AI Vision Quality Control

Tijdens een professionele opdracht werd voor een geanonimiseerde productieorganisatie een YOLO-gebaseerd computervisiemodel gerealiseerd. Binnen 5A Technologies bouwen we voort op de opgebouwde computervisie-expertise. Het model kon objecten in aangeleverde beelden en videoframes lokaliseren en visueel markeren als conform of afwijkend.

De realisatie omvatte de validatie en voorbereiding van de dataset, beeldannotatie, lokale modeltraining, evaluatie en technische overdracht. De camera's, opname-infrastructuur en uiteindelijke productie-integratie vielen buiten deze scope.

• Context: visuele kwaliteitscontrole binnen een geanonimiseerde productieomgeving
• Project: professionele machine-learningrealisatie
• Status: afgerond en technisch overgedragen
• Rol van 5A Technologies: voortbouwen op expertise in datasetvalidatie, beeldannotatie, lokale YOLO-training, evaluatie en overdracht
• Kernprincipes: gecontroleerde data, menselijke validatie en iteratieve modelverbetering

Belangrijk ontwerpprincipe
De modelkwaliteit hing niet alleen af van training, maar ook van handmatig gevalideerde beelden, consistente annotaties en gerichte feedback op foutieve of onzekere detecties.

Een computervisiemodel leert alleen wat in de trainingsdata zichtbaar en correct gelabeld is. De aangeleverde beeldverzameling moest daarom eerst bruikbaar, consistent en representatief worden gemaakt voordat betrouwbare modelontwikkeling mogelijk was.

De belangrijkste aandachtspunten waren:

• onbruikbare, dubbele of onduidelijke beelden herkennen;
• conforme en afwijkende objecten consequent annoteren;
• trainings-, validatie- en testgegevens van elkaar scheiden;
• foutpositieven, foutnegatieven en onzekere detecties gericht onderzoeken;
• feedback vertalen naar verbeterde labels en een nieuwe trainingscyclus.

Beelden valideren

De aangeleverde beeldverzameling werd eerst beoordeeld en opgeschoond. Onbruikbare, dubbele en onduidelijke beelden werden gefilterd voordat ze de modelcyclus ingingen.

Objecten annoteren

Relevante objecten kregen handmatig gevalideerde bounding boxes en labels. Daarna werd de dataset opgesplitst in afzonderlijke trainings-, validatie- en testgegevens.

Lokaal trainen

Een YOLO-gebaseerd model werd lokaal getraind om objecten in de aangeleverde beelden te lokaliseren en als conform of afwijkend in te delen.

Detecties evalueren en bijsturen

Na elke modelkandidaat werden foutieve, gemiste en onzekere detecties opnieuw bekeken. Wanneer correcties nodig waren, werden labels of trainingsinstellingen bijgestuurd en volgde een nieuwe trainings- en validatiecyclus.

1. Een andere partij leverde de productiebeelden aan.
2. Onbruikbare, dubbele en onduidelijke beelden werden uit de dataset gefilterd.
3. Relevante objecten kregen handmatig gevalideerde bounding boxes en labels.
4. De dataset werd opgesplitst in afzonderlijke trainings-, validatie- en testgegevens.
5. Een YOLO-gebaseerd model werd lokaal getraind om objecten te lokaliseren en in te delen.
6. Foutieve, onzekere en gemiste detecties werden op validatie- en testbeelden onderzocht.
7. Gecorrigeerde labels en gebruikersfeedback stuurden waar nodig een nieuwe trainingscyclus aan.
8. De gekozen modelversie werd op foto's en videoframes getest en technisch overgedragen voor verdere integratie.

De modeloutput maakte per detectie zichtbaar:

• waar een object zich in het beeld bevond via een bounding box;
• of het object als conform of afwijkend werd ingedeeld;
• welke confidencewaarde bij de detectie hoorde;
• welke objecten of zones verdere menselijke beoordeling nodig hadden.

Deze output ondersteunde de evaluatie van het model. Er worden geen exacte accuracy-, precision-, recall- of mAP-resultaten als publiek projectfeit geclaimd.

Bevestigde kern

• YOLO-gebaseerde objectdetectie: objecten lokaliseren en indelen in aangeleverde beelden;
• lokale modeltraining: trainings- en validatiecycli lokaal uitvoeren;
• menselijke datasetvalidatie: beelden en annotaties controleren voordat ze de modelcyclus ingingen;
• iteratieve foutanalyse: foutpositieven, foutnegatieven en onzekere detecties gebruiken om labels en instellingen bij te sturen;
• foto- en videoframes: de gekozen modelversie op stilstaande en bewegende beeldinput controleren.

Historische technische reconstructie

De exacte historische softwareversies en volledige toolchain zijn niet meer bevestigd. Een plausibele technische opzet gebruikte Python, een Ultralytics YOLO- of PyTorch-omgeving, CVAT voor annotatie, OpenCV voor beeld- en videoinvoer en een lokale NVIDIA-GPU met CUDA voor training.

Deze componenten beschrijven een technische reconstructie, geen afzonderlijk bevestigd product- of versiecontract. Ook precision, recall, mAP, foutpositieven en foutnegatieven zijn relevante evaluatiebegrippen, maar zonder het oorspronkelijke rapport worden geen exacte meetwaarden gepubliceerd.

Menselijke beoordeling bleef een actief onderdeel van de modelcyclus. Verkeerde labels, gemiste objecten en onzekere detecties konden worden gecorrigeerd voordat het model opnieuw werd getraind.

De workflow was daardoor geen eenmalige rechte lijn. Feedback kon terugvloeien naar de dataset en een nieuwe training starten, waarna opnieuw op afzonderlijke validatie- en testbeelden werd gecontroleerd.

Binnen 5A Technologies bouwen we voort op ervaring met:

• het beoordelen en opschonen van de aangeleverde beeldverzameling;
• het valideren en annoteren van relevante objecten;
• het structureren van trainings-, validatie- en testgegevens;
• het lokaal trainen van het YOLO-gebaseerde model;
• het evalueren van foutieve en onzekere detecties;
• het verwerken van gebruikersfeedback in nieuwe modelcycli;
• het testen van de gekozen modelversie op foto's en videoframes;
• het technisch overdragen van het modelartefact en de inferenceconfiguratie.

Het project leverde een technisch overdraagbaar computervisiemodel op dat objecten in aangeleverde beelden en videoframes kon lokaliseren en visueel als conform of afwijkend kon markeren.

De combinatie van gecontroleerde annotaties, lokale training en menselijke feedback maakte het mogelijk om modelkandidaten gericht te beoordelen en bij te sturen voordat een finale versie aan een andere partij werd overgedragen.

De publieke projectbeschrijving bewaakt door de NDA en de afgebakende opdracht de volgende grenzen:

• de klant, het materiaal, het productieproces en de defecttypes worden niet benoemd;
• de oorspronkelijke beelden worden niet getoond;
• de camera's en opname-infrastructuur vallen buiten de gerealiseerde scope;
• de finale productie-integratie wordt niet als realisatie van 5A Technologies geclaimd;
• er worden geen exacte datasetomvang of modelversie gepubliceerd;
• accuracy, precision, recall, mAP, foutpercentage, vergelijking met menselijke inspectie en operationeel productieresultaat worden niet als bevestigde resultaten voorgesteld.

Dit project laat zien hoe een computervisie-oplossing:

• datasetkwaliteit als voorwaarde voor modelontwikkeling behandelt;
• menselijke validatie in annotatie en foutanalyse verankert;
• trainings-, validatie- en testgegevens bewust van elkaar scheidt;
• feedback gebruikt om labels, instellingen en nieuwe trainingscycli gericht bij te sturen;
• een model technisch overdraagt zonder onbevestigde productie- of prestatieclaims toe te voegen.