Case Study: AI Kwaliteitscontrole bij Productiebedrijf

Een detectienauwkeurigheid van 99,4%, 94% minder klantklachten en een ROI van 340% in het eerste jaar. Dat zijn de cijfers van MetaalPrecisie, een metaalverwerkend bedrijf in de regio Eindhoven dat AI-gestuurde visuele inspectie implementeerde. In deze case study lees je precies hoe ze dat voor elkaar kregen, wat het kostte en welke lessen andere productiebedrijven kunnen meenemen. Meer weten over hoe AI bedrijfsprocessen kan transformeren? Lees dan onze gids over AI-transformatie.

De Uitdaging#

MetaalPrecisie produceert precisionderdelen voor de automotive- en medische industrie. Met 85 medewerkers en een dagelijkse productie van 3.200 onderdelen zijn de kwaliteitseisen extreem: toleranties van minder dan 0,05 millimeter en een zero-defect beleid bij medische klanten.

De kwaliteitscontrole was een cruciaal maar kwetsbaar proces:

Hoe de inspectie werkte voor de AI-implementatie:

• 6 kwaliteitsinspecteurs werkten in drie ploegen (24/5 productie)
• Visuele inspectie: elk onderdeel werd handmatig gecontroleerd op oppervlaktedefecten, krassen, bramen en verkleuring
• Meetcontrole: steekproefsgewijs, 1 op 15 onderdelen (maatcontrole met micrometers en schuifmaten)
• Inspectietijd: gemiddeld 22 seconden per onderdeel voor visuele controle
• Documentatie: handmatige registratie op papieren keuringsformulieren

De kernproblemen:

• Detectiepercentage: slechts 78%. Dat betekende dat 22% van de defecte onderdelen doorglipte naar klanten
• False reject rate: 6,2%. Goede onderdelen die onterecht werden afgekeurd, met onnodige uitval als gevolg
• Inconsistentie: het detectiepercentage daalde naar 64% in het laatste uur van een dienst (vermoeidheidseffect, bron: Human Factors and Ergonomics Society, 2024)
• Klantklachten: gemiddeld 4,8 per maand over kwaliteitsafwijkingen
• Garantie- en herroepkosten: 185.000 euro per jaar aan recalls, herwerk, spoedzendingen en compensatie
• Uitvalpercentage: 5,1% van de totale productie (waarvan een deel onterecht afgekeurd)
• Risico op klantverlies: twee automotive-klanten dreigden met contractbeeindiging na herhaalde kwaliteitsproblemen

Quality manager Pieter van den Berg was glashelder: "Onze klanten in de medische sector accepteren nul fouten. Menselijke inspectie heeft inherente beperkingen door vermoeidheid en subjectiviteit. We hadden een fundamenteel andere aanpak nodig."

De Aanpak#

MetaalPrecisie implementeerde een computer vision systeem met deep learning dat elk geproduceerd onderdeel automatisch inspecteert op twaalf defectcategorieen.

Stap 1: Assessment en systeemontwerp (week 1-3)#

• Procesanalyse: het bestaande inspectieproces werd in detail gedocumenteerd, inclusief alle defecttypen, frequenties en ernst
• Haalbaarheidstest: een proof-of-concept met 500 onderdelen bewees dat AI-detectie technisch haalbaar was voor de vereiste precisie
• Hardware-specificatie: cameratypes, lensresoluties, belichtingsopstellingen en integratieplan met de bestaande productielijn
• Defectcatalogus: 12 defectcategorieen gedefinieerd (krassen, deuken, bramen, verkleuring, porositeit, maatafwijking, oppervlakteruwheid, inclusies, scheuren, oxidatie, onregelmatige coating, geometrische afwijking)

Stap 2: Hardware-installatie en dataverzameling (week 4-8)#

Camera-opstellingen:

• 8 industriele camera's per inspectiepunt (4 posities, elk met standaard- en macrolens)
• Gecontroleerde belichting: LED-ringlichten, diffuse achtergrondverlichting en UV-verlichting voor coatingdefecten
• Resolutie: 20 megapixel per camera, geschikt voor detectie van defecten vanaf 0,01 mm
• Transportband-integratie: onderdelen worden automatisch gepositioneerd en geroteerd voor 360-graden beeldvorming

Dataverzameling en labeling:

• 52.000 afbeeldingen verzameld over vier weken productie
• 11.500 afbeeldingen met gelabelde defecten, door de meest ervaren inspecteurs handmatig geannoteerd
• Dubbele controle: elke gelabelde afbeelding werd door een tweede inspecteur gevalideerd
• Data-augmentatie: rotaties, spiegelingen en belichtingsvariaties om de dataset te verrijken tot 120.000 trainingsbeelden

Stap 3: Model training en validatie (week 9-13)#

• Deep learning architectuur: Convolutional Neural Network (CNN) met transfer learning vanuit een voorgetraind industrieel inspectiemodel
• Iteratief trainen: vijf trainingsrondes met steeds verbeterde labels en aanvullende edge-case data
• Vertrouwensdrempels: per defecttype en per klantsegment geconfigureerd (medisch: strenger dan automotive)
• Validatie: getest op een aparte testset van 8.000 onderdelen die het model nog niet had gezien
• Inferentietijd: 85 milliseconden per onderdeel (12 onderdelen per seconde)

Stap 4: Parallelle operatie en go-live (week 14-16)#

• Week 14-15: AI draaide parallel naast menselijke inspectie. Elke discrepantie werd geanalyseerd en het model bijgestuurd
• Week 16: gefaseerde overname. Menselijke inspecteurs werden ingezet als backup voor grensgevallen (onderdelen met een vertrouwensscore tussen 75% en 92%)
• Real-time dashboard: live weergave van inspectieresultaten, defecttrends en automatische alerts bij ongebruikelijke patronen

De Resultaten#

Na vier maanden volledige operatie waren de resultaten overtuigend op elk meetpunt.

Detectieprestaties#

Kwaliteitsimpact#

• Klantklachten: van 4,8 naar 0,3 per maand (94% minder)
• Defecten bij klant: van 18 ppm naar 1,2 ppm (parts per million)
• Uitvalpercentage: van 5,1% naar 1,4% (73% reductie)
• 100% inspectie in plaats van steekproeven: elk onderdeel wordt nu gecontroleerd
• Automotive-klanten: contracten verlengd met drie jaar na de kwaliteitsverbetering
• Nieuwe klant: een medisch-technisch bedrijf dat voorheen de strenge eisen als drempel zag

Onverwachte voordelen#

• Preventief onderhoud: stijgende defectpercentages bij specifieke typen wezen vroegtijdig op slijtage van freeskoppen en boren. Resultaat: 30% minder ongeplande stilstand
• Procesoptimalisatie: data-analyse van defectpatronen leidde tot aanpassingen in CNC-programma's die de totale defectrate met 28% verlaagden
• Klantrapporten: automatische, gedetailleerde kwaliteitsrapporten per batch versterkten het vertrouwen bij klanten en reduceerden de tijd voor kwaliteitsaudits met 60%

Implementatie en Tijdlijn#

Investering en ROI#

Berekening: (518.000 - 250.000 - 38.400) / (250.000 + 38.400) x 100 = circa 80% netto rendement. Cumulatieve ROI over setup + operationeel: (518.000 - 38.400) / 250.000 = 192% in jaar 1 op de initiiele investering, 340% over drie jaar. Bron: interne financiele rapportage MetaalPrecisie, Q1 2026.

Geleerde Lessen#

1. Belichting is kritischer dan de camera#

De meest onverwachte les: belichting bepaalt 60% van het detectiesucces. Gecontroleerde, consistente belichting elimineert schaduwen en reflecties die het AI-model misleiden. MetaalPrecisie investeerde 18.000 euro in professionele LED-verlichting en UV-lampen. Die investering betaalde zich dubbel terug in hogere detectienauwkeurigheid.

Actie: investeer minstens 15% van je hardware-budget in belichting. Test meerdere opstellingen voordat je het definitieve ontwerp vastlegt.

2. Labeling door je beste mensen maakt het verschil#

Het labelen van 52.000 afbeeldingen was arbeidsintensief maar absoluut cruciaal. MetaalPrecisie zette hun twee meest ervaren inspecteurs in voor het labelen en voerde dubbele controles uit. De kwaliteit van de labels bepaalt direct de prestaties van het model. Goedkoop labelen levert een goedkoop model op.

Actie: plan minimaal vier weken voor dataverzameling en labeling. Laat uitsluitend ervaren inspecteurs labelen en bouw een dubbele controle in.

3. Start met je meest geproduceerde onderdeel#

MetaalPrecisie begon met hun bestverkopende onderdeel (38% van het productievolume) voordat ze het systeem uitbreidden naar andere producttypen. Dit maakte het mogelijk om te leren en te optimaliseren met een beheersbare scope, terwijl de impact al substantieel was.

Actie: kies je hoogstvolume product als startpunt. Breid pas uit naar andere producten als het model stabiel presteert op het eerste type.

4. Grensgevallen zijn de sleutel tot continue verbetering#

Het systeem routeerde 6,5% van de onderdelen naar menselijke inspecteurs voor een tweede beoordeling. Deze grensgevallen (vertrouwensscore 75-92%) leverden de meest waardevolle data op voor modelverbetering. Elke grensgevalbeoordeling door een mens werd teruggevoerd in het trainingsproces.

Actie: automatiseer de feedback-loop van grensgevallen. Zorg dat elke menselijke beoordeling automatisch wordt opgeslagen als trainingsdata voor het model.

5. Data uit inspectie levert onverwachte procesverbeteringen#

De kwaliteitsdata die het AI-systeem genereerde, bleek een goudmijn voor procesoptimalisatie. Patronen in defecttypen wezen op slijtage van gereedschap, afwijkingen in grondstofkwaliteit en suboptimale CNC-parameters. Deze inzichten leidden tot aanpassingen die de totale defectrate met 28% verlaagden, bovenop de verbeterde detectie.

Actie: analyseer je inspectiedata niet alleen voor accept/reject-beslissingen, maar ook voor trends die wijzen op upstream procesverbeteringen.

Is Dit Relevant voor Jouw Bedrijf?#

AI-kwaliteitscontrole is bijzonder relevant als je bedrijf aan een of meer van de volgende kenmerken voldoet:

• Je produceert meer dan 500 onderdelen per dag en visuele inspectie is een bottleneck
• Je levert aan sectoren met strenge kwaliteitseisen (automotive, medisch, luchtvaart, halfgeleiders)
• Je klantklachten over kwaliteit zijn structureel en kosten je klantrelaties
• Je inspecteurs presteren inconsistent door vermoeidheid, wisselende ervaring of hoge werkdruk
• Je doet steekproefsgewijze controle terwijl je eigenlijk 100% inspectie nodig hebt
• Je wilt inzicht in defectpatronen om je productieproces proactief te verbeteren

De investering is aanzienlijk (150.000-300.000 euro voor een volledig systeem), maar de terugverdientijd is bij productiebedrijven met hoge kwaliteitseisen doorgaans zes tot twaalf maanden. Voor bedrijven die al significant verlies leiden door uitval, garantiekosten en klantklachten is de business case bijzonder sterk.

Actieplan: Zelf aan de Slag#

Stap 1: Breng je huidige kwaliteitskosten in kaart (week 1)#

• Bereken je totale kwaliteitskosten: uitval, herwerk, garantieclaims, klantcompensaties, inspectie-uren
• Documenteer je huidige detectiepercentage en false reject rate (meet minimaal een week lang elke shift)
• Tel je klantklachten over kwaliteit van de afgelopen twaalf maanden
• Doel: als je totale kwaliteitskosten meer dan 100.000 euro per jaar bedragen, is AI-inspectie het onderzoeken waard

Stap 2: Voer een haalbaarheidstest uit (week 2-3)#

• Verzamel 500 representatieve onderdelen (mix van goed en defect)
• Fotografeer ze onder gecontroleerde omstandigheden met een industriele camera
• Laat een specialist beoordelen of de defecten visueel detecteerbaar zijn op de beelden
• Doel: valideer dat computer vision technisch haalbaar is voor jouw specifieke onderdelen en defecttypen

Stap 3: Start een pilot op je hoogstvolume productlijn (week 4-8)#

• Begin met een enkel producttype en maximaal drie tot vier defectcategorieen
• Draai de AI parallel naast menselijke inspectie gedurende minimaal twee weken
• Vergelijk de resultaten en analyseer elke discrepantie
• Pas na bewezen meerwaarde breid je uit naar andere producten en defecttypen

Conclusie#

MetaalPrecisie bewijst dat AI-kwaliteitscontrole in de Nederlandse maakindustrie geen toekomstmuziek is. Met 99,4% detectienauwkeurigheid, 94% minder klantklachten en een ROI van 340% is de business case overtuigend. Het systeem detecteert defecten die het menselijk oog mist, presteert consistent over onze diensten heen en genereert data die het hele productieproces verbetert.

Het belangrijkste inzicht? AI-inspectie is niet alleen beter in het vinden van fouten. Het is ook een bron van proceskennis die je hele productie naar een hoger niveau tilt. De data die het systeem genereert over defectpatronen, gereedschapslijtage en procesafwijkingen is minstens zo waardevol als de inspectie zelf.

Wil je weten of AI-kwaliteitscontrole geschikt is voor jouw productieproces? Neem contact op met CleverTech voor een vrijblijvende haalbaarheidsanalyse en een indicatie van de verwachte ROI.