Computer vision op de verpakkingslijn: hoe betrouwbaar is AI-afkeurclassificatie echt?

Wat een camera op de lijn werkelijk ziet

Een vision-systeem bestaat uit een camera, belichting en een model dat elke passerende eenheid vergelijkt met wat het geleerd heeft te herkennen. Het kan daardoor alleen signaleren wat op dat ene punt in de lijn, vanuit die ene hoek, een zichtbaar spoor achterlaat. Dat is een beperking en tegelijk een verduidelijking: het maakt vooraf te bepalen welke afwijkingen realistisch binnen bereik liggen.

• Etikettering: is er een etiket, zit het recht, en is het het juiste etiket voor dit artikel en deze verpakking.
• Codering: is de THT- of lotcodering aangebracht, volledig en leesbaar, en staat er de code die er hoort te staan.
• Sluiting: zit de dop, het deksel of de seal op de juiste positie, en ligt er product of vuil in het sluitvlak.
• Vulling en vorm: vulhoogte bij een doorzichtige verpakking, deuken, scheuren, vervorming of een duidelijke kleurafwijking.
• Compleetheid: het aantal eenheden in een tray, een omdoos of een multipack.

En vooral: wat een camera niet ziet

Even belangrijk is de andere lijst. Microbiologische besmetting, een vreemd voorwerp binnen in het product, de chemische samenstelling, allergene kruisbesmetting die geen zichtbaar spoor nalaat, de temperatuurhistorie van een partij, smaak en geur: niets daarvan komt in beeld. Vision vervangt daarom geen metaaldetectie of röntgeninspectie, en het is geen alternatief voor de beheersmaatregelen die u voor die gevaren al heeft ingericht.

Er is nog een subtielere grens. Een afwijking aan de onderkant van de verpakking, aan een zijde die de camera niet ziet, of op een moment dat het product al voorbij het inspectiepunt is, bestaat voor het systeem eenvoudigweg niet. Bij het beoordelen van een offerte is de vraag welke gevaren en afwijkingen buiten het gezichtsveld vallen minstens zo belangrijk als de vraag wat het systeem allemaal kan herkennen.

Vision naast de menselijke lijninspecteur, niet in plaats van

De vergelijking met een ervaren lijninspecteur valt niet eenduidig uit, en juist dat is bruikbaar. Een mens generaliseert: iemand die iets ziet wat hij nog nooit is tegengekomen, merkt dat het niet klopt en trekt aan de bel. Een mens gebruikt bovendien context, zoals het gegeven dat er net een storing was of dat een bepaalde partij folie zich anders gedraagt. Daar staan bekende zwaktes tegenover: het oordeel verschilt tussen medewerkers en tussen ploegen, de aandacht neemt af naarmate een dienst vordert, en bij lijnsnelheid is volledige inspectie van elke eenheid geen realistische opdracht.

Een vision-systeem is precies andersom. Het beoordeelt consistent, wordt niet moe, kijkt naar elke eenheid in plaats van naar een steekproef, en legt vast wat het zag. Maar het herkent alleen de afwijkingscategorieën waarop het getraind is, het kent uw context niet, en het faalt stil: het meldt niet dat het iets niet begrijpt, het geeft een onbekende afwijking gewoon het oordeel goed. Dat laatste is het belangrijkste verschil met een mens en de reden dat het systeem toezicht nodig blijft houden.

De verstandige rolverdeling volgt daaruit vanzelf. De camera doet de repeterende, volledige controle op scherp omschreven en bekende afwijkingen. De mens beoordeelt wat wordt gemarkeerd, houdt de ogen open voor het onbekende, en beslist en tekent. Dat is dezelfde verdeling die HACCP en FSSC 22000 al van u vragen, en het is ook de verdeling die in de teelt houdbaar blijkt bij vision-sortering na de oogst.

Twee soorten fouten, met zeer ongelijke kosten

Een afkeursysteem kan op twee manieren fout zitten, en die twee fouten kosten iets heel verschillends. Een false reject is een goede eenheid die wordt afgekeurd. Dat kost derving, een lagere bezettingsgraad van de lijn en tijd voor herinspectie. Er is nog een indirecte kostenpost die zwaarder weegt dan de meeste bedrijven vooraf inschatten: als de lijn te vaak onterecht afkeurt, gaan operators de gevoeligheid terugdraaien of het systeem overbruggen. Een te streng afgesteld systeem eindigt in de praktijk vaak als een uitgeschakeld systeem.

Een false accept is het omgekeerde: een afwijkende eenheid die wordt goedgekeurd en doorloopt naar de klant. Dat kost een klacht, een geblokkeerde pallet, in het slechtste geval een terugroepactie en het vertrouwen dat daarbij sneuvelt. De NVWA publiceert veiligheidswaarschuwingen van bedrijven over onveilige levensmiddelen en consumentenproducten; dat is de route waarlangs zo'n actie publiek wordt.

Omdat de kosten zo ongelijk zijn, bestaat er geen enkele juiste instelling. Er bestaat een gekozen werkpunt, en die keuze is een directie- en kwaliteitsbeslissing, geen technische. Bovendien mag het werkpunt per afwijkingscategorie verschillen: een doorgelaten deuk in een omdoos is iets anders dan een doorgelaten verkeerd etiket. Op dat etiket staat namelijk de allergeneninformatie die Verordening (EU) nr. 1169/2011 verplicht stelt, zodat een verkeerd etiket betekent dat wettelijk verplichte informatie ontbreekt of niet klopt. Leg vast wie welk werkpunt heeft gekozen en op welke grond, want dat is precies wat een auditor later wil kunnen volgen.

Waarom een hoge nauwkeurigheid weinig zegt over afkeurclassificatie

Nauwkeurigheid is bij afkeurclassificatie een misleidend getal, om een eenvoudige rekenkundige reden: afkeur is zeldzaam. Als slechts een fractie van uw productie afwijkt, haalt een systeem dat alles goedkeurt al een indrukwekkend nauwkeurigheidspercentage, terwijl het geen enkel probleem tegenhoudt. Eén samengesteld cijfer verbergt precies de informatie waar het om draait. Vraag daarom altijd naar de twee percentages apart, en per afwijkingscategorie.

Bij het beoordelen van een leverancier is dit het lijstje dat het verschil maakt tussen een verkoopcijfer en een meting:

• Op welke dataset is dit gemeten: op uw product en uw verpakking, of op een demoset van de leverancier?
• Hoeveel eenheden per afwijkingscategorie zaten in de test, en hoeveel daarvan hoorden bij de zeldzame categorieën die er het meest toe doen?
• Wat waren het false-reject- en het false-accept-percentage afzonderlijk, per categorie, in plaats van één samengevoegd getal?
• Bij welke instelling is dat gemeten, en hoe bewegen beide percentages als u die instelling strenger of soepeler zet?
• Wat doet het systeem met een afwijking die het nooit eerder heeft gezien, en is dat zichtbaar of gaat het stil goed?
• Is er gemeten op uw lijnsnelheid, met uw verpakkingsmateriaal en uw belichting, of onder laboratoriumomstandigheden?

Hoe u het percentage zelf valideert

Een betrouwbaar percentage komt niet uit een brochure maar uit een meting op uw eigen lijn. Die meting kent een vaste volgorde, en het overslaan van de eerste stap maakt alle volgende stappen waardeloos.

• Leg eerst de norm vast. Wat telt als afkeur, in woorden en in voorbeeldbeelden, afgestemd tussen kwaliteit, productie en de specificatie van uw afnemer. Zonder afgesproken norm meet u onenigheid, geen prestatie.
• Bepaal het menselijke plafond. Laat twee inspecteurs onafhankelijk dezelfde set beoordelen. Waar zij het onderling oneens zijn, kan ook een model niet aantoonbaar gelijk hebben; die spreiding is uw realistische bovengrens en meteen uw nulmeting.
• Bouw een onafhankelijke validatieset. Echte productie-eenheden, verspreid over ploegen, leveranciers, verpakkingspartijen en lijnen, met de zeldzame afwijkingscategorieën bewust oververtegenwoordigd, en strikt gescheiden van het materiaal waarop het model is getraind.
• Doe een uitdagingstest. Voer bewust bekende afwijkende eenheden op lijnsnelheid in en registreer wat het systeem ermee doet, zoals u de metaaldetector al periodiek verifieert met testblokjes. Dit levert uw false-accept-percentage per categorie.
• Herinspecteer de goedgekeurde stroom. Neem periodiek een steekproef uit wat het systeem heeft goedgekeurd en beoordeel die handmatig. Doorlaters vindt u nooit in de afkeurbak, alleen in wat door mocht.
• Rapporteer per categorie in aantallen, niet in één percentage: hoeveel eenheden beoordeeld, hoeveel onterecht afgekeurd, hoeveel onterecht doorgelaten.

Eenmalig valideren is niet valideren

Een vision-systeem dat vandaag klopt, kan volgende maand stilletjes zijn afgedreven. De oorzaken zijn zelden spectaculair: een nieuwe folieleverancier met een andere glans, een aangepast etiketontwerp, een lamp die veroudert, een camera die na een reinigingsronde net iets anders staat, een receptuurwijziging die de kleur verandert. Het model meldt dat niet. Het blijft met dezelfde stelligheid oordelen, alleen op grond van beelden die niet meer lijken op waarop het is getraind.

Daarom hoort herverificatie in uw wijzigingsbeheer thuis, net als bij elke andere beheersmaatregel. Een wijziging in verpakkingsmateriaal, etiket, belichting, camerapositie of receptuur is een aanleiding om opnieuw te verifiëren voordat u vrijgeeft.

• Volg het afkeurpercentage per lijn en per ploeg als een regelkaart. Een plotselinge daling is even verdacht als een piek: een camera die niets meer ziet, keurt ook niets meer af.
• Houd de steekproef op de goedgekeurde stroom op een vaste frequentie aan, ook als er niets aan de hand lijkt.
• Registreer elke wijziging in de instelling: wie heeft de gevoeligheid aangepast, wanneer en waarom. Een drempel die tijdens een drukke dienst stil wordt teruggedraaid, is de meest voorkomende manier waarop een gevalideerd systeem ophoudt te werken.
• Bewaar de beelden van de afkeur en van een steekproef uit de goedkeur, zodat een oordeel achteraf te reconstrueren is en niet alleen als uitkomst in een logregel staat.
• Leg vast wat er gebeurt als het systeem uitvalt of de verificatie niet haalt: lijn stoppen, terug naar volledige handmatige inspectie, en blokkeren en herbeoordelen vanaf de laatste geslaagde verificatie.

Waar dit in uw HACCP-plan en onder de AI-verordening staat

Bepaal expliciet welke status de vision-controle in uw voedselveiligheidssysteem heeft: is het een kritiek beheerspunt, een operationeel basisvoorwaardenprogramma of een verificatiestap. Voor een cosmetische controle is dat een formaliteit, voor een etiket- en allergenencontrole beslist niet. Neem de beslissing schriftelijk, met de onderbouwing erbij, en zorg dat de registratie aansluit op de traceerbaarheids- en kwaliteitsdata die u toch al bijhoudt. Een auditor accepteert een herleidbare beoordeling, geen zwarte doos.

Onder de EU AI-verordening is een camerasysteem dat kwaliteit sorteert doorgaans geen hoog-risicosysteem in de zin van bijlage III. Artikel 6, lid 1 van Verordening (EU) 2024/1689 stelt daarnaast twee voorwaarden naast elkaar, en beide moeten zijn vervuld. De eerste: is het AI-onderdeel een veiligheidscomponent van een product dat onder de harmonisatiewetgeving van bijlage I bij die verordening valt, waaronder de machineverordening (EU) 2023/1230 die vanaf 20 januari 2027 van toepassing is? De tweede: moet dat product op grond van diezelfde wetgeving een conformiteitsbeoordeling door een derde partij ondergaan? Pas als het antwoord op beide vragen ja is, komt u in het hoog-risicospoor terecht. Veel machines mogen onder de machineverordening zelf verklaren dat zij aan de eisen voldoen, dus met een bevestigend antwoord op alleen de eerste vraag is de classificatie nog niet beslist.

Voor de meeste verpakkingslijnen valt dat antwoord ontkennend uit: een camera die uitsluitend afkeurt en uitstoot is normaal gesproken geen veiligheidscomponent, terwijl een camera die de machine stillegt ter bescherming van de operator een ander verhaal is. De zware eisen voor AI in gereguleerde producten gelden bovendien pas later. De classificatievraag beantwoordt u niettemin vandaag, en schriftelijk, want een auditor wil kunnen zien op welke grond u tot uw conclusie kwam.

Wat al wel geldt, is artikel 4: sinds 2 februari 2025 moeten organisaties zorgen voor voldoende AI-geletterdheid bij medewerkers die met AI-systemen werken. Voor de operator die de drempel bijstelt en de kwaliteitsmedewerker die de afkeur beoordeelt, betekent dat begrijpen hoe het model tot een oordeel komt, waar de aannames en grenzen liggen, en wanneer een uitkomst handmatig moet worden gecorrigeerd. Let ten slotte op één punt dat makkelijk over het hoofd wordt gezien: komen handen of gezichten van medewerkers in beeld, dan zijn de opnamen persoonsgegevens. Spreek af wat u bewaart, hoe lang, en wie erbij kan.

Waar u praktisch begint

Begin niet met een offertetraject voor de hele fabriek, maar met één afwijkingscategorie op één lijn, waar handmatige inspectie nu de meeste tijd kost of het grootste risico draagt. Dat is vaak dezelfde plek waar de krappe arbeidsmarkt in de voedingsindustrie het hardst voelbaar is: een controlestap die onder druk komt zodra de bezetting tegenzit. Schrijf voor die ene categorie de norm uit, met voorbeeldbeelden erbij, en laat kwaliteit en productie er samen op tekenen.

Leg daarna vast hoe het nu gaat: hoeveel eenheden worden beoordeeld, door wie, op welke frequentie, welk deel wordt nu afgekeurd, en hoeveel klachten over dit type afwijking komen er van klanten terug. Dat is uw nulmeting, en zonder die nulmeting is een leveranciersproef niet eerlijk te beoordelen. Onze gratis Praktijk Scan helpt die eerste categorie te kiezen en de nulmeting scherp te krijgen, zodat een investering in vision op uw eigen cijfers berust en niet op een percentage uit een presentatie.