stukken per minuut, een snelheid die beheersbaar is voor een universitair lab maar onmogelijk voor een menselijke inspecteur om gedurende een lange dienst met hoge nauwkeurigheid vol te houden. De onderzoekers testten het systeem op 360 verschillende stukken, waaronder platte tegels, serviesgoed en zelfs kunstwerken met lage reliëfs en verhoogde patronen. De resultaten waren opmerkelijk. Het systeem detecteerde defecten met een nauwkeurigheid van bijna 90 procent, wat de prestaties van menselijke inspecteurs, die ongeveer 12 procent van de zichtbare fouten misten, ruim overtrof. Het geautomatiseerde systeem verminderde het aantal gemiste detecties tot net onder de 3 procent. Bovendien kon het het type defect classificeren en een graad toekennen met meer dan 91 procent nauwkeurigheid, wat overeenkwam met de consensus van drie onafhankelijke menselijke experts.

Het systeem bewees ook zijn waarde in de echte wereld van het laboratorium. Het werd geïntegreerd in een workflow waarbij het niet alleen de stukken inspecteerde, maar ook de gegevens naar een centrale computer stuurde. Deze gegevens werden gebruikt om rapporten te genereren die lieten zien waar defecten optraden en hoe vaak. Door deze gegevens te analyseren, konden de onderzoekers een verborgen patroon ontdekken: de snelheid waarmee de oven opwarmde, was direct gekoppeld aan het aantal bellen dat in het eindproduct verscheen. Dit inzicht stelde hen in staat om het bakproces aan te passen, waardoor het aantal bellen in de volgende batches met bijna een derde werd verminderd. Deze gesloten lus van inspectie en procesverbetering is de ware kracht van het systeem; het vindt niet alleen de slechte stukken, het helpt ook te voorkomen dat ze überhaupt worden gemaakt.

Er zijn natuurlijk grenzen aan wat dit 2D-visionsysteem kan doen. Wanneer het keramische stuk een complexe, driedimensionale vorm heeft met diepe groeven of verhoogde reliëfs, heeft het systeem soms moeite. Schaduwen die door de verhoogde delen worden geworpen, kunnen door de camera als barsten worden gezien, wat leidt tot een iets lagere nauwkeurigheid voor deze artistieke stukken. De onderzoekers erkennen dit en suggereren dat toekomstige versies 3D-scantechnologie kunnen gebruiken om om de hoeken en in de schaduwen te kijken, waardoor de kloof voor zelfs de meest complexe vormen wordt overbrugd. Voor nu vertegenwoordigt het systeem echter een grote sprong voorwaarts voor de universitaire keramiek. Het biedt een manier om de kleine, diverse en hoogwaardige batches die typerend zijn voor academische en artistieke productie te beheren met een niveau van precisie en snelheid dat voorheen onbereikbaar was.

Uiteindelijk gaat dit werk over meer dan alleen het vangen van barsten. Het gaat over het behouden van de integriteit van het ambacht terwijl men de instrumenten van de toekomst omarmt. Door de tijdrovende en foutgevoelige taak van inspectie te automatiseren, stelt het systeem de menselijke experts in het universiteitslab in staat om zich te concentreren op waar zij het beste in zijn: lesgeven, creëren en de grenzen verleggen van wat mogelijk is met klei en vuur. De technologie vervangt de kunstenaar niet; zij ondersteunt hem, met de zekerheid dat het eindproduct zo perfect is als de visie die het heeft voortgebracht. Het systeem staat als een testament voor de kracht van het combineren van gespecialiseerde optica, geavanceerde kunstmatige intelligentie en een diep begrip van het materiaal om een probleem op te lossen dat pottenbakkers al eeuwenlang teistert.