Hoe AI de
glasbreuktest revolutioneert

Glaskwaliteitscontrole vertrouwt al meer dan een halve eeuw op menselijke inspecteurs. Een getrainde technicus met een vergrootglas in de hand die piepkleine scherven één voor één telt — het was traag, saai en onvermijdelijk inconsistent. Kunstmatige intelligentie verandert dat allemaal.

Moderne computervisiesystemen kunnen een gebroken glasmonster in minder dan 10 seconden analyseren, elke scherf met submillimeternauwkeurigheid tellen en een normconform pdf-rapport genereren — zonder dat een mens een pen oppakt. Zo werkt het en waarom het ertoe doet.

Het kernprobleem: handmatig tellen schaalt niet

EN 12150 vereist dat fabrikanten na het breken van een glasmonster de scherven in een referentiegebied van 5×5 cm tellen. Op papier klinkt dat eenvoudig. In de praktijk kan één monster enkele honderden scherven bevatten, waarvan vele elkaar overlappen of aan de randen raken.

Hoe computervisie scherven telt

Het proces begint met beeldopname. Een camera van industriële kwaliteit — doorgaans 12 megapixel of meer — fotografeert het gebroken glasmonster onder gecontroleerde, gelijkmatige verlichting. Consistente verlichting is cruciaal: schaduwen en reflecties waren de belangrijkste bronnen van telfouten in vroege geautomatiseerde systemen.

1. Beeldvoorbewerking

Het ruwe beeld wordt voorbewerkt om de helderheid te normaliseren, de randen van de scherven te versterken en achtergrondruis te verwijderen. Contrastverbetering accentueert de grenzen tussen aangrenzende scherven, het rekenkundig moeilijkste deel van het probleem — twee scherven die langs een vlakke rand raken, kunnen voor een naïef algoritme als één object overkomen.

2. Instantiesegmentatie

Een deep-learningmodel — doorgaans een variant van Mask R-CNN of een speciaal getrainde segmentatiearchitectuur — herkent elke afzonderlijke scherf als een eigen object. In tegenstelling tot eenvoudige drempelmethoden leren neurale netwerken aangrenzende scherven te scheiden op basis van vormkromming, randgradiënten en contextuele kenmerken die zijn geleerd uit duizenden trainingsvoorbeelden.

3. Scherfclassificatie

Elke gedetecteerde scherf wordt geclassificeerd op grootte en vorm. EN 12150 vereist niet alleen een minimumaantal — de norm beperkt ook grote „splinters" die letsel kunnen veroorzaken. Het AI-model markeert alle scherven die de toegestane afmetingen overschrijden, zodat conformiteitsbeslissingen automatisch worden.

4. Selectie van de referentiezone

De norm vereist dat de worstcase-zone van 5×5 cm wordt getest — het gebied met de minste scherven. Het systeem scant automatisch het hele monster en identificeert deze zone, zodat de subjectieve keuze waar het telraster moet worden geplaatst vervalt.

Wat verandert er op de productievloer

De operationele impact gaat verder dan snelheid. Als testen 6 seconden duurt in plaats van 30 minuten, kunnen fabrikanten zich veroorloven meer monsters te testen — van statistische steekproeven naar bijna 100% inspectie op kritieke productlijnen. Problemen worden eerder ontdekt, herwerk neemt af en de kosten per conforme eenheid dalen.

Digitale integratie is even belangrijk. Resultaten stromen automatisch naar kwaliteitsmanagementdatabases, wat traceerbaarheid mogelijk maakt van de partij ruw glas tot het eindproduct. Bij een audit of klantklacht is het volledige breukdossier in enkele seconden doorzoekbaar.

De rol van meertalige rapportage

Glasfabrikanten leveren steeds vaker aan internationale markten. Een Duitse fabriek die autoglas levert aan fabrieken door heel Europa heeft rapporten nodig die kwaliteitsmanagers in meerdere landen tevredenstellen — in hun eigen taal en formaat. Geautomatiseerde systemen zoals Victus genereren conforme pdf-rapporten in het Turks, Engels, Duits, Frans, Italiaans en Spaans uit dezelfde testgegevens, met één druk op de knop.

Waar u op moet letten bij een geautomatiseerd systeem

Niet alle geautomatiseerde analysers zijn gelijk. Bij het beoordelen van systemen moeten fabrikanten controleren:

• Cameraresolutie: minimaal 12 MP voor betrouwbare scherfdetectie aan de kleine kant van de scherfgroottes volgens EN 12150.
• Lichtbeheersing: ingebouwde gecontroleerde verlichting, niet afhankelijk van omgevingslicht.
• Detectie van de slechtste zone: automatische identificatie van de zone met het minste aantal scherven, in plaats van handmatige plaatsing van het raster.
• Splinterdetectie: niet alleen tellen — vormclassificatie om te grote scherven op te sporen.
• Database-integratie: directe koppeling met MySQL, MSSQL of PostgreSQL zonder middleware.
• Rapportformaat: gestandaardiseerde pdf-uitvoer die aan de auditeisen voldoet.