Wat als het tellen van 200 dozen op een pallet 3 seconden kostte in plaats van 10 minuten? Dat is de belofte van AI-beeldherkenning toegepast op voorraad. Je richt een camera, maakt een foto en een model dat getraind is op miljoenen objecten geeft een telling terug met een visuele overlay die precies toont wat het heeft gedetecteerd.
Het klinkt futuristisch, maar de technologie draait al in magazijnen, winkels en op bouwplaatsen. Het verschil tussen de prestaties van handmatig tellen en AI-ondersteund tellen is groter dan de meeste operationele teams verwachten.
De markt voor voorraadtracking met computer vision groeit met een jaarlijks tempo van ongeveer 18% (CAGR) en zal naar verwachting 14 tot 16 miljard dollar bereiken in 2033, gedreven door de vraag vanuit e-commerce en vooruitgang in deep learning.
De werkelijke kosten van met de hand tellen
Handmatig tellen is al tientallen jaren de standaard in magazijnen en de zwakke punten zijn goed gedocumenteerd. Een menselijke teller die op normale snelheid werkt, haalt ongeveer 91% nauwkeurigheid, wat neerkomt op ruwweg een fout per 10 artikelen. Voeg gegevensinvoer in een spreadsheet toe en het foutpercentage stijgt met nog eens 1 tot 3 procent.
Naast fouten is de tijdsinvestering fors. Een volledige magazijntelling kan 16 tot 20 uur duren en vereist doorgaans een hele dag operationele stilstand. Zelfs gedeeltelijke telcycli kosten 5 tot 10 uur per week aan arbeidstijd, goed voor ongeveer 500 tot 1.000 dollar per maand per locatie alleen al aan loonkosten. Voor een klein of middelgroot bedrijf is dat echt geld dat naar een taak gaat die iedereen liever vermijdt.
Als je nog steunt op volledige jaarlijkse tellingen, legt onze gids voor cyclisch tellen uit hoe je overstapt naar een minder pijnlijk ritme. Maar zelfs cyclische tellingen hebben een plafond wanneer elk artikel met de hand wordt geteld.
Hoe beeldherkenning voorraad telt
Op hoofdlijnen is het proces eenvoudig. Een camera, of het nu een smartphone, een vaste schapencamera of een drone is, legt een beeld van de artikelen vast. Een deep-learningmodel analyseert de foto, detecteert elk individueel object en levert een totaal plus een visuele overlay die elk gevonden artikel markeert.
De meeste huidige systemen gebruiken objectdetectiearchitecturen zoals YOLO (You Only Look Once), die objecten in een enkele doorgang over het beeld kunnen identificeren en lokaliseren. Een studie uit 2026 gepubliceerd in Springers Multimedia Tools and Applications toonde aan dat een fijnafgestemd YOLOv11-model 97% telnauwkeurigheid behaalde in magazijnomstandigheden, inclusief lastige scenario's zoals lageresolutie-CCTV-beelden en moeilijk te onderscheiden witte stofrollen.
Het voordeel is niet alleen snelheid, maar verifieerbaarheid. Een fotogebaseerde telling levert bewijs: je kunt zien wat het model detecteerde, het werk controleren en resultaten in de loop van de tijd vergelijken. Een handmatige telling levert een getal op een klembord. Ons artikel over hoe machine learning het scannen van barcodes heeft veranderd beschreef een vergelijkbare verschuiving: van hardware-afhankelijke processen naar software-intelligentie die bij elke update verbetert.
Waar teams het vandaag gebruiken
Het AI-scanplatform van Vimaan legt voorraadgegevens vast in minder dan 20 seconden per locatie. Klanten melden cyclische tellingen die 40 keer sneller zijn dan handmatige methoden, met besparingen van 150.000 tot 200.000 dollar per jaar aan verminderde arbeid en vermeden foutieve verzendingen (Vimaan).
Southern Glazer's Wine and Spirits zette meer dan 40 Corvus One-drones in over negen distributiecentra. De drones voltooiden 5.000 vluchten, identificeerden meer dan 35.000 geverifieerde afwijkingen en maakten 60 tot 70 arbeidsuren per week per locatie vrij. De operatie schakelde van driemaandelijkse tellingen naar tweewekelijkse cycli (Dronelife, maart 2026).
Focal Systems plaatst camera's aan de schaprand in supermarkt- en retailketens en scant 200 miljoen producten per dag met meer dan 95% nauwkeurigheid, waarbij dagelijks bijna een miljoen out-of-stock-events worden gedetecteerd. Walmart Canada breidde het systeem na succesvolle pilots landelijk uit (Focal Systems).
Buizenfabrikanten gebruiken AI om buisuiteinden te tellen op vrachtwagens en in bundels, ter vervanging van trage handmatige tellingen. Bouwplaatsen volgen hout, wapeningsstaal en gestapelde materialen met objectdetectiemodellen die zijn getraind op specifieke vormen (Intelgic; MDPI Buildings, 2024).
Wat werkt en wat niet
AI-telling blinkt uit onder specifieke omstandigheden: een enkel objecttype, redelijke verlichting en artikelen die zichtbaar zijn vanuit de camerahoek. Een pallet met identieke dozen, een schap met flessen, een rek met buizen of een rij kartonnen dozen zijn ideale doelen.
Maar de technologie heeft duidelijke grenzen. Occlusie, waarbij artikelen achter of onder andere verborgen zijn, is de grootste uitdaging. Een studie uit 2025 van de Universiteit van Adelaide toonde aan dat huidige modellen moeite hebben wanneer objecten gedeeltelijk verborgen zijn, omdat het netwerk het bedekkende oppervlak codeert in plaats van het doelobject. In de praktijk: als 30% van de dozen op een pallet aan het zicht onttrokken is, zal de telling te laag uitvallen.
Andere uitdagingen in de praktijk zijn gemengde stapels met meerdere objecttypen, drukke scènes met sterke overlap en wisselende hoeken of lichtomstandigheden die de aannames van het model doorbreken. Wanneer teams niet kunnen verifiëren waarom een bepaald getal is geproduceerd, vallen ze terug op handmatige controles en voegt het hulpmiddel wrijving toe in plaats van het weg te nemen.
De eerlijke conclusie: AI-telling is een krachtig steekproefhulpmiddel en een groeiende vervanging voor routinetellingen onder gecontroleerde omstandigheden. Het is geen universele vervanging voor elk telscenario, althans nog niet.
Een gratis manier om het te proberen
Als je wilt zien hoe beeldgebaseerd tellen werkt voordat je je vastlegt op een platform, is ZapCount een gratis, webgebaseerde tool die objecten telt vanuit een enkele foto. Upload een afbeelding en de AI detecteert en telt de meest prominente objecten in de scène, met een totaal en een visuele overlay die elk gedetecteerd artikel markeert. Geen instellingen, geen account, resultaten in seconden.
Het werkt het best met een objecttype tegelijk (dozen, flessen, buizen, pallets) en verwerkt tot ongeveer 900 objecten per afbeelding. Verborgen of sterk bedekte artikelen worden mogelijk gemist, wat in lijn is met de beperkingen van elk op visie gebaseerd systeem. Maar voor een snelle steekproef in het magazijn of een telling op de bouwplaats is het een praktische manier om te testen of beeldtelling past in je werkproces.
Begin met een foto
Je hoeft je telproces niet om te gooien om dit te testen. Maak vandaag een foto van een pallet, een schap of een stapel. Laat hem door een AI-teltool lopen en vergelijk het resultaat met een handmatige telling. Die ene test vertelt je meer over waar deze technologie past in je operatie dan welke marktvoorspelling dan ook.
De technologie is niet perfect, maar voor de juiste toepassingen verandert het een taak van 10 minuten in een taak van 3 seconden met een fotobewijs. Dat is een test waard.