Realtime AI-objectdetectie voor veiligheid op transportbanden

Uitdaging

Op recyclinglijnen komen regelmatig gevaarlijke vreemde voorwerpen mee met het binnenkomende materiaal — batterijen, gasflessen, metalen onderdelen — die brand, explosies en schade aan apparatuur kunnen veroorzaken als ze de verkeerde verwerkingsstap bereiken.

Handmatige detectie was niet betrouwbaar genoeg. Operators konden deze voorwerpen niet consequent op tijd onderscheppen: de band gaat snel, de zichtomstandigheden wisselen en de foutmarge is klein.

De klant had een systeem nodig dat gevaarlijke voorwerpen vroeg genoeg herkent om ofwel de lijn automatisch te stoppen ofwel de operator direct te waarschuwen — en dat zich onder echte bedrijfsomstandigheden kon bewijzen voordat er tot een volledige productie-uitrol werd besloten.

Wat we wilden valideren

Dit traject was bewust als pilot opgezet. Voordat er een productiesysteem gebouwd zou worden, moest de klant een specifieke vraag beantwoorden: kan een AI-model voor computer vision gevaarlijke voorwerpen in realtime herkennen, met industriële camera’s, onder de omstandigheden die op een draaiende transportband werkelijk voorkomen?

Drie validatiecriteria bepaalden de scope van de pilot:

1. Realtime detectie met productielatency. Het model moest inferentie op live videostromen snel genoeg uitvoeren om er iets mee te kunnen.
2. Bestand tegen de bedrijfsomstandigheden. De oplossing moest omgaan met de variatie die handmatige detectie onbetrouwbaar maakt: wisselend licht, deels verborgen voorwerpen en ongelijke beeldkwaliteit.
3. Een helder pad naar productie op locatie. De pilot was cloud-first opgezet, maar vanaf het begin zo ontworpen dat migratie naar infrastructuur op locatie mogelijk is — zodat een geslaagde validatie direct in een uitrolplan voor productie te vertalen is.

De oplossing die wij leverden

We bouwden een realtime pipeline voor objectdetectie die live camerabeelden binnenhaalt, GPU-inferentie met YOLO uitvoert en elke detectiegebeurtenis door een event-gedreven architectuur routeert die operatorwaarschuwingen en een live monitoringdashboard voedt. De volledige scope van fase 1 — camera-opstelling en data-opname, voorbereiding van annotatie, eerste modeltraining, uitrolpipeline en validatie in het veld — werd in drie maanden opgeleverd op Google Cloud Platform.

Tijdens de pilot hebben we ook RT-DETR als uitdager naast YOLO geëvalueerd om een stevige basis te leggen voor de modelkeuze in productie.

Naast het live detectiesysteem bouwden we de data-infrastructuur voor blijvende modelverbetering: een gestructureerd proces om beeldmateriaal van gevaarlijke voorwerpen onder echte bedrijfsomstandigheden vast te leggen, en een annotatieworkflow om tussen de 1.000 en 10.000 frames te labelen en klaar te maken voor training en validatie.

Architectuur en workflow

De pipeline draait van begin tot eind op Google Cloud (GKE) en is zo ontworpen dat elk onderdeel gecontaineriseerd en naar infrastructuur op locatie gemigreerd kan worden voor de productie-uitrol.

Wat de pilot heeft aangetoond