.webp)
Je verliet die demonstratie van de leverancier met een sterke indruk, maar een zwakke businesscase. Het systeem detecteerde defecten die de inspecteur aan de lijn miste, de presentatie van de leverancier sprak van 99% nauwkeurigheid, en toen stelde je technisch leider de vraag die de vergadering deed stilstaan: welke architectuur levert dat cijfer op, en bij welke productiesnelheid? Je had het antwoord niet. De verkoopafdeling van de leverancier evenmin.
Dit artikel geeft je de antwoorden. Aan het einde beschik je over de technische woordenschat om elke benchmarkclaim te beoordelen, een gestructureerd kostenmodel voor je eigen faciliteit en een checklist met zes criteria voor je volgende RFQ-vergadering.
AI-visie-inspectiesystemen maken gebruik van CNN-gebaseerde architecturen (meestal YOLO-varianten voor hogesnelheidslijnen en ResNet voor nauwkeurige defectclassificatie) die 95-99% nauwkeurigheid behalen in productieomgevingen. Pilotkosten bedragen doorgaans $50.000-$250.000. Bedrijfsbrede uitrol kost $500.000 tot $2 miljoen. De meeste faciliteiten behalen een ROI binnen 9-18 maanden.
Wat AI-visie-inspectie voor kwaliteit werkelijk is (en wat het niet is)
AI-visie-inspectie voor kwaliteit betekent dat een getraind neuraal netwerk leert om afbeeldingen van acceptabele en defecte onderdelen te classificeren op basis van gelabelde trainingsdata, en dat geleerde model vervolgens op productiesnelheid toepast tijdens de inspectie. Het is geen set regels. Een menselijke programmeur vertelt het systeem niet hoe een kras eruitziet. Het model leert de visuele beslissingsgrens op basis van data.
Dat onderscheid is belangrijker dan de meeste leveranciers toegeven. Traditionele machine vision werkt op basis van geometrische regels: de aan- of afwezigheid van een kenmerk, een dimensionale meting, een kleurdrempelwaarde ten opzichte van een vooraf gedefinieerd masker. Dit faalt betrouwbaar wanneer het uiterlijk van een defect varieert, omdat de regel die de ene variant vangt, de andere mist. Computer vision voor kwaliteitscontrole heeft zo'n beperking niet. Het model generaliseert over defectvariaties omdat die variatie in de trainingsdistributie is verwerkt.
Drie implementatiemodi bepalen het architectuurgesprek met elke leverancier. Edge-only draait het model op een GPU of NPU direct bij het camerastation, zonder afhankelijkheid van de cloud. Edge-to-cloud hybride verwerkt inspectiebeslissingen in real-time aan de edge en streamt vervolgens defectafbeeldingen en metadata naar de cloud voor modelretraining en prestatiebewaking. Cloud-afhankelijk stuurt de inferentie naar een cloud-API en is niet geschikt voor productielijnen met cyclustijden onder de 500ms. De architectuurkeuze bepaalt je latentieplafond, je beleid rondom datasoevereiniteit en je minimale nauwkeurigheid onder productieomstandigheden.
PCB-soldeerinspectie op elektronica-assemblagelijnen heeft de meest uitgebreide gedocumenteerde geschiedenis voor CNN-gebaseerde AI-visie-inspectie. Als jouw faciliteit een defecttype verwerkt waarvoor weinig gepubliceerde implementatiedata beschikbaar is, verandert dat de vereisten voor trainingsdata en je nauwkeurigheidsverwachtingen in de vroege productiefase.
“AI-visie-inspectie is geen machine vision met een betere camera. Het is een geleerd model dat generaliseert over defectvariaties, op dezelfde manier als een getraind menselijk oog, maar dan op productiesnelheid en zonder vermoeidheid.” - Bron: Jidoka Technologies
De drie neurale netwerkarchitecturen voor productie-inspectie
Architectuurselectie is de beslissing die je leverancier voor je probeert te nemen. Het is jouw taak om deze goed genoeg te begrijpen om de juiste vervolgvragen te stellen. Zie de Jidoka Architectuurselectiematrix hieronder voor een printbare referentie voor je volgende leveranciersvergadering.
CNN / ResNet-varianten
ResNet-50 en ResNet-101 verwerken taken die zwaar leunen op classificatie: identificatie van defecttypes, pass/fail-beslissingen op complexe oppervlaktepatronen, alles waarbij het onderscheid tussen een barst en een kras belangrijker is dan de inspectiesnelheid. De gedocumenteerde nauwkeurigheid in productieomgevingen bereikt 97-99,9%. ICAISM 2025-benchmarks plaatsen ResNet-50 op 97,2% bij bouwmaterialen onder productieomstandigheden (ICAISM 2025, ACM DL). Een aangepast CNN op gietproducten documenteerde 99,86% nauwkeurigheid in MDPI Smart Manufacturing-onderzoek. Deze architecturen werken het best wanneer de cyclustijd langer is dan 500ms en er voldoende gelabelde trainingsdata beschikbaar is.
YOLO-varianten
Deep learning-kwaliteitsinspectie in snelle automotive- en elektronicallijnen draait op YOLO. YOLOv8 is de huidige productiestandaard voor lijnen die een inferentie van minder dan 100ms vereisen, waarbij het volledige beeld in één keer wordt verwerkt zonder de tweefasige pipeline die ResNet-architecturen gebruiken. Ultralytics bracht in september 2025 YOLO26 uit, waarmee de bottleneck van Non-Maximum Suppression (NMS) post-processing werd verwijderd en de edge-latentie op NPU-doelen met ongeveer 20% werd verbeterd. Praktische nauwkeurigheid op hogesnelheidslijnen: 95-98% (ScienceDirect, YOLOv8 assemblagelijnstudie, 2025).
Fine-tuning van basismodellen
In opkomst bij PCB- en halfgeleiderinspectie, waar gelabelde defectdata vaak schaars is. CLIP-ViT met Low-Rank Adaptation (LoRA) fine-tuning behaalt een concurrerende detectienauwkeurigheid met aanzienlijk minder gelabelde voorbeelden dan trainen vanaf nul (PMC, november 2025, PCB-defectinspectiestudie). Deze aanpak bevindt zich in 2026 nog grotendeels op pilot-schaal en zou niet als de ruggengraat van de productie moeten dienen voor een faciliteit die geen ondersteuning kan bieden voor het voortdurende onderhoud van het model.
Gids voor modelselectie
Als de cyclustijd onder de 200ms ligt, begin dan met YOLO. Als de nauwkeurigheid van de defectclassificatie de primaire KPI is en de cyclustijd de 500ms overschrijdt, gebruik dan ResNet. Als er weinig gelabelde defectdata beschikbaar is (minder dan 500 voorbeelden per defectklasse), evalueer dan PEFT fine-tuning van een basismodel voordat u besluit om vanaf nul te trainen.
INT8-kwantisatie comprimeert modellen voor CNN-inspectie op de edge. Het verkleint de modelgrootte met een factor 4 met minder dan 2% nauwkeurigheidsverlies. Een NVIDIA Jetson Orin NX die YOLOv8 op INT8 draait, verwerkt 240 frames per seconde bij minder dan 15 watt (NVIDIA, 2026). Dat is uw hardware-benchmark voor een edge-implementatie op één station.
Wat nauwkeurigheidsbenchmarks in de productie werkelijk betekenen (en wat ze u niet vertellen)
Elke leverancier pronkt met 99% nauwkeurigheid. Bijna niemand vertelt u wat dat getal betekent, onder welke omstandigheden ze het hebben gemeten, of wat het kost wanneer dat cijfer op uw lijn daalt naar 96%.
De True Positive Rate (TPR) is wat leveranciers opgeven: het percentage werkelijke defecten dat het systeem detecteert. De False Positive Rate (FPR) bepaalt uw afvalkosten: hoe vaak het systeem een goed product afkeurt. De False Negative Rate (FNR) bepaalt uw risico op garantieclaims en recalls: defecten die door de lijn glippen. Inferentiesnelheid staat voor compatibiliteit met de cyclustijd. Generalisatienauwkeurigheid geeft aan hoe de prestaties blijven wanneer een nieuwe productvariant in productie wordt genomen zonder hertraining. Kwaliteitsbenchmarks voor Vision AI die alleen de TPR rapporteren, vertellen u slechts een vijfde van het verhaal.
AI-visie-inspectiesystemen in gecontroleerde pilotomgevingen behalen routinematig een TPR van 98-99% met een FPR van minder dan 2%. Onder productieomstandigheden zorgen variabele verlichting, slijtage van gereedschap en de introductie van nieuwe SKU's ervoor dat de TPR daalt naar 95-97% en de FPR stijgt, tenzij er sprake is van continue hertraining. Een onderzoek van MDPI Sensors (januari 2026) naar ML-gestuurde visie voor robotinspectie wees uit dat 77% van de implementaties op pilotschaal blijft steken, wat aantoont dat er evenzeer sprake is van systematische implementatiebarrières als van kostenoverwegingen.
De omvang van de trainingsdata is een directe oorzaak van die kloof. Een model dat is getraind op 500 gelabelde voorbeelden van een defectklasse presteert meetbaar slechter dan een model dat is getraind op 5.000 voorbeelden. Het genereren van synthetische data dicht dit gat voor faciliteiten met beperkte echte defectvoorbeelden; een onderzoek van Springer Nature uit maart 2026 naar de inspectie van halfgeleiderwafers valideerde synthetische augmentatie als een methode om de nauwkeurigheid te behouden. De industriestandaard is, onder de juiste omstandigheden, 98-99% nauwkeurigheid bij computer vision in de productie met 50-70% arbeidsbesparing (CustomerTimes AI Automation in Manufacturing 2025 Report).
De productie-nauwkeurigheidsaudit: vijf vragen om te stellen voordat u een benchmark accepteert
Elke benchmark van een leverancier moet deze vijf vragen doorstaan voordat u deze presenteert aan de directie.
- Wat was de omvang van de trainingsset voor de defectklassen die u noemt?
- Is de benchmark uitgevoerd op onafhankelijke productiedata of op de validatieset van de training?
- Wat is het percentage foutieve afkeuringen bij dat nauwkeurigheidsniveau?
- Hoe verandert de nauwkeurigheid wanneer een nieuwe productvariant wordt geïntroduceerd zonder hertraining?
- Is de benchmark uitgevoerd op de beoogde inferentiesnelheid of offline?
Een leverancier die vraag 2, 3 en 5 niet met specifieke cijfers kan beantwoorden, heeft geen evaluatie op productieniveau uitgevoerd. Dat is het signaal dat u nodig heeft voordat u het inkoopbudget vastlegt.
Implementatiearchitectuur: Edge, Cloud en Hybride uitgelegd
Uw IT-productieteam zal deze vraag stellen voordat de inkoop bij de prijsstelling aankomt. Beantwoord deze in de offerteaanvraag (RFQ), niet daarna.
Alleen edge
Het model draait op een GPU of NPU bij het camerastation. NVIDIA Jetson Orin NX, Intel Arc en AMD Ryzen AI zijn de gangbare hardware-targets. De inferentielatentie ligt onder de 50ms bij volledige lijnsnelheid. Alle data blijft on-premises, de niet-onderhandelbare vereiste voor naleving van Good Manufacturing Practice (GMP) in de farmaceutische industrie en dataovereenkomsten van Original Equipment Manufacturers (OEM) in de automobielsector.
De operationele beperking: modelupdates vereisen een handmatige push of een Over-The-Air (OTA) pipeline. Als uw lijn regelmatig nieuwe productvarianten introduceert, moet u deze onderhoudslast meenemen in uw totale eigendomskosten (TCO).
Edge-to-cloud hybride
De edge verwerkt real-time inferentie; beelden van defecten en metadata worden naar de cloud gestreamd voor modelretraining en prestatiebewaking. Dit maakt continue modelverbetering mogelijk zonder productiestilstand. Bandbreedtevereiste: 2-5 Mbps per camera bij 30fps.
De nauwkeurigheid van computervisie in de productie verbetert na verloop van tijd bij een hybride implementatie, omdat de retraining-pipeline productiedata automatisch terugvoert naar het model. Nagare van Jidoka gebruikt deze architectuur en verwerkt real-time verificatie on-premises via bestaande camerahardware, terwijl inferentiedata de faciliteit niet verlaat.
Cloud-afhankelijk
Inferentie wordt naar een cloud-API gestuurd. Niet geschikt voor productielijnen met cyclustijden onder de 500ms. Waar het wel past: offline batch-inspectie, steekproefcontroles en kwaliteitsanalyses bij niet-tijdskritieke workflows. De initiële kosten zijn het laagst van de drie; de doorlopende API-kosten op schaal zijn het hoogst.
Benchmarks voor hardwarekosten per niveau
- Instapniveau (één camera, één station, edge GPU): $15.000-$40.000
- Middenklasse (lijn met meerdere camera's, edge-cluster): $50.000-$150.000
- Enterprise (meerdere lijnen, volledige faciliteit, MES-integratie): $300.000-$1.000.000+
Integratiechecklist
- PLC/SCADA-interface: OPC-UA of MQTT-protocol
- Push van kwaliteitsgegevens naar Manufacturing Execution System (MES)
- Synchronisatie van cameratrigger met lijn-PLC
- Integratie van verlichtingscontroller
- Trigger voor afkeurmechanisme: signaallamp, pneumatische poort of robotarm
“Nagare is een plug-and-play oplossing met lage kapitaalinvesteringen die werkt met uw huidige camera's, zonder extra hardware, en die doorgaans binnen een jaar rendement oplevert door workflows te optimaliseren en toezicht en herstelwerkzaamheden te verminderen.” - Jidoka Technologies
Kostenmodel voor implementatie en ROI-berekeningskader
Een technologische beslissing van deze omvang vereist cijfers waar het bestuur kritische vragen over kan stellen. Zo bouwt u die op.
De nulmeting: de kosten van niets doen
De gemiddelde fabrikant verliest 20% van de totale omzet aan uitval, herbewerking, garantieclaims en inspectiekosten. Voor een fabriek met een jaaromzet van $10 miljoen is dat $2 miljoen die al verloren gaat voordat er überhaupt naar een AI-systeem wordt gekeken. Dat is uw COPQ-nulmeting (Cost of Poor Quality). Uw implementatie van AI-visie voor kwaliteitsinspectie hoeft niet alles te elimineren; het moet meer opleveren dan de implementatie kost.
Driedelige kostenstructuur voor implementatie
- Hardware-aanschaf (camera's, verlichting, edge computing, montage): doorgaans 50-60% van de totale projectkosten
- Softwarelicenties voor SaaS-platforms: $15.000-$80.000 per jaar, met hogere tarieven voor abonnementen op het trainen van aangepaste modellen
- Integratie en inbedrijfstelling: doorgaans 15-30% van de hardwarekosten, afhankelijk van de complexiteit van de PLC en het aantal bestaande systemen dat gekoppeld moet worden
Input voor ROI-berekening
Jaarlijkse kosten van defecten die door de mazen van het net glippen (garantieclaims, recalls, herbewerking) plus jaarlijkse arbeidskosten voor inspectie plus kosten van onterechte afkeuringen (uitvalpercentage bij huidige FPR), minus de verwachte waarden bij de beoogde nauwkeurigheid. Onderzoek van Forrester, zoals geciteerd in de implementatiegids 2026 van iFactory, toont een gemiddelde ROI van 374% over drie jaar met een terugverdientijd van 7-8 maanden voor volwassen implementaties. Geoptimaliseerde grootschalige implementaties genereren $200.000-$500.000 aan jaarlijkse besparingen per productielijn door 50-70% besparing op arbeid (CustomerTimes 2025, smartdev.com 2025).
Jidoka-implementatietraject
Faciliteiten met bestaande camerabewaking kunnen Jidoka's Nagare implementeren zonder kosten voor camerahardware, door gebruik te maken van bestaande camerabeelden als inputbron. Nagare wordt geïmplementeerd met minimale productiestilstand.
Jidoka's Kompass levert 98% nauwkeurigheid bij 4.200 onderdelen per minuut in verpakkingstoepassingen en 99% defectdetectie met 20% minder herbewerking in de elektronica-assemblage.
Deze cijfers vertegenwoordigen gedocumenteerde resultaten van eigen projecten uit Jidoka-productie-implementaties, geen marktgemiddelden. Gebruik het conservatieve scenario bij het opstellen van uw interne businesscase.
Terugverdientijd per faciliteitsgrootte
- Pilot in kleine fabriek (investering van $100.000-$250.000): 12-18 maanden
- Middelgrote faciliteit met meerdere lijnen ($500.000-$1.000.000): 18-24 maanden
- Enterprise met meerdere faciliteiten: 24-36 maanden, met cumulatieve modelverbetering naarmate er meer productiedata beschikbaar komt
Hoe een leveranciersselectieproces eruit hoort te zien (een checklist voor de praktijk)
De meeste leveranciersevaluaties eindigen met een demo. Dat is de omgekeerde wereld. Een demo bewijst dat een systeem werkt onder door de leverancier gecontroleerde omstandigheden. De onderstaande vragen bewijzen of het ook onder uw omstandigheden werkt.
De Vision AI Vendor Readiness Assessment is een raamwerk met zes criteria om productieklare platforms te onderscheiden van oplossingen die alleen als demo dienen. Pas dit toe vóór elke RFQ-bespreking.
De Vision AI Vendor Readiness Assessment: zes criteria:
Criterium 1: Referentieklanten in productie
Kan de leverancier een klant noemen (niet geanonimiseerd) die al meer dan 12 maanden hetzelfde type defect detecteert op uw lijnsnelheid? Referenties uit een andere sector of defectklasse zijn niet relevant. Een benchmark van automobielkwaliteit zegt niets over hoe het systeem omgaat met de inspectie van farmaceutische etiketten.
Criterium 2: Infrastructuur voor hertraining
Hoe wordt het model bijgewerkt wanneer een nieuwe productvariant in productie wordt genomen? Wat is de doorlooptijd en is voor de update de aanwezigheid van de leverancier op locatie vereist? Zorg dat u de antwoorden schriftelijk krijgt voordat u tekent. Leveranciers die hun doorlooptijd voor hertraining niet kunnen kwantificeren, hebben onvoldoende productie-implementaties gedraaid om dit te weten.
Criterium 3: False reject rate bij productie-nauwkeurigheid
Vraag naar de FPR bij de opgegeven TPR, gebaseerd op productiedata en niet op de validatieset. Een FPR van meer dan 3% zorgt voor uitvalkosten die vaak hoger zijn dan de kosten van het handmatige inspectieproces dat het systeem vervangt. Een leverancier die zich comfortabel voelt bij een FPR van 3% of hoger, levert een product van demonstratieniveau.
Criterium 4: Integratiemethode voor MES/PLC
Ondersteunt de leverancier OPC-UA, MQTT of PROFINET? Maatwerk-integratie verhoogt de inbedrijfstellingskosten met 30-50%. De systemen van Jidoka integreren rechtstreeks met PLC en MES, waardoor signaallampen of lijnstops worden geactiveerd zonder tussenkomst van aangepaste middleware.
Criterium 5: Edge versus cloud en gegevenssoevereiniteit
Waar worden inferentiegegevens opgeslagen? Voor OEM's in de automobielsector en farmaceutische GMP-faciliteiten kan het via de cloud routeren van inferentiegegevens in strijd zijn met dataovereenkomsten. Nagare verwerkt alle inferentiegegevens standaard on-premises.
Criterium 6: Implementatietijdlijn met pilotfase
Een geloofwaardige leverancier stelt een pilot van 2 tot 4 maanden voor, beperkt tot één station met vastgestelde acceptatiecriteria, voordat er wordt toegezegd voor de volledige lijn. Leveranciers die aandringen op contracten voor de volledige lijn vóór een pilot, hebben het recht op uw productiedata nog niet verdiend. Loop weg bij elk voorstel dat de pilotfase vóór toezegging voor de volledige lijn overslaat.
Afsluitende gedachten
Het verschil tussen 95% en 99% nauwkeurigheid is geen voetnoot in een vergelijkingsoverzicht van leveranciers. Het is het verschil tussen een systeem dat zichzelf in negen maanden terugverdient en een systeem dat een nieuwe categorie uitval creëert.
De vragen in dit artikel vereisen dezelfde nauwkeurigheid als die u toepast bij elke beslissing over kapitaalgoederen: vraag om productiedata, niet om demonstratiecondities; vraag om false reject rates, niet om de nauwkeurigheid in de koptekst; vraag om een pilotfase vóór een toezegging voor de volledige lijn.
Jidoka Technologies bouwt AI-visie-inspectiesystemen voor kwaliteit en procesnaleving die voldoen aan alle zes criteria in de Vision AI Vendor Readiness Assessment: Kompass voor geautomatiseerde defectdetectie met 99%+ nauwkeurigheid, Nagare voor edge-geïmplementeerde procesmonitoring die werkt met uw bestaande camera's. Ontdek hoe Nagare in uw lijn past: boek een implementatiebeoordeling.
Veelgestelde vragen
1. Welke nauwkeurigheid kunnen AI-visie-inspectiesystemen realistisch gezien bereiken?
Volwassen AI-visie-inspectiesystemen bereiken onder productieomstandigheden een detectienauwkeurigheid van 95-99%. Het bereik hangt af van de architectuur (YOLO voor hogesnelheidslijnen, ResNet voor precisieclassificatie), het volume aan trainingsdata en de complexiteit van het type defect. Gecontroleerde pilotomgevingen laten vaak 99%+ zien; productieprestaties met variabele verlichting en de introductie van nieuwe onderdelen stabiliseren doorgaans op 95-97% zonder continue hertraining.
2. Hoe lang duurt het om een computer vision-kwaliteitsinspectiesysteem te implementeren?
Een pilot-implementatie op één station duurt doorgaans 2-4 maanden van de installatie van de camera tot de definitieve goedkeuring voor productie. Uitrol op volledige productielijnen duurt 12-24 maanden, afhankelijk van het aantal inspectiestations, de complexiteit van de MES-integratie en de tijd die nodig is voor het trainen van modellen. Oplossingen met lage kapitaalinvesteringen die gebruikmaken van bestaande CCTV-infrastructuur, zoals Jidoka's Nagare, verkorten de doorlooptijden voor hardware-aanschaf aanzienlijk.
3. Wat is de Production Accuracy Audit voor AI-visie-inspectie?
De Production Accuracy Audit is een raamwerk van vijf vragen om de benchmarkclaims van elke AI-visieleverancier te toetsen aan productiestandaarden. De vijf vragen hebben betrekking op de omvang van de trainingsset, de bron van de benchmarkgegevens (productie- versus validatieset), het percentage foutieve afkeuringen bij de opgegeven nauwkeurigheid, de afname van de nauwkeurigheid bij nieuwe productvarianten en of de benchmark is uitgevoerd op de beoogde inferentiesnelheid. Leveranciers die deze vijf vragen niet met specifieke cijfers kunnen beantwoorden, baseren zich op cijfers uit democondities.
4. Wat is de Vision AI Vendor Readiness Assessment?
De Vision AI Vendor Readiness Assessment is een raamwerk met zes criteria om productieklare AI-visieleveranciers te onderscheiden van platforms die alleen geschikt zijn voor demo's. De zes criteria zijn: referentieklanten in de productie, infrastructuur voor hertraining, percentage foutieve afkeuringen bij productienauwkeurigheid, methode voor MES/PLC-integratie, datasoevereiniteit (edge versus cloud) en een gedefinieerde pilotfase vóór volledige uitrol.
5. Wat kost de implementatie van AI-visie voor kwaliteitsinspectie?
De implementatiekosten variëren van $50.000-$250.000 voor een pilot op één lijn tot $500.000-$2.000.000 voor een bedrijfsbrede uitrol over meerdere lijnen. Hardware (camera's, edge computing, verlichting) beslaat doorgaans 50-60% van de totale kosten; software en integratie vormen de rest. Oplossingen die gebruikmaken van bestaande camerahardware verlagen de kosten aanzienlijk. De meeste implementaties behalen binnen 9-18 maanden een ROI door besparingen op arbeidskosten en een vermindering van het aantal defecten dat door de controle glipt.
6. Wat is het verschil tussen YOLO en ResNet voor inspectietoepassingen?
YOLO is geoptimaliseerd voor snelheid: het verwerkt volledige beelden in één doorgang, waardoor het de standaard is voor productielijnen met cyclustijden onder de 200ms. ResNet is geoptimaliseerd voor classificatienauwkeurigheid; de residual architectuur ondersteunt diepere extractie van kenmerken, wat beter geschikt is voor het onderscheiden van complexe defecten bij cyclustijden boven de 500ms. De meeste productiesystemen gebruiken YOLO voor real-time inspectie en ResNet voor offline defectclassificatie.
7. Kan AI-visie-inspectie werken zonder bestaande camera's te vervangen?
Ja. Platforms die zijn ontworpen voor bestaande infrastructuur implementeren edge AI-modellen op bestaande CCTV- of lijncamera's zonder dat hardwarevervanging nodig is. Jidoka's Nagare is ontworpen als een plug-and-play-oplossing die bestaande camerabeelden omzet in intelligente procesbewaking. De beperking ligt in de resolutie en framesnelheid van de camera; systemen die een inferentie van minder dan 100ms bij een hoge resolutie vereisen, hebben mogelijk een GPU-module bij het camerastation nodig, zelfs als de camera zelf behouden blijft.
