Kan AI foto's van defecten herkennen en toevoegen aan de juiste werkorder?

Ja, AI kan zichtbare afwijkingen op foto’s beschrijven, typeplaatjes en storingscodes uitlezen en foto’s via een ingerichte koppeling aan een werkorder toevoegen, mits de installatie en werkorder apart worden gecontroleerd; een foto alleen bewijst niet welk onderdeel defect is.

De bruikbare toepassing begint bij een compleet dossier voor de monteur: de juiste foto, het juiste toestel, de letterlijk gelezen code en wat nog niet vaststaat. Hieronder staan de gemeten prestaties, de voorwaarden voor een betrouwbare koppeling en de privacyregels voor foto’s bij mensen thuis. De cijfers zijn onderzoeksresultaten of leveranciersclaims, geen gemeten prestaties van Bombos.

Het korte antwoord

• Foto-upload bestaat al in werkbonsoftware: Syntess noemt deze functie in zijn Web-Werkbon-handleiding; dat bewijst geen automatische defectherkenning. Syntess, geopend 01-10-2026
• Op MMAD scoorde GPT-4o 94,98% op objectclassificatie, maar 68,63% als gemiddelde van de scores voor normale en afwijkende beelden. Het onderzoek meet industriële beelden, geen ketelfoto’s bij bewoners. MMAD, 12-10-2024
• AD-Copilot-Thinking haalde 82,29% gemiddeld op industriële beeldvragen, maar slechts 21% bij het aanwijzen van defecten met kaders op MMAD-BBox, bij een overlapgrens van 0,5. AD-Copilot v1, 14-03-2026
• super.AI meldt 99,98% nauwkeurigheid bij typeplaatgegevens, bereikt met AI én menselijke medewerkers, over meer dan 100.000 datapunten. Dit is een leveranciersclaim. super.AI, geopend 01-10-2026
• Simpro documenteert koppeling van een formulier aan de juiste opdracht via een correct ingericht Job ID; foto’s kunnen onderdeel van dat formulier zijn. Simpro, 08-01-2026
• Een correct gelezen storingscode is geen vastgesteld defect: Remeha noemt bij E.04.10 meerdere diagnostische routes. Remeha, geopend 01-10-2026
• Een foto zonder gezicht kan alsnog een persoonsgegeven zijn als hij via je klantdossier informatie over een identificeerbare bewoner bevat. Dat volgt uit de uitleg over indirecte identificatie. Rijksoverheid, 15-04-2023, p. 22-23

Wat kan AI herkennen op foto’s van ketels, displays en lekkages?

AI kan een foto gebruiken voor beeldbeschrijving en tekstherkenning; de technische oorzaak vraagt ander bewijs. Google documenteert beeldclassificatie, objectdetectie en antwoorden op beeldvragen. Dat zijn mogelijkheden, geen prestatiemeting voor jouw installaties. Google, geopend 01-10-2026

Splits een binnengekomen foto daarom in vier soorten informatie:

Dit is ons voorstel voor de taakverdeling, geen tabel met gemeten ketelprestaties.

Bewaar het onderscheid tussen waarneming en uitleg. Het voorstel mag bijvoorbeeld zeggen: vocht zichtbaar onder het toestel, bron niet vastgesteld. Dat is een fictief invoervoorbeeld, geen klantcase. Een uitspraak over een defecte pomp vraagt inspectie of aanvullende meetgegevens.

Voor deze pagina vonden we geen openbare, inhoudelijk geopende proef die de volledige keten valideert op Nederlandse klantfoto’s van ketels en lekkages. Er is dus geen onderbouwd algemeen percentage voor AI herkent keteldefecten. De onderstaande industriële cijfers laten wel zien welke onderdelen van beeldherkenning sterk en zwak zijn.

Hoe goed is defectherkenning volgens gemeten onderzoek?

Defectherkenning scoort aanzienlijk anders dan het herkennen van een voorwerp, en de meetmethode bepaalt wat een percentage betekent. MMAD bevat 8.366 beelden en 39.672 meerkeuzevragen, verdeeld over 38 productcategorieën en 244 defectcategorieën. MMAD, 12-10-2024

Bron: tabel II in AD-Copilot v1, 14-03-2026. Eén normaal referentiebeeld per testbeeld. De eerste kolom is het gemiddelde van de scores voor normale en afwijkende beelden. Onderzoeksvergelijking, geen ranglijst van actuele commerciële modellen.

Het gemiddelde omvat ook vragen over het voorwerp. Voor het voorspellen van kaders rond defecten rapporteert hetzelfde onderzoek op MMAD-BBox slechts 21% succes bij een overlapgrens van 0,5. De onderzoekers zetten de voorspelde en referentiekaders om in maskers en meten hun overlap; dit is geen score voor het exact natekenen van de defectcontour. Een meerkeuzeantwoord en een werkelijk aangewezen defectgebied zijn verschillende prestaties.

RobustMAD geeft een tweede waarschuwing. Qwen3-VL-4B haalt 97,62% op objectvragen, 76,59% op zelfstandig afwijkingen beoordelen en 61,25% bij afwijkingen die specifieke domeinkennis vragen. Bij open antwoorden haalt 72,8% minstens 3 van 5 punten volgens GPT-5 als beoordelend taalmodel, met menselijk gecontroleerde referentieantwoorden. RobustMAD, 26-06-2026, tabellen 3 en 4 en sectie 4.3.2

Dit zijn industriële datasets. Ze rechtvaardigen een assistent die bewijs verzamelt en twijfel toont. Ze bewijzen niet dat een onbekende ketel op een donkere telefoonfoto veilig beoordeeld kan worden.

Kan AI het merk en serienummer van een typeplaatje uitlezen?

AI kan typeplaatgegevens uitlezen, maar voor het serienummer telt de hele tekenreeks. Merkherkenning helpt zoeken; één verwisseld teken in een serienummer kan naar een andere installatie leiden.

super.AI beschrijft het uitlezen van fabrikant, model en serienummer. De leverancier meldt 99,98% gegevensnauwkeurigheid met een combinatie van AI en menselijke medewerkers. De pagina noemt meer dan 100.000 datapunten, geen aantal volledig juiste serienummers en geen afzonderlijke AI-score. super.AI, geopend 01-10-2026

Een oudere studie rapporteert 99,30% herkenning van letters en cijfers op elektrische typeplaten, met slechts 30 beelden in de testset. Deze waarde uit 2022 is geen maat voor de huidige techniek en geen Nederlandse keteltest. Ze maakt wel de meetfout zichtbaar: tekennauwkeurigheid is geen nauwkeurigheid van complete nummers. Zhang e.a., 10-08-2022

Eigen rekenvoorbeeld: tekenkans tot de macht 12, met onafhankelijke fouten. Alleen de rij 99,3% gebruikt de historische onderzoekswaarde als invoer. De uitkomsten zijn geen gemeten serienummerprestaties; echte leesfouten kunnen samenhangen.

Ons inrichtingsadvies: toon de typeplaatuitsnede naast elk gelezen veld, bewaar voorloopnullen en controleer het volledige serienummer tegen het installatieregister. Vul een slecht leesbare nul niet stilzwijgend als letter O in. Een bijna-overeenkomst hoort bij de vragen voor de planner, niet bij definitief gekoppelde foto’s.

Bewijst een storingscode op de foto welk onderdeel defect is?

Een storingscode beschrijft een gemelde toestand van een bepaald toestel; hij bewijst niet welk onderdeel defect is. Eerst moet vaststaan welke code zichtbaar is en bij welk merk en model de code hoort.

Intergas beschrijft code 4 als het ontbreken van een vlamsignaal. Remeha beschrijft E.04.10 voor de Tzerra Ace als vergrendeling na een mislukte branderstart en onderscheidt drie situaties: geen ontstekingsvonk, wel vonk zonder vlam en wel vlam zonder voldoende ionisatie. Intergas, geopend 01-10-2026, Remeha, geopend 01-10-2026

De juiste administratieve uitkomst is dus een vastgelegde code met de toepasselijke fabrikantdocumentatie. Niet automatisch een materiaalregel voor een nieuwe ontstekingselektrode. Dat verkleint de kans dat een onzekere interpretatie een bestelling, verkeerde voorbereiding of onjuist reparatieadvies wordt.

Ons voorstel bevat hiervoor vier aparte velden: letterlijk gelezen displaytekst, gevonden toesteltype, uitleg met handleidinglink en de vraag die de monteur nog moet onderzoeken. Is een deel van het display afgesneden, dan blijft ook de code onvolledig. De fabrikantbron van Remeha richt de beschreven werkzaamheden op gecertificeerde installateurs. Een AI-beschrijving verandert die vakinhoudelijke grens niet.

Hoe komt de foto bij de juiste installatie en werkorder?

Een betrouwbare fotokoppeling begint bij een gecontroleerde opdrachtidentiteit; beeldherkenning is aanvullend bewijs. Simpro documenteert dat een formulier met een correct benoemd en gekoppeld Job ID bij de betreffende opdracht terechtkomt. De serviceapp ondersteunt ook QR- en barcode-identificatie van installaties. Simpro Forms, 08-01-2026, Simpro Mobile, geopend 01-10-2026

Een foto die de monteur binnen een gekozen werkbon maakt, heeft al context. Een losse mailbijlage van een bewoner heeft die zekerheid niet. Gebruik voor die tweede stroom de volgende beslisregels. Dit is ons ontwerpvoorstel, geen beschrijving van een standaardfunctie in ieder pakket.

Ook met een uniek serienummer staat de werkorder nog niet vast. Er kan zowel een onderhoudsbeurt als een storingsbezoek openstaan. De bedoeling van de aanlevering bepaalt welke opdracht de foto nodig heeft.

Leg daarom bronbericht, installatie, gekozen werkorder en reden samen vast. Laat daarna de koppeling bevestigen, lees het opgeslagen resultaat terug en controleer of dezelfde foto niet nogmaals is toegevoegd. Het bredere verschil tussen zoeken en vaste systeemstappen staat bij AI-agents versus workflow automation.

Waarom kan een herkenningsscore van 95% alsnog te weinig zijn?

Een herkenningsscore zegt niets over de complete keten zolang installatiekeuze en opslag niet zijn meegemeten. Een juiste beschrijving bij de verkeerde werkorder blijft een verkeerde uitkomst.

Neem een fictief rekenvoorbeeld met drie voorwaardelijke kansen: 95% juiste fotoverwerking; van die gevallen 98% juiste installatiekeuze; daarvan 99% correcte opslag. De hele keten komt dan op 0,95 × 0,98 × 0,99 = 92,17%. Op 1.000 pogingen zijn circa 78 uitkomsten niet volledig juist. Dit zijn gekozen aannames, geen meting bij een leverancier of klant.

Daarom is onze stelling: voor werkorderfoto’s is controleerbaar koppelen waardevoller dan indrukwekkend diagnosticeren. Bij een beschrijvingsfout kan de monteur de foto bekijken. Bij een verkeerde koppeling ziet hij het verkeerde toestel, terwijl de juiste werkorder informatie mist. Bovendien verschijnt het beeld dan bij mensen die voor dat andere dossier toegang hebben. Dat maakt de dossierkeuze ook onderdeel van privacybescherming.

Maak de keuze om te stoppen dus expliciet. Twee passende installaties gevonden is een bruikbaar voorstel. Waarschijnlijk deze ketel als stilzwijgende definitieve koppeling is dat niet. Eén gemiddelde score beloont anders systemen die veel proberen en hun twijfel verbergen. Meet hoeveel foto’s aantoonbaar goed gekoppeld worden én hoeveel aanleveringen eerst een vraag nodig hebben. Hoe je goedkeuren organiseert staat bij fouten en controle.

Welke foto’s zijn geschikt en wat doe je met een slechte foto?

Een bruikbare foto laat precies het benodigde bewijs leesbaar zien. Google waarschuwt dat hogere verwerkingsresolutie helpt bij kleine tekst, maar extra verwerking vraagt. Een grote overzichtsfoto vervangt daarom geen leesbare uitsnede van het serienummer. Google, geopend 01-10-2026

Google Document AI geeft voor documenten een beeldkwaliteitsscore van 0 tot 1 en onderscheidt acht soorten gebreken, waaronder onscherpte, donkerte, kleine tekst, afgesneden tekst en schittering. Onder 0,5 geeft de dienst een lijst met negatieve kwaliteitsredenen. Dit is geen kans dat een nummer juist is en geen validatie op ketelfoto’s. Google Cloud, geopend 01-10-2026

In RobustMAD daalt Qwen3-VL-4B op alle meerkeuzevragen van 88,31% naar 86,12% bij kunstmatig verslechterde beelden. Zo’n gemiddelde is geen veilige grens voor één onleesbaar typeplaatje. RobustMAD, 26-06-2026, tabellen 3 en 5

Ons aanleveradvies bestaat uit drie beelden: een overzicht met herkenbare installatiecontext, een scherpe foto van het toegankelijke typeplaatje en een detail van het display of zichtbare probleem. Dat is een werkafspraak, geen onderzocht ideaal aantal. Vraag de klant niet om het toestel open te maken.

Ontbreekt één teken, vraag dan gericht om een nieuwe foto van dat deel. Verwerk een nieuwe foto eerst als nieuwe waarneming; overschrijf de oude niet zonder verklaring. Een eerdere foto kan van vóór een vervanging zijn. Scherpte helpt lezen, maar bewijst niet dat de klant de juiste installatie heeft gefotografeerd.

Hoe test je of foto’s werkelijk goed bij werkorders belanden?

Een goede proef beoordeelt de hele fotoketen op nieuwe dossiers, inclusief gevallen waarin het systeem moet stoppen. Alleen een demonstratie met scherpe, vooraf gekozen foto’s zegt daar weinig over.

Ons voorstel: gebruik 300 afzonderlijke installaties of dossiers, waaronder 60 lastige aanleveringen. Neem onleesbare platen, meerdere toestellen op één adres, een vervangen installatie, een oude foto, twee open werkorders en een opnieuw doorgestuurde bijlage op. Deze aantallen zijn een testontwerp, geen industrienorm. Houd voorbeelden waarmee je de inrichting aanpast buiten de uiteindelijke beoordeling.

Rapporteer twee verhoudingen: juiste uitgevoerde koppelingen gedeeld door alle uitgevoerde koppelingen, en uitgevoerde koppelingen gedeeld door alle aanleveringen. Een systeem dat iedere foto tegenhoudt maakt geen koppelfout, maar neemt ook geen werk over.

Zelfs nul fouten bewijst geen foutloosheid. Bij nul fouten in 300 onafhankelijke, representatieve koppelingen ligt de eenzijdige statistische bovengrens rond 1% bij 95% betrouwbaarheid: 1 - 0,05^(1/300). Bij slechts 150 uitgevoerde koppelingen wordt dat circa 2%. Dit is een eigen binomiale berekening; een geselecteerde proefset voldoet niet vanzelf aan de aannames. Voor de algemene proefopzet zie een AI-agent testen voordat je automatiseert.

Mag je foto’s bij mensen thuis door AI laten verwerken?

Foto’s bij mensen thuis mogen niet zonder passende grondslag en bescherming worden verwerkt zodra ze persoonsgegevens bevatten. Een gezicht is daarvoor niet vereist. De officiële AVG-handleiding bespreekt ook identificatie door gegevens te combineren. Onze toepassing daarvan: een toestelbeeld dat via een werkorder informatie over een identificeerbare bewoner bevat, valt niet buiten de AVG doordat alleen de ketel zichtbaar is. Rijksoverheid, 15-04-2023, p. 22-23

Toestemming is niet de enige grondslag. Noodzakelijke verwerking voor de uitvoering van een overeenkomst kan een grondslag zijn, maar de bewoner moet zelf partij zijn bij die overeenkomst. Een onderhoudscontract met een verhuurder levert dus niet automatisch diezelfde grondslag op voor alle bewonersgegevens. Beoordeel de werkelijke partijen, noodzaak en eventuele andere grondslag. Rijksoverheid, 15-04-2023, p. 36

Beperk het beeld tot wat nodig is voor de storing. Ons praktische advies: vermijd bewoners, poststukken, familiefoto’s en andere privé-informatie in de opname. Stuur voor typeplaatherkenning alleen de benodigde uitsnede naar het model. Informeer de betrokkene over het doel, de ontvangers en de bewaartermijn, of de criteria om die termijn te bepalen. Rijksoverheid, 15-04-2023, p. 77 De EDPB verlangt minimale gegevens, transparantie en doelgebonden opslag. Er is geen algemene termijn die iedere werkorderfoto moet volgen. EDPB, geopend 01-10-2026

Een dossierfoto en een tijdelijke modelkopie hebben verschillende functies. Leg voor beide vast wanneer ze weg kunnen. De werkbon bewaren betekent niet dat iedere tijdelijke kopie even lang nodig blijft.

Wat moet je met de AI-leverancier en het werkordersysteem afspreken?

Bij verwerking van huisfoto’s moet je vastleggen wie de gegevens ontvangt, voor welk doel en met welke toegangsrechten. Als de AI-leverancier uitsluitend in jouw opdracht persoonsgegevens verwerkt, hoort daar een verwerkersovereenkomst bij. Subverwerkers en het wissen of teruggeven van gegevens moeten daarin worden geregeld. EDPB, geopend 01-10-2026

Vraag ook of foto’s voor eigen modeltraining worden gebruikt. Dat is een ander doel dan jouw werkorder voorbereiden. Neem niet aan dat de leverancier daarvoor alleen verwerker blijft; volgens de EDPB worden de rollen bepaald door wie doel en middelen vaststelt.

Beperk vervolgens de toegang in het werkordersysteem. Het principe is dat medewerkers alleen de gegevens zien die ze nodig hebben. Onze vertaling naar deze taak: geen openbare fotolinks, geen toegang tot alle klantwoningen voor iedere medewerker en een controleerbaar log van toevoegingen en verplaatsingen. EDPB, geopend 01-10-2026

EU-opslag beantwoordt ten slotte niet de hele doorgiftevraag. Controleer ook welke andere organisaties buiten de Europese Economische Ruimte foto’s kunnen ontvangen. Voor zulke doorgifte gelden aanvullende voorwaarden, naast de gewone AVG-plichten. EDPB, geopend 01-10-2026

Koppelherstel hoort bij die afspraken. Als een foto in het verkeerde dossier belandt, moet je kunnen vaststellen waar hij stond en wie toegang had. Een nieuwe correcte koppeling wist de eerdere verspreiding niet vanzelf uit.

Waar gaat dit naartoe?

De meetbare vooruitgang zit ook in beter bewijs verzamelen rond hetzelfde model. In juli 2026 rapporteerde GLLS met Qwen3-VL 8B een stijging van 84,4% naar 91,2% op vijf MMAD-QA-taken binnen MVTec, en van 74,2% naar 84,7% binnen VisA. De GLLS-variant gebruikt één normaal referentiebeeld en combineert referentiegegevens, specificaties en gericht zoeken in beelduitsneden. GLLS, 04-07-2026, tabel 1

Dat is respectievelijk 6,8 en 10,5 procentpunt verbetering binnen één onderzoeksvergelijking. Het is geen zuivere tijdreeks en geen keteltest. Het laat wel zien waarom alleen een nieuwer model kiezen te weinig is: de inrichting bepaalt welk bewijs het model krijgt en onderzoekt.

Onze verwachting: eind 2027 wordt een klein, controleerbaar bewijsdossier belangrijker dan een vrije AI-diagnose. Bij een foto horen dan de gelezen typeplaat, de code met fabrikantbron en de gecontroleerde installatie en werkorder. De winst zit in minder los opzoekwerk voordat de monteur het defect onderzoekt.

Die verwachting breekt als echte klantbeelden te slecht blijven, installatieregisters onvoldoende kloppen of de koppeling niet betrouwbaar kan schrijven en teruglezen. Een benchmarkverbetering lost dat niet op. De richting voor Bombos is daarom om beeldbewijs, dossiercontrole en de ontbrekende vragen samen in één voorstel te regelen, zodat je team de uitkomst kan beoordelen.

Wat kan dit (nog) niet?

AI-fotoverwerking kan ontbrekend bewijs niet vervangen. Een uitwendig beeld toont geen onzichtbare interne schade. Een foto zonder duidelijke code levert geen betrouwbare volledige code op. Een nette beschrijving bewijst geen veilige installatie.

Ook een perfect gelezen serienummer bewijst niet dat de foto bij de bedoelde melding hoort. De klant kan een ander toestel hebben gefotografeerd, de installatie kan vervangen zijn en het register kan achterlopen. Bij tegenstrijdige gegevens moet de koppeling stoppen.

De geopende bronnen bieden geen gevalideerd percentage voor Nederlandse huishoudelijke keteldefecten of een complete foto-naar-werkorderdienst van Bombos. De industriële cijfers, leveranciersclaims en eigen rekenvoorbeelden op deze pagina mogen daar niet voor doorgaan.

De eerste inzet blijft daarom afgebakend: gegevens en foto’s voorbereiden, twijfel zichtbaar maken en gecontroleerd vastleggen. Een definitieve technische diagnose, reparatiebesluit of veiligheidsbeoordeling blijft werk voor de bevoegde vakmens. De waarde is dat die vakmens het juiste bewijs bij de juiste opdracht krijgt.

Hoe pakt Bombos dit aan?

Bombos begint bij het werk tussen de binnengekomen melding en je eigen planningspakket: klant en installatie opzoeken, gegevens verzamelen en een voorstel met reden klaarzetten. Jij beoordeelt dat voorstel in Bombos. Gerelateerde pagina’s voor deze taak zijn een storing inplannen en planning bij installatie en technisch onderhoud.

Voor foto’s richten we daar een concrete taak omheen in: welke typeplaatvelden je nodig hebt, welk bewijs de installatie identificeert, welke werkorder de foto krijgt en wanneer er eerst een vraag moet komen. De beeldherkenning en de opslag in jouw pakket toetsen we afzonderlijk. De hier gecontroleerde bronnen onderbouwen geen universele defectherkenner of bewezen fotoherkenningspercentage voor Bombos.

Bij het voorstel hoort de foto met de gelezen gegevens en de reden voor de dossierkeuze. Jij corrigeert of keurt goed in Bombos; na akkoord komt het resultaat in je eigen systeem. Een bericht aan de klant wacht standaard op jouw akkoord. Wat alleen de monteur weet, vragen we uit en leggen we vast. Gevonden gegevens en afspraken moeten controleerbaar zijn. Zie ook onderhoud en inspecties.

Het doel is met hetzelfde team meer werk doen, van een hogere kwaliteit. Deze fototaak is het begin. Wij nemen je mee bij de inrichting; daarna leert je eigen team Bombos de volgende taak. Correcties worden regels voor volgende voorstellen, zonder dat je team technisch hoeft te zijn.

Bronnen

De externe bronnen zijn op 1 oktober 2026 inhoudelijk geopend en gecontroleerd. Het artikel parafraseert de bevindingen; invoervoorbeelden zijn eigen voorbeelden. Documentatie van makers is commercieel materiaal. Onderzoekspercentages meten de genoemde taken, geen prestaties van Bombos.

1. Syntess: inhoudsopgave Web-Werkbonnen, zonder vastgestelde datum, geopend 01-10-2026.
2. Simpro: Mobile App, makerdocumentatie, geopend 01-10-2026.
3. Simpro: How to Submit Forms, bijgewerkt 08-01-2026, geopende staging-documentatie.
4. MMAD: industriële beeldbenchmark, gebruikte versie 12-10-2024; onderzoek later verschenen bij ICLR 2025.
5. AD-Copilot: industriële beeldvergelijking, gebruikte versie 14-03-2026.
6. RobustMAD: robuustheid en onbeantwoordbare vragen, brondatum 26-06-2026; geaccepteerd bij TMLR 2026.
7. GLLS: Global Logic and Local Search, 04-07-2026; geaccepteerd bij ECCV 2026.
8. Google: Image understanding, makerdocumentatie, geopend 01-10-2026.
9. Google Cloud: Enterprise Document OCR, makerdocumentatie, geopend 01-10-2026.
10. super.AI: Automating Data Plate Extraction, ongedateerde leverancierscase, geopend 01-10-2026.
11. Zhang e.a.: Optical Character Recognition of Power Equipment Nameplate, 10-08-2022.
12. Intergas: klantenservice en storingscodes, makerdocumentatie, geopend 01-10-2026.
13. Remeha: Tzerra Ace E.04.10, makerdocumentatie, geopend 01-10-2026.
14. Rijksoverheid: Handleiding AVG en UAVG, versie 2.0, 15-04-2023.
15. EDPB: Data protection basics, geopend 01-10-2026.
16. EDPB: Data controller or data processor, geopend 01-10-2026.
17. EDPB: Secure personal data, geopend 01-10-2026.
18. EDPB: International data transfers, geopend 01-10-2026.
19. Bombos: storing inplannen, planning bij installatie en onderhoud en inspecties. Eigen aanbod van Bombos; geen onafhankelijke prestatiemeting.