Defectdetectie met computer vision brengt consistente, snelle, vermoeidheidsvrije inspectie naar de productielijn — oppervlaktedefecten, assemblage en volledigheid, laskenmerken. Deze gids behandelt wat het betrouwbaar detecteert, de sensor- en verlichtingsopstelling die het maakt of breekt, de dataset- en annotatiestrategie voor het probleem van defectschaarste waar elke fabriek mee te maken heeft, en edge-deployment op lijnsnelheid. Hij trekt ook een vaste eerlijkheidsgrens: een vision-model brengt kandidaat-indicaties naar voren die worden gekoppeld aan een erkend vocabulaire — het kent geen gecertificeerd cijfer toe.
Laatst herzien: juni 2026
AI visuele kwaliteitsinspectie is het gebruik van computer-vision-modellen om defecten te detecteren en de kwaliteit van gefabriceerde onderdelen direct op de productielijn te verifiëren. Camera's leggen elk onderdeel vast onder gecontroleerde verlichting, en een model — vaak een deep-learning-detector of een anomaliedetector die leert hoe „goed“ eruitziet — markeert oppervlaktedefecten, ontbrekende of verkeerd gemonteerde componenten en andere afwijkingen op productiesnelheid. Het levert een consistente, vermoeidheidsvrije screening die de menselijke inspectie aanvult. Cruciaal is dat het kandidaat-indicaties naar voren brengt voor het kwaliteitsproces; op zichzelf vormt het geen gecertificeerde inspectie, metrologie of beoordeling.
Menselijke visuele inspectie is variabel, raakt vermoeid en schaalt niet naar 100%-inspectie op volle snelheid. Computer vision biedt het tegenovergestelde profiel: consistent, onvermoeibaar en in staat om elk onderdeel op lijnsnelheid te inspecteren. Dat is het argument voor AI visuele kwaliteitsinspectie — niet om het menselijk oordeel te verwijderen, maar om een consistente eerste passage op elke eenheid toe te passen en vakbekwame inspecteurs vrij te maken voor de gevallen die hen echt nodig hebben.
Maar inspectie met computer vision slaagt of faalt lang vóór het model. Het defect moet zichtbaar worden gemaakt voor de sensor (verlichting en optiek), het onderdeel moet consistent worden gepresenteerd (fixatie), en het systeem moet leren van een dataset die echte defecten weerspiegelt (annotatie en het probleem van defectschaarste). Teams die dit als een pure modelleringsoefening behandelen — een camera kopen, een netwerk trainen — presteren consistent slechter dan teams die eerst in verlichting, presentatie en data investeren.
Deze gids volgt die volgorde van belangrijkheid: wat vision betrouwbaar kan detecteren, hoe je het beeld vastlegt, hoe je de dataset opbouwt, hoe je aan de edge deployt en — omdat het de grens is die een eerlijke capaciteit van een overclaim scheidt — precies wat de uitvoer van het model wel en niet vormt, met lassen als uitgewerkt voorbeeld.
Inspectie met computer vision beslaat een spectrum van moeilijkheid en risico. Het pragmatische pad begint met de ondubbelzinnige, binaire controles en breidt uit naar de moeilijkere, oordeelgevoelige naarmate het programma rijpt. De vier categorieën hieronder, met een eerlijke noot over waar elke staat.
Krassen, deuken, putvorming, corrosie, contaminatie, verkleuring, coating- en lakdefecten, porositeit op gegoten of bewerkte oppervlakken. Oppervlakte-inspectie is de meest volwassen computer-vision-toepassing — contrastrijke defecten op een consistent oppervlak zijn goed geschikt voor geleerde detectoren, terwijl contrastarme of textuurafhankelijke defecten (matte, reflecterende of gepatroneerde oppervlakken) zorgvuldige verlichting en datasetontwerp vereisen.
Aanwezigheids-/afwezigheidscontroles (zit de connector vast, is de schroef geplaatst, het etiket aangebracht?), juiste oriëntatie, juiste componentvariant en aantalverificatie. Deze controles zijn vaak het startpunt met de hoogste ROI: ze zijn ondubbelzinnig, de fout is binair, en de kosten van een ontbrekend component dat de lijn ontglipt zijn concreet.
Aan het oppervlak zichtbare laskenmerken — inkarteling, spatten, oppervlakteporositeit, onregelmatig rupsprofiel, onvolledige vulling, zichtbare scheuren. Een vision-model kan kandidaat-indicaties naar voren brengen en ze koppelen aan een erkend imperfectievocabulaire. Het is cruciaal om precies te zijn over wat dit wel en niet vormt — uitgebreid behandeld in de sectie eerlijkheidsgrens hieronder.
Rand-, spleet-, vlakheids- en kenmerkpositiecontroles. Hier overlapt vision met — en wordt vaak overtroffen door — toegewijde metrologie (laser, gestructureerd licht, CMM). Vision is goed geschikt voor snelle inline geometrische screening op productietempo; gecertificeerde maatmeting blijft het domein van gekalibreerde metrologie-apparatuur.
De meest voorkomende reden waarom een vision-inspectieproject faalt is niet het model — het is dat het defect om te beginnen nooit zichtbaar werd gemaakt voor de sensor. Verlichting, optiek en presentatie zijn het fundament. Krijg ze goed en een bescheiden model slaagt; krijg ze fout en het beste model ter wereld heeft niets om mee te werken.
De volgorde van investering: verlichting eerst, optiek tweede, presentatie derde, model als laatste. Deze volgorde is het tegenovergestelde van waar de meeste teams instinctief aan uitgeven — en hem omkeren is de beslissing met de grootste hefboomwerking in een vision-project.
Verlichting is de grootste afzonderlijke bepaler van inspectiesucces — meer dan het model, meer dan de camera. Het defect moet zichtbaar worden gemaakt voor de sensor. Verschillende defecten hebben verschillende belichting nodig: diffuse koepelverlichting voor reflecterende oppervlakken, laaghoekige (donkerveld)verlichting om krassen en deuken in reliëf te zetten, achtergrondverlichting voor silhouet- en aanwezigheidscontroles, coaxiale verlichting voor vlakke spiegelende onderdelen. Krijg de verlichting fout en geen enkel model kan het signaal herstellen.
Belangrijkste beslissingen
Gereedschap
De sensorresolutie moet het kleinste relevante defect met marge oplossen — een defect moet meerdere pixels beslaan om betrouwbaar detecteerbaar te zijn. Keuzes lopen van vlak-scan vs. lijn-scan (voor continue banen/platen of cilindrische onderdelen), monochroom vs. kleur (kleur alleen wanneer het defect kleurafhankelijk is), lenskeuze en werkafstand, tot beeldsnelheid afgestemd op lijnsnelheid. De optiek wordt achterwaarts gespecificeerd vanuit het kleinste defect en de transportsnelheid van het onderdeel.
Belangrijkste beslissingen
Gereedschap
Een consistente onderdeelpresentatie vermindert de variatie die het model moet leren. Stabiele positionering, herhaalbare oriëntatie en gecontroleerde onderdeel-tot-camerageometrie betekenen dat het model het onderdeel elke keer op dezelfde manier ziet — wat een moeilijk, houdingsinvariant probleem in een hanteerbaar probleem verandert. Waar de presentatie niet kan worden gecontroleerd, moeten de dataset en het model die variabiliteit absorberen, wat de datakosten verhoogt.
Belangrijkste beslissingen
Gereedschap
Supervised learning wil overvloedige, gebalanceerde, goed gelabelde voorbeelden van elke klasse. Een productielijn geeft je het tegenovergestelde: overweldigend goede onderdelen en zeer weinig defecten. Deze omkering vormt de hele datastrategie — en is waarom zoveel van het vakmanschap van inspectie-AI in de data leeft, niet in het model.
Een goed geleide lijn produceert overweldigend goede onderdelen, dus echte defectbeelden zijn zeldzaam — het omgekeerde van wat supervised learning wil. Dit drijft verscheidene strategieën: defecten over tijd verzamelen, opzettelijk bekende slechte onderdelen bemonsteren, synthetische defectgeneratie en augmentatie, en anomaliedetectie-benaderingen die het „goede“ leren en afwijkingen markeren (zodat weinig of geen gelabelde defecten nodig zijn om te starten).
Hoe defecten worden gelabeld bepaalt wat het model kan: classificatie op beeldniveau (goed/defect), bounding boxes (waar), of segmentatie op pixelniveau (exacte omvang, nodig voor dimensionering). Annotatie moet consistent zijn — onenigheid tussen annotatoren over grensgevallen is een van de grootste verborgen bronnen van modelfouten. Een duidelijke defectcatalogus en labelgids, overeengekomen met kwaliteitsingenieurs, is fundamenteel.
Koppel elke gelabelde klasse aan het kwaliteitsvocabulaire van de fabriek en, waar er een bestaat, de imperfectieterminologie van de relevante norm. Dit maakt de modeluitvoer leesbaar voor inspecteurs en auditors en houdt de AI uitgelijnd op de taal die het kwaliteitssysteem al gebruikt — in plaats van een privétaxonomie te verzinnen die niemand stroomafwaarts begrijpt.
Omdat defecten zeldzaam zijn, is ruwe nauwkeurigheid een misleidende metriek — een model dat alles „goed“ noemt kan 99% scoren en niets vangen. Evaluatie moet draaien om recall op defecten (ontsnappingen zijn de kostbare fout), precisie (valse afkeuringen verspillen goede onderdelen en het vertrouwen van de operator) en uitsplitsingen per defectklasse. De accepteer/afkeur-drempel is een bewuste zakelijke beslissing die ontsnappingsrisico afweegt tegen kosten van valse afkeuring.
Niet zeker of je defecten überhaupt detecteerbaar zijn met vision, of hoe te starten met vrijwel geen defectbeelden? Hyperion voert een gerichte discovery-sprint uit die de detecteerbaarheid van defecten beoordeelt, de verlichtings- en opnamebenadering ontwerpt en een pragmatisch dataset- en deploymentplan voor je lijn produceert.
Kwaliteitsinspectie is een real-time, inline functie. Het model draait aan de edge — naast de camera, op productiesnelheid, onafhankelijk van de cloud. Dit zijn de beslispunten die elke vision-inspectie-deployment moet adresseren om de productie te bereiken en daar te blijven.
Kwaliteitsinspectie draait op lijnsnelheid, dus inferentie gebeurt aan de edge — op een industriële pc of een vision-capabele edge-module naast de camera. De latentie moet binnen de cyclustijd passen, en het systeem moet onafhankelijk van enige cloudverbinding werken. Modellen worden doorgaans geoptimaliseerd en gecompileerd (kwantisatie, runtimes van de ONNX/TensorRT-klasse) voor de doel-edge-hardware om de vereiste doorvoer te halen.
Het inspectiestation mag niet het knelpunt van de lijn worden. De inferentietijd moet begrensd en voorspelbaar zijn om bij de takttijd te passen. Dit vormt de keuzes voor modelgrootte: een kleiner, sneller model dat binnen het cyclustijdbudget past en de defecten vangt die ertoe doen, verslaat een groter model dat de lijn niet kan bijhouden.
Een gemarkeerd onderdeel moet ergens heen — een afkeurpoort, een herbewerkingsbaan, een handmatig beoordelingsstation. Elke beslissing zou moeten worden gelogd met het beeld en de modeluitvoer zodat afkeuringen auditeerbaar zijn en de data de volgende trainingsronde voeden. Traceerbaarheid is zowel een eis van het kwaliteitssysteem als de motor van continue verbetering.
De productie drijft af: nieuwe materiaalpartijen, gereedschapsslijtage, veroudering van verlichting, seizoensverandering. Een model dat bij ingebruikname nauwkeurig was, verslechtert stilletjes tenzij het wordt bewaakt. Volg afkeurpercentages, betrouwbaarheidsverdelingen en uitkomsten van menselijke override; voer bevestigde gemiste defecten en valse afkeuringen terug als labels. Visuele inspectie is een levend systeem, geen eenmalige installatie.
Dit is de belangrijkste sectie van deze gids, en degene die het vaakst door leveranciers wordt afgedaan. Een vision-model is een krachtig screeninginstrument. Het is geen gecertificeerde inspectie. Precies zijn over de grens tussen de twee is wat een eerlijke deployment van een aansprakelijkheid scheidt — vooral in veiligheidsrelevante of gereguleerde productie.
Wat de AI doet: een vision-model inspecteert het zichtbare oppervlak van een las en brengt kandidaat-indicaties naar voren — inkarteling, spatten, oppervlakteporositeit, een onregelmatig rupsprofiel, een zichtbare scheur. Het kan elke kandidaat koppelen aan het imperfectievocabulaire van een erkende norm zoals ISO 5817, zodat de uitvoer de taal spreekt die je kwaliteitssysteem al gebruikt.
Wat de AI niet doet: het kent geen gecertificeerd laskwaliteitsniveau toe (zoals de B / C / D van ISO 5817). Een gecertificeerd cijfer is een formele bepaling die afhangt van meer dan een oppervlaktefoto: het vereist metrologie, onderoppervlakte-onderzoek waar de norm dat vraagt (doorgaans gekwalificeerd niet-destructief onderzoek), de toepasselijke aanvaardingscriteria en je gekwalificeerde lasprocedurespecificatie (WPS) — uitgevoerd door gekwalificeerde inspecteurs volgens normen zoals ISO 9712.
De juiste kadering: de AI is een snelle, consistente eerste passage die kandidaat-indicaties markeert voor het gekwalificeerde proces — geen vervanging ervan. Hij vertelt een gekwalificeerde inspecteur waar te kijken, in diens eigen vocabulaire; de gecertificeerde bepaling blijft de zijne.
Hetzelfde principe generaliseert verder dan lassen. Voor maatkenmerken levert vision een snelle inline screening terwijl de gecertificeerde meting het domein van gekalibreerde metrologie blijft. De eerlijke positie is consistent over elke defectklasse: de AI versnelt en standaardiseert de screening; de gecertificeerde bepaling blijft bij het gekwalificeerde proces en de mensen die ervoor verantwoordelijk zijn.
Hyperion draait vision-AI-demo's live op deze site. In de defect-demo upload je één foto van een onderdeel, las of oppervlak en geeft een AI-laag een voorbeeld van wat een inspectielaag zou kunnen markeren; de fabrieksaudit-demo geeft een voorbeeld van hoe AI een breder fabrieks-/procesbeeld leest.
Eerlijkheidsgrens: dit zijn voorbeelden op basis van één foto, live getoond ter illustratie — geen gekalibreerde inspectie, formele audit of gecertificeerd cijfer. Zoals hierboven behandeld, brengt een vision-model kandidaat-indicaties naar voren; een gecertificeerde bepaling vereist metrologie, gekwalificeerd NDT waar de norm dat vereist, en je WPS. Verifieer elke uitvoer tegen je eigen proces en een gekwalificeerde inspecteur voordat je handelt.
Een feitelijk relaas van de achtergrond achter dit werk — geverifieerde feiten, geen marketingclaims.
Hyperion draait twee relevante demo's live op deze site: een fabrieksaudit-demo en een defect-demo. In de defect-demo uploadt een bezoeker één foto van een onderdeel, las of oppervlak en geeft een AI-laag een voorbeeld van wat een inspectielaag zou kunnen markeren. Beide worden live gedemonstreerd, elk met het eerlijke voorbehoud dat de uitvoer een voorbeeld op basis van één foto is — illustratief, geen gekalibreerde inspectie. Ze tonen de vorm van de capaciteit; ze zijn geen productie-inspectiesysteem.
Oprichter Mohammed Cherifi bracht meer dan 17 jaar door in de automotive- en embedded-systeemtechniek, waaronder werk bij Renault-Nissan-Mitsubishi Alliance, Cisco en ABB. Inline visuele kwaliteitsinspectie ligt op het snijvlak van optiek, embedded vision, lijnintegratie en kwaliteitssystemen — precies het terrein van die achtergrond.
Hyperion heeft Auralink gebouwd — een aan de edge gedeployd agentisch platform met 400+ microservices en ongeveer 20 AI-agenten (architectuur beschreven in de arXiv-preprint 2603.08736; een preprint, geen peer-reviewde publicatie). De patronen voor edge-inferentie en real-time deployment die dat programma uitoefent zijn dezelfde die een inline vision-inspectie-deployment nodig heeft.
Hyperion is een adviesbureau voor AI en edge-architectuur. De opdracht is vision-systeemontwerp, dataset- en annotatiestrategie, modelontwikkeling en edge-deployment — werkend naast je kwaliteitsingenieurs, de verlichtings-/optiekleverancier en je metrologie- en NDT-specialisten. Hyperion certificeert geen inspectieresultaten, vervangt geen geaccrediteerde tests en kent geen lascijfers toe. Het bouwt de AI-screeninglaag die je kwaliteitsproces voedt.
De meest volwassen en risicoarmste toepassingen zijn assemblage- en volledigheidscontroles (is het component aanwezig, correct georiënteerd, de juiste variant?) en contrastrijke oppervlaktedefecten (krassen, deuken, contaminatie, coatingdefecten). Lasoppervlaktekenmerken en maatkenmerken zijn detecteerbaar als screening, maar met belangrijke grenzen: vision brengt kandidaat-indicaties en snelle geometrische screening naar voren, terwijl gecertificeerde lasbeoordeling en gecertificeerde maatmeting gekwalificeerde inspectie, metrologie en je lasprocedure vereisen. De juiste scope begint met de ondubbelzinnige, binaire controles en breidt uit naarmate de dataset rijpt.
Omdat een defect dat niet zichtbaar is voor de sensor door geen enkel model kan worden gedetecteerd. Verlichtingsontwerp maakt het defect zichtbaar: diffuse koepelverlichting temt reflecterende oppervlakken, laaghoekige donkerveldverlichting zet krassen en deuken in reliëf, achtergrondverlichting handelt silhouet- en aanwezigheidscontroles af, coaxiale verlichting past bij vlakke spiegelende onderdelen. Teams die te weinig in verlichting en te veel in modelcomplexiteit investeren, krijgen consistent slechtere resultaten dan teams die het tegenovergestelde doen. Verlichting en optiek zijn het fundament; het model zit erbovenop.
Ja — defectschaarste is de normale situatie, geen blokkade. Een goed geleide lijn produceert vooral goede onderdelen, dus gelabelde defecten zijn zeldzaam. De pragmatische benaderingen zijn: anomaliedetectie die leert hoe „goed“ eruitziet en afwijkingen markeert (weinig of geen gelabelde defecten nodig om te starten), opzettelijke bemonstering van bekende slechte onderdelen, synthetische defectgeneratie en augmentatie, en het verzamelen van echte defecten over tijd om over te gaan naar supervised detectie. De meeste programma's beginnen met aanwezigheid/afwezigheid en anomaliescreening juist omdat die geen grote defectdataset vereisen.
Nee — en deze grens is niet onderhandelbaar. Een vision-model kan kandidaat-indicaties op het oppervlak van een las naar voren brengen (inkarteling, spatten, oppervlakteporositeit, onregelmatige rups, zichtbare scheuren) en ze koppelen aan het imperfectievocabulaire van een norm zoals ISO 5817. Het kent geen gecertificeerd kwaliteitsniveau toe. Een gecertificeerd cijfer is een formele bepaling die afhangt van metrologie, onderoppervlakte-onderzoek waar de norm dat vereist (doorgaans niet-destructief onderzoek), de toepasselijke aanvaardingscriteria en je gekwalificeerde lasprocedurespecificatie (WPS) — uitgevoerd door gekwalificeerde inspecteurs. De AI is een snelle, consistente eerste passage die kandidaten markeert voor dat gekwalificeerde proces; het is niet het gekwalificeerde proces.
Traditionele (regelgebaseerde) machine vision gebruikt handontworpen algoritmen — drempels, randdetectoren, template matching, blobanalyse — en blinkt uit bij welgedefinieerde, contrastrijke, deterministische controles (meet deze spleet, bevestig dit kenmerk). Geleerde (deep-learning)vision blinkt uit waar defecten variabel, contrastarm of moeilijk met expliciete regels te specificeren zijn — oppervlaktetextuurdefecten, subtiele cosmetische fouten, variabel uiterlijk. Ze zijn complementair: veel productiesystemen gebruiken regelgebaseerde vision voor de deterministische metrologie-achtige controles en geleerde modellen voor de vage, op uiterlijk gebaseerde defectklassen.
Aan de lijn. Kwaliteitsinspectie draait op productiesnelheid, dus inferentie gebeurt aan de edge — op een industriële pc of een vision-edge-module naast de camera — met begrensde, voorspelbare latentie die binnen de cyclustijd past en onafhankelijk van enige cloudverbinding werkt. Modellen worden geoptimaliseerd en gecompileerd voor de doel-edge-hardware om de doorvoer te halen. Geaggregeerde resultaten en beelden kunnen centraal worden verzonden voor bewaking en hertraining, maar de accepteer/afkeur-beslissing wordt lokaal genomen, in real time.
Niet op ruwe nauwkeurigheid — omdat defecten zeldzaam zijn, kan een model dat alles doorlaat 99% scoren en niets vangen. De metrieken die ertoe doen zijn recall op defecten (een ontsnapping is de dure fout), precisie (valse afkeuringen verspillen goede onderdelen en ondermijnen het vertrouwen van de operator) en prestatie per defectklasse. De accepteer/afkeur-drempel is een bewuste zakelijke beslissing die ontsnappingsrisico afweegt tegen kosten van valse afkeuring, en zou met de kwaliteitsingenieurs moeten worden vastgesteld, niet in het model begraven.
Nee. Hyperions scope is de AI-screeninglaag: vision-systeemontwerp, dataset- en annotatiestrategie, modelontwikkeling en edge-deployment. Gecertificeerde inspectie, geaccrediteerde tests, niet-destructief onderzoek, metrologie en lasbeoordeling worden uitgevoerd door je gekwalificeerde inspecteurs, je metrologieteam en geaccrediteerde instanties. Hyperion werkt naast die specialisten — de AI markeert kandidaten sneller en consistenter; de gecertificeerde bepaling blijft bij het gekwalificeerde proces.
ISO (2023). "ISO 5817: Welding — Fusion-Welded Joints in Steel, Nickel, Titanium and Their Alloys — Quality Levels for Imperfections."
Context: Definieert kwaliteitsniveaus (B/C/D) en het vocabulaire van lasimperfecties (inkarteling, porositeit, scheuren, onvolledige versmelting en andere). Een vision-model kan kandidaat-oppervlakte-indicaties aan dit vocabulaire koppelen; het toekennen van een kwaliteitsniveau is een gekwalificeerde bepaling, geen modeluitvoer.
ISO (2007). "ISO 6520-1: Welding and Allied Processes — Classification of Geometric Imperfections in Metallic Materials."
Context: Het referentie-classificatie- en nummeringssysteem voor lasimperfecties, dat de in ISO 5817 gebruikte terminologie onderbouwt. Het gedeelde vocabulaire voor het koppelen van kandidaat-indicaties.
ISO (2022). "ISO 17636 / ISO 17638: Non-Destructive Testing of Welds (Radiographic / Magnetic Particle)."
Context: Normen voor het niet-destructief onderzoek van lassen. Aangehaald om de grens te markeren: onderoppervlaktebeoordeling van lassen vereist gekwalificeerd NDT, dat een oppervlakte-vision-model niet uitvoert of vervangt.
ISO (2021). "ISO 9712: Non-Destructive Testing — Qualification and Certification of NDT Personnel."
Context: Specificeert de kwalificatie van personeel dat niet-destructief onderzoek uitvoert en certificeert — het gekwalificeerde menselijke proces waarvan een gecertificeerde bepaling afhangt.
BIPM / JCGM (2012). "International Vocabulary of Metrology (VIM) and Guide to the Expression of Uncertainty in Measurement (GUM)."
Context: De metrologiereferentie voor gecertificeerde maatmeting en meetonzekerheid — de basis voor het onderscheid tussen snelle vision-screening en gecertificeerde metrologie.
Bergmann, P. et al. (2019). "MVTec AD: A Comprehensive Real-World Dataset for Unsupervised Anomaly Detection."
Context: IEEE/CVF CVPR. Een veelgebruikte benchmark voor industriële inspectie voor ongesuperviseerde oppervlakte-anomaliedetectie — de canonieke referentie voor de benadering „leer het goede, markeer afwijkingen“ tegen defectschaarste.
Hyperion Consulting (2026). "arXiv preprint 2603.08736: Autonomous Edge-Deployed AI Agents for Physical Infrastructure."
Context: Preprint van de Hyperion-oprichter (niet peer-reviewd) over de architectuur van aan de edge gedeployde agenten. De patronen voor edge-inferentie en real-time deployment zijn rechtstreeks toepasbaar op inline vision-inspectie.
Of je nu beoordeelt of je defecten überhaupt detecteerbaar zijn of een volledige inline cel plant, de vroege beslissingen — verlichting, optiek, presentatie, datasetstrategie — bepalen het succes lang voordat enig model wordt getraind. Hyperion brengt meer dan 17 jaar ervaring in automotive en embedded systemen mee, naast productiewerk in aan de edge gedeployde AI, en een eerlijke lijn over wat AI-inspectie wel en niet kan certificeren. Begin met een gesprek.
Oprichter & Hoofd AI-strategie
Mohammed Cherifi is de oprichter van Hyperion Consulting, met meer dan 17 jaar in de automotive- en embedded-systeemtechniek. Hij is gespecialiseerd in de inzet van physical AI — en brengt operationele ervaring van Renault-Nissan-Mitsubishi Alliance, Cisco en ABB naar computer-vision-inspectie, edge-inferentie en industriële AI-architectuur.
Sensorgedreven faalvoorspelling — de begeleidende AI-capaciteit voor de werkvloer
Van simulatie naar productieklare robotautonomie, met dezelfde edge-inferentiediscipline
De 6-laags Physical AI Stack voor robotica, edge-AI en industriële automatisering
ISO 26262- en IEC 62443-overwegingen voor edge-AI in industriële omgevingen