På familiens plastfabrik stod brødrene Carl og Mads Fagerlund i perioder og sorterede fejlbehæftede plastprodukter fra i hånden.
Arbejdet var ensformigt og krævede fuld koncentration.
På et tidspunkt blev de enige om, at det måtte kunne gøres smartere. De begyndte derfor at eksperimentere med kameraer og kunstig intelligens for at få en computer til selv at opdage fejlene.
Det blev starten på Deepvis, som i dag udvikler AI-baserede visionsystemer til industriel kvalitetskontrol, der mange steder stadig udføres manuelt.
Kender problemet fra fabriksgulvet
Brødrene Fagerlund har ikke baggrund i softwarebranchen, men i produktion. I flere år arbejdede de på Kifa Plast, familiens plastfabrik, hvor de blandt andet stod med kvalitetskontrol af genanvendelige plastkopper til store brands.
I perioder sorterede de manuelt fejlbehæftede produkter fra, hvor selv små ridser, mærker eller fejl i produktionen kunne betyde, at hele batches måtte kontrolleres manuelt igen.
”Så vi har mærket konsekvenserne helt tæt på,” siger Carl Fagerlund, CEO og medstifter af Deepvis.
Arbejdet på fabrikken gav samtidig brødrene et indblik i, hvor svært det kan være at skabe ensartet kvalitetskontrol, når vurderingerne foretages manuelt fra medarbejder til medarbejder.
Erfaringerne blev senere udgangspunktet for Deepvis, som vil gøre automatiseret kvalitetskontrol lettere at bruge direkte ude i produktionen.
”Vi ville bygge det system, vi selv manglede dengang. Noget der er hurtigt, enkelt og intuitivt at bruge for de operatører, der står ude ved maskinerne hver dag, uden at der skal eksterne specialister ind over,” forklarer Carl Fagerlund
Vil gøre kvalitetskontrol enklere
Automatiseret kvalitetskontrol med kameraer findes allerede. Problemet er, at traditionelle løsninger ofte kræver specialister, omfattende programmering af algoritmer og store mængder træningsdata. Samtidig er både implementering og løbende drift ofte forbundet med store omkostninger.
Og hvis produktionen ændrer sig, eller der opstår nye fejltyper, skal systemerne mange steder omkonfigureres manuelt.
Det er den kompleksitet, Deepvis vil fjerne.
Deres løsning fungerer som et ekstra sæt øjne på produktionslinjen, hvor kameraer løbende analyserer produkterne. I stedet for at blive programmeret til hver enkelt fejl lærer systemet normale mønstre i produktionen og reagerer på afvigelser.
Det gør det mere fleksibelt i blandt andet produktioner med genbrugsplast, hvor farver, strukturer og overflader kan variere fra batch til batch, men også i f.eks. svejsninger, hvor små variationer kan være acceptable fra emne til emne.
En flaskehals mange kæmper med
Selvom store dele af industrien er automatiseret, bliver den visuelle kvalitetskontrol mange steder stadig udført manuelt via stikprøver. Det betyder, at virksomheder ofte kun kontrollerer en lille del af de emner, der forlader produktionen.
Samtidig stiger presset på producenterne fra både dokumentationskrav, mangel på arbejdskraft og større krav til sporbarhed og ensartet kvalitet.
Deepvis’ tilgang er i stedet løbende kvalitetskontrol af alle emner direkte i produktionen, samtidig med at systemet gemmer data og dokumentation for hver enkelt kontrol.
”I dag har langt størstedelen af større fabrikker automatiseret produktionen med robotter og automatikanlæg, men kun omkring 15 procent har automatiseret den visuelle kvalitetskontrol,” siger Mads Fagerlund.
Mange virksomheder bruger derfor stadig medarbejdere til at kontrollere svejsninger, plastemner og emballage for fejl. Det er tidskrævende, skaber flaskehalse og øger risikoen for fejl, når produktionen vokser eller virksomhederne mangler hænder. Det kan føre til produktionsstop, reklamationer eller manuelt efterarbejde.
Testet i industriel produktion
For at teste om Deepvis’ teknologi kunne bruges til automatiseret kontrol af svejsninger, indgik Johannes Pedersen Maskinfabrik i Viborg et udviklings- og testforløb med virksomheden i regi af MADE, Manufacturing Academy of Denmark.
Hos Johannes Pedersen Maskinfabrik producerer man blandt andet cykelholdere til tog, hvor tusindvis af svejsninger skal kontrolleres.
”Vores operatør bliver meget træt, hvis han skal kontrollere 5.000 emner. Og med flere ordrer stiger presset, og han vil ikke have tid til det. Så ville vi ikke kunne levere til tiden,” forklarer Falko Thuesen, indkøbsansvarlig hos Johannes Pedersen Maskinfabrik.
Deepvis’ løsning blev trænet på billeder af både fejlfrie og defekte svejsninger og sammenholdt med vurderinger fra virksomhedens svejsekoordinator.
Systemet vurderede svejsningerne på samme måde som virksomhedens svejsekoordinator i 90,2 procent af tilfældene. Det markerede samtidig ikke fejl, hvor der ikke var nogen. I flere af de tilfælde, hvor vurderingerne var forskellige, havde den identificeret fejl, som den manuelle kontrol ikke fangede.
”Fordelen ved at automatisere kvalitetskontrollen er, at vi får en mere ensartet kvalitet. Samtidig aflaster vi svejsekoordinatoren, fordi han ikke længere skal bruge så meget tid på det krævende arbejde,” siger Falko Thuesen.
Projektet blev dermed et vigtigt bevis på, at teknologien også kan bruges i metalindustrien.
Fra test til første kunde
Deepvis blev stiftet i 2024, men er allerede begyndt at omsætte teknologien kommercielt. AVK Plast er virksomhedens første betalende kunde.
“Vi er meget tilfredse med samarbejdet med Deepvis og de to stiftere,” siger Claus Koch Jensen, CEO hos AVK Plast.
Samtidig arbejder Deepvis med flere pilot- og udviklingsprojekter inden for både plast- og metalindustrien. Virksomheden er blandt andet i gang med at udvikle og teste en løsning, der først skal implementeres på anlæg i Asien og senere i Sverige.
”Det sværeste har været at bygge en standardplatform, som fungerer på tværs af kunder og produktioner, uden at vi skal udvikle en ny løsning hver gang,” siger Carl Fagerlund.
Ifølge Deepvis kan investeringen hos nogle producenter tjenes hjem på under et år gennem færre manuelle kontroller og mindre spild.
Fokus er nu at skalere systemet til virksomheder med høje krav til kvalitet, dokumentation og sporbarhed.
En del af Aalborg Universitet
Deepvis er en del af Innovate, Aalborg Universitets iværksættermiljø for startups og vækstvirksomheder med fokus på teknologi, innovation og kommercialisering.
De er samtidig blandt de opstartsvirksomheder, der præsenteres ved Aalborg Investor Summit 2026 den 21. maj. Her mødes investorer, virksomheder og iværksættere omkring nye teknologier.
“Deepvis er et godt eksempel på virksomheder, der tager udgangspunkt i konkrete udfordringer i industrien og omsætter dem til teknologi med internationalt potentiale. Det er netop den type virksomheder, vi gerne vil hjælpe med at vokse,” siger Mads Bang.
Hos Deepvis er fokus nu at opbygge stærke referencer og gøre platformen klar til bredere udrulning i industrien.
”De næste 12 måneder skal vi blive bedre rustet til at levere systemer til plast- og emballagefabrikker i hele Danmark. Vi skal opbygge en organisation, der kan vokse med efterspørgslen,” forklarer Carl Fagerlund.
“Målet er at skalere både salg og levering gennem mere automatisering og samarbejde med distributionspartnere, så vi kan hjælpe langt flere virksomheder.”
