Bij station 3 wordt het aanbrengen van koelpasta op een EV-batterijcel overgeslagen. Het werkstuk komt door de visuele controle. De module wordt bij station 4 verzegeld, bij station 5 bedraad en bij station 6 getest. Station 7 geeft een kwaliteitswaarschuwing. Op dat moment is de correctie geen kwestie van 30 seconden opnieuw aanbrengen meer. De verzegelde module moet uit elkaar worden gehaald, met risico op blootstelling aan chemicaliën en het afkeuren van de hele eenheid. Vier stations aan arbeid verspild aan een assemblagefout die bij de bron niets had gekost om te herstellen. Dat is het structurele probleem van inspectie aan de assemblagelijn die te laat ingrijpt.
AI voor inspectie aan de assemblagelijn controleert elke bouwstap in realtime aan de hand van een digitale SOP. Hierdoor worden ontbrekende onderdelen, verkeerde varianten en overgeslagen processtappen gedetecteerd op het station waar ze plaatsvinden — voordat fouten zich stroomafwaarts verplaatsen en leiden tot rework, uitval en productiestops. Nagare van Jidoka Technologies levert dit aan de edge, zonder nieuwe camerahardware.
De wereldwijde markt voor machine vision bereikte in 2024 een waarde van 16,7 miljard dollar, met een jaarlijkse groei van 8 tot 12%, waarbij de automobielsector 49% van dat volume voor zijn rekening neemt (Qualitas Technologies, 2026). Dit artikel is bedoeld voor fabrieksmanagers die al weten wat inspectie aan de assemblagelijn inhoudt en willen begrijpen waar AI de fouten detecteert die hun huidige systeem mist.
Wat inspectie aan de assemblagelijn in 2026 werkelijk betekent
Inspectie aan de assemblagelijn is de systematische verificatie dat elke eenheid, subassemblage of kit in elke fase van het productieproces volgens specificatie is gebouwd. Het omvat de aanwezigheid van onderdelen, de identiteit van onderdelen, de naleving van de volgorde en de maatnauwkeurigheid. Het doel is niet om defecten te vinden nadat ze zijn ontstaan; het is om ze te stoppen voordat ze verergeren.
Er zijn momenteel drie inspectieregimes actief op productielijnen. Handmatige visuele en tactiele inspectie bereikt onder optimale omstandigheden een nauwkeurigheid van 80 tot 85% (Softwebsolutions, 2026). Dat betekent dat op een goede dag één op de zes fouten onopgemerkt het station verlaat. Traditionele regelgebaseerde machine vision verbetert de nauwkeurigheid voor vooraf gedefinieerde defecttypen, maar is kwetsbaar voor productvariaties of foutmodi waarvoor de regels niet zijn geschreven. AI-gebaseerde procesverificatie leert van voorbeelden, kan omgaan met productvarianten en bewaakt de actievolgorde van de operator, niet alleen het uiterlijk van het eindproduct.
Het onderscheid in 2026 is de inferentiesnelheid. AI-inferentie van minder dan 100 ms draait nu op lijnsnelheid, waardoor 100% inline dekking haalbaar is waar voorheen steekproeven en offline inspectie de enige praktische opties waren (Unitx Labs, 2026). Professionals in dit vakgebied hanteren een gemeenschappelijke woordenschat: inline inspectie, end-of-line verificatie-AI, kitting-inspectie, assemblageverificatie, procesnalevingsmonitoring en detectie van assemblagefouten. Dit zijn afzonderlijke concepten; het door elkaar halen ervan leidt tot hiaten.
"Inspectie aan de assemblagelijn betekent in 2026 het proces verifiëren, niet alleen het onderdeel — een overgeslagen aandraaistap of ontbrekend onderdeel detecteren op het station waar het werk plaatsvindt, niet op het station waar het defect aan het licht komt." — Jidoka Technologies
Waarom assemblagefouten aan de lijn meer kosten naarmate ze verder stroomafwaarts reizen
Een defect dat bij het bronstation wordt gedetecteerd, vereist correctieve actie op één eenheid bij één station. Hetzelfde defect dat twee stations verderop wordt ontdekt, vereist demontage van alles wat na de fout is gebouwd, rework van de oorspronkelijke fout en opnieuw assembleren. De arbeid van elk stroomafwaarts station wordt dubbel in rekening gebracht voor één defecte eenheid. De meeste fabrikanten berekenen dit niet expliciet, en het verschijnt als een chronisch rework-budget waar niemand verantwoordelijk voor is.
Fabrikanten besteden gemiddeld 2,2% van hun jaaromzet aan uitval en rework (Ease.io, 2026). Voor een fabrikant met een omzet van 50 miljoen dollar is dat 1,1 miljoen dollar per jaar. Het grootste deel van dat bedrag komt voort uit fouten die laat zijn ontdekt, niet uit fouten die bij de bron structureel niet te corrigeren waren.
Het missingspercentage van 34% vertelt de rest van het verhaal. Studies wijzen uit dat ongeveer 34% van de fabricagefouten wordt gemist door inspectiesystemen (Micromachines, 2023, geciteerd via Edge AI and Vision Alliance). Dat cijfer weerspiegelt een ontwerpfout, geen technologische fout. Inspectiesystemen die zijn ontworpen om defecten te detecteren nadat ze zijn opgetreden, kunnen ze niet bij de bron voorkomen.
Denk aan een scheur in een betonnen muur. Een bouwer die het tijdens het storten opmerkt, vult het in 10 minuten. Dezelfde scheur die wordt gevonden nadat het dak erop zit, kost een structurele beoordeling, een gedeeltelijke afbraak en weken vertraging. Het defect werd niet moeilijker om te repareren. Het raakte begraven onder meer werk.
[EMBED: ROI Calculator widget here — reader inputs their annual revenue and scrap rate, calculator surfaces their estimated rework spend and Nagare recovery figure]
Waar assemblage-inspectie faalt en wat Nagare oplost
Traditionele end-of-line verificatie controleert het eindproduct bij een vaste inspectiepoort. Het ziet de fysieke output. Het ziet niet wat de operator deed voordat het onderdeel de inspectie bereikte. Dit onderscheid is de reden waarom ontsnapte fouten op de meeste productielijnen systematisch worden onderschat. Loop door elke faciliteit die vertrouwt op EOL als primaire kwaliteitscontrole, en je zult hetzelfde patroon zien: de defectpercentages van eindproducten lijken laag, maar de rework-uren vertellen een ander verhaal.
De fouten die aan traditionele inspectie ontsnappen, vertonen een patroon. Ze zijn onzichtbaar voor camera's die op voltooide assemblages zijn gericht. Ze worden pas zichtbaar wanneer je het assemblageproces zelf bewaakt en de acties van de operator, het pakken van onderdelen en de naleving van de volgorde in realtime verifieert aan de hand van een digitale standaardwerkinstructie (SOP). Dit is het probleem dat Nagare is gebouwd om op te lossen. Het verifieert het proces, niet alleen het product.
Hoe Nagare inspectie aan de assemblagelijn in realtime uitvoert
Nagare is een edge AI-platform van Jidoka Technologies dat bestaande CCTV-camera's omzet in real-time procesverificatiesystemen. Het controleert elke inspectiestap aan de lopende band aan de hand van een digitale SOP, detecteert afwijkingen en geeft waarschuwingen aan de operator of voert een automatische afkeuring uit voordat het product naar het volgende station gaat (Jidoka Technologies, jidoka-tech.ai/products/nagare).
Het mechanisme werkt in drie stappen.
Camera-input via de bestaande CCTV-infrastructuur. Geen nieuwe inspectiecamera's voor de lopende band, geen installatieproject, geen aanvraag voor kapitaalinvesteringen. De edge AI-verwerking vindt lokaal plaats: alle inferentie gebeurt op locatie, er verlaat geen videobeeld de werkvloer. Dit lost de zorgen over gegevensbeveiliging op die de inzet van cameragebaseerde monitoring in de automobiel-, medische hulpmiddelen- en elektronicasector vaak in de weg stonden. De derde stap is de real-time afwijkingsmelding: een visueel of hoorbaar signaal bij het station van de operator op het moment dat er een afwijking optreedt, in plaats van aan het einde van de lijn.
Nagare stuurt real-time procesafwijkingen direct door naar uw Manufacturing Execution System (MES) of Andon-systeem via lichtgewicht JSON-payloads. Zo ziet die melding er op stationniveau uit:
{
"station_id": "ST-03-KITTING",
"timestamp": "2026-05-30T14:32:10Z",
"event_type": "PROCESS_DEVIATION",
"deviation_detail": {
"expected_action": "Pick_Component_A",
"detected_action": "Skipped",
"part_sku": "EV-BATT-THERMAL-09"
},
"alert_status": "TRIGGERED",
"action_required": "Line Halt - Operator Correction"
}
De payload is lichtgewicht, gestructureerd en MES-ready. Geen middleware vereist.
Een privacyaspect dat direct benoemd moet worden: Nagare gebruikt op skeletten gebaseerde actieherkenning om bewegingen van operators te monitoren zonder gezichtsgegevens vast te leggen of identificeerbare video op te nemen (Jidoka Technologies, 2025). Op lijnen waar werknemers zorgen uitten over cameragebaseerde monitoring, heeft dit de bezwaren weggenomen die de implementatie vertraagden. Operators die met het systeem hebben gewerkt, geven aan dat het feit dat de melding direct op hun station afgaat, voordat het probleem zich verplaatst, de druk van kwaliteitscontroles verderop in het proces vermindert.
Prestatiegegevens:
- 99,5% nauwkeurigheid bij assemblageverificatie
- 30% verbetering in procesnaleving bij implementaties
- 35% reductie in rework
- 25% minder downtime door real-time procescorrectie
- Meer dan 300 miljoen onderdelen per dag geïnspecteerd in alle installaties
- 45 actieve klanten
Kitting-inspectie en controle op kitting-nauwkeurigheid met AI
Een ontbrekend onderdeel in een kit is onzichtbaar totdat de operator verderop in het proces de doos opent. Op dat moment duurt het herstel geen 30 seconden meer. De kit is al verplaatst, het station is bemand en ingericht, en de operator wacht op een onderdeel dat er niet is.
Kitting-inspectie dekt vier fouttypen: ontbrekend onderdeel, verkeerde variant, verkeerde hoeveelheid en onjuiste oriëntatie. Elk van deze is onzichtbaar bij het kitting-station als de verificatie afhankelijk is van gewichtscontroles of barcodescans bij het inpakken, omdat die methoden fouten pas opvangen nadat de kit compleet is en wordt verplaatst.
Het scenario met chirurgische kits maakt dit concreet. Een gaasje van 10 cm wordt geladen waar er een van 15 cm hoort te liggen. Een gewichtscontrole keurt het goed. Een barcodescan bij het inpakken keurt het goed. Beide gaasjes vallen binnen de gewichtstolerantie. Nagare's visuele controle op kitting-nauwkeurigheid bij het pick-station detecteert de afwijking direct, omdat het controleert wat er gepickt is, niet wat het weegt. Tegen de tijd dat u vertrouwt op gewichtsverificatie, is de fout al verderop in het proces.
De financiële case is concreet. Een kitting-operatie met een foutmarge van 5% kost aanzienlijk meer dan een operatie met 0,3%, zodra downstream rework, claims van klanten en retouren worden meegerekend (Productiv, 2026). De kosten voor rework liggen niet bij de kitting-operatie zelf, maar bij elk station dat verderop in het proces een foutieve kit verwerkt.
Nagare benadert de controle op kitting-nauwkeurigheid anders. Elke pick van een onderdeel wordt in real-time getoetst aan de stuklijst (BOM) van de kit. Een ontbrekend item, verkeerd onderdeel of verkeerd aantal activeert een waarschuwing voor de operator voordat de kit wordt verzegeld en verplaatst. Het systeem is niet afhankelijk van gewichtsverificatie, barcodescans bij het inpakken of steekproeven aan het einde van de lijn. Geen enkele kit verlaat het station met een onopgeloste afwijking.
Vooral in situaties met een hoge productvariatie is dit van belang. Op lijnen waar de samenstelling van kits vaak verandert per ploeg of werkorder, kan Nagare dankzij procesautomatisering via barcodescans direct overschakelen naar andere verificatieprofielen zonder handmatige herprogrammering (Jidoka Technologies, 2025). Scan de nieuwe SKU. De verificatiechecklist wordt bijgewerkt. De operator kan direct doorwerken.
Eén verduidelijking is op zijn plaats: Nagare automatiseert de fysieke kitting-handeling niet. Het verifieert het door mensen uitgevoerde kitting-proces. AI-verificatie en robotische automatisering zijn verschillende instrumenten voor verschillende problemen.
"AI-kittinginspectie verifieert elke componentkeuze in realtime aan de hand van de stuklijst (BOM) bij het kittingstation — voordat de kit wordt verplaatst, en niet pas nadat deze bij het volgende station aankomt en er een onderdeel ontbreekt." — Jidoka Technologies
[EMBED: "Test je lijn" micro-quiz hier — 3 vragen over waar defecten worden gevonden, de verificatiemethode voor kitting en de diepte van de traceerbaarheid bij rework. Toont gerichte CTA op basis van de antwoorden.]
Inline assemblageverificatie versus AI-inspectie aan het einde van de lijn: wat het verschil kost
Deze vergelijking wordt in de meeste content van leveranciers te simpel voorgesteld. De eerlijke versie kent in beide richtingen afwegingen.
De nauwkeurigheid van AI-gestuurde systemen voor inspectie aan het einde van de lijn (EOL) bereikt 98 tot 99% (Softwebsolutions, 2026; iFactory AI Vision, 2026). Dat nauwkeurigheidspercentage ziet er indrukwekkend uit totdat je de kosten voor rework berekent wanneer die 1 tot 2% ontsnapt: alle arbeid voor de assemblage is al betaald, plus het demonteren en opnieuw opbouwen. Nauwkeurigheid is niet de enige variabele voor het rendement op investering (ROI). Het driejarige ROI-cijfer van 374% van iFactory (iFactory AI Vision, 2026) gaat ervan uit dat fouten vroeg genoeg worden opgemerkt om ze in te dammen. Als je ze bij een complexe assemblage pas aan het einde van de lijn ontdekt, neemt die vermenigvuldiger af.
EOL-inspectie wint nog steeds in drie scenario's. Cosmetische eindinspectie, waarbij het volledig geassembleerde product zichtbaar moet zijn om de oppervlaktekwaliteit te beoordelen. Inspecties voor naleving van regelgeving of OEM-normen. En kwalificatie van het eerste product, waarbij de inspectie zelf het eindresultaat is. Dit zijn reële toepassingen. Inline AI vervangt deze niet.
De volledige architectuur dekt beide lagen. Kompass, het EOL-product van Jidoka voor defectdetectie (jidoka-tech.ai/products/kompass), gecombineerd met Nagare voor inline procesverificatie, pakt zowel het probleem van procesafwijkingen als de controle van het eindproduct aan. Voor fabrikanten die momenteel helemaal geen AI-inspectie gebruiken, biedt de 'inline-first'-benadering het hoogste rendement op het voorkomen van fouten die anders door het net zouden glippen. Dit is nog niet formeel getoetst in elke industriële sector, en productielijnen met bestaande EOL-hardware vereisen een andere berekening voor upgrades.
Conclusie
Elke assemblagelijn heeft bouwfouten. Het kostenverschil zit in het aantal stations dat ze passeren voordat iemand ze opmerkt. Die overgeslagen stap met koelpasta bij station 3 is een correctie van 30 seconden op station 3. Bij station 7 is het een verzegelde module, een demontage, een chemisch risico en een afgekeurde eenheid. Nagare stopt het bij de bron.
Bekijk hoe het werkt op je bestaande camera's via jidoka-tech.ai/products/nagare, of vraag een demo aan om een implementatiescenario voor jouw specifieke lijn door te nemen.
Veelgestelde vragen
Wat is AI voor assemblagelijninspectie?
AI voor assemblagelijninspectie gebruikt computervisie en machine learning om in realtime te verifiëren of elke assemblagestap, elk onderdeel en elke procesvolgorde overeenkomt met een digitale SOP. In tegenstelling tot traditionele machinevisie, die eindproducten controleert aan de hand van vaste regels, leert AI-gebaseerde inspectie van voorbeelden, gaat het om met productvariaties en monitort het de handelingen van de operator, niet alleen het fysieke resultaat.
Hoe voorkomt Nagare dat bouwfouten verderop in het proces terechtkomen?
Nagare controleert elke assemblagestap aan de hand van een digitale SOP met behulp van edge AI die op bestaande camera's draait. Wanneer een operator een stap overslaat, het verkeerde onderdeel pakt of de volgorde niet aanhoudt, activeert Nagare een waarschuwing voordat de eenheid wordt vrijgegeven voor het volgende station. Fouten worden bij de bron gecorrigeerd en niet pas stations later ontdekt.
Wat is kitting-inspectie en waarom is daar AI voor nodig?
Kitting-inspectie verifieert of elk onderdeel in een productiekit overeenkomt met de stuklijst (BOM) voordat de kit naar het assemblagestation gaat. Handmatige kittingcontroles en barcodescans bij het inpakken ontdekken fouten pas nadat de kit compleet is. AI-kittinginspectie verifieert elke componentkeuze in real-time bij het kittingstation, waardoor wordt voorkomen dat ontbrekende of verkeerde onderdelen de lijn bereiken.
Wat is het verschil tussen inline-inspectie en end-of-line-verificatie?
Inline-inspectie verifieert elke bouwstap op het station waar het werk wordt uitgevoerd; end-of-line-verificatie controleert het eindproduct bij een vast inspectiepunt nadat de volledige assemblage is voltooid. Inline-inspectie detecteert fouten voordat ze volgende stations bereiken en de kosten voor herbewerking oplopen. EOL is geschikt voor de laatste cosmetische controles en goedkeuring voor naleving, maar kan procesafwijkingen die tijdens de assemblage zijn opgetreden niet detecteren.
Vereist AI voor inspectie aan de assemblagelijn nieuwe camera's of hardware?
Niet met Nagare: het draait op bestaande CCTV-camera's zonder extra investeringen in hardware. Alle AI-inferentie draait on-premises op edge-apparaten, wat betekent dat er geen videobeelden de faciliteit verlaten. Deze on-premises architectuur pakt zorgen over gegevensbeveiliging aan voor fabrikanten in de automobiel-, medische hulpmiddelen- en elektronicasector.
Hoe gaat AI-inspectie aan de assemblagelijn om met productie van grote variëteit en kleine volumes?
AI-procesverificatiesystemen zoals Nagare passen zich aan productwisselingen aan via een barcodescan, waarbij verificatieprofielen direct worden gewijzigd zonder handmatige herprogrammering. Hierdoor zijn ze geschikt voor omgevingen met een grote variëteit waar de samenstelling van kits, de assemblagereeks of de specificaties van onderdelen regelmatig veranderen tussen ploegendiensten of werkorders door.
