EPS | Krat identificatie voor statiegeld
1. Introductie van de klant Wie is de klant? Euro Pool System (EPS) is de toonaangevende logistieke dienstverlener van herbruikbare verpakkingen in de Europese versketen.
door Guus van der Ham
AI Solutions Engineer
1. Introductie van de klant
Wie is de klant?
Euro Pool System (EPS) is de toonaangevende logistieke dienstverlener van herbruikbare verpakkingen in de Europese versketen. Met meer dan 1,3 miljard krattencirculaties per jaar (Returnable Transport Items, RTIs) en 200 servicecenters in 38 landen vormt EPS een cruciale schakel in de distributie van groente, fruit en andere versproducten.
Waarom kwam EPS naar Clockworks?
EPS benaderde ons met een duidelijke vraag: hoe kunnen we de enorme administratieve last van handmatig tellen en registreren terugdringen én tegelijk meer grip krijgen op de stroom van kratten door de keten? Het doel: efficiënter werken, fraude tegengaan en kosten besparen dankzij betrouwbare en geautomatiseerde registratie.
2. Uitdaging
Het tellen en registreren van kratten gebeurde grotendeels handmatig—traag, foutgevoelig en niet schaalbaar. Dit leidde tot:
- Klachten van klanten door foutieve statiegeldafrekeningen
- Hoge kosten door verlies, diefstal en oneigenlijk gebruik
- Geen sluitende controle op crate-flows binnen de keten
Bestaande oplossingen, zoals dure hardwareportalen (bijvoorbeeld van VistaLink), zijn vaak te log en kostbaar om breed uit te rollen. EPS zocht dus een schaalbaar en flexibel alternatief.
3. Oplossing & Aanpak
Welke AI-oplossing hebben we voorgesteld?
Clockworks ontwikkelde voor Stack & Track (dochteronderneming van EPS) een AI-oplossing die kratten automatisch kan tellen, identificeren en registreren op basis van camerabeelden.
Samen met EPS begonnen we klein, met een pilot op pallets met enkele krattypes. Daarna breidden we stap voor stap uit naar complexere situaties: gemixte pallets, rollcontainers, dollies, onregelmatige stapelingen en allerlei andere producten ertussen.
Onze AI gebruikt computer vision om:
- De ‘Logistic Unit’ (zoals een pallet of trolley) te detecteren
- Individuele kratten te tellen
- Datamatrix-codes te lezen
- En het krat-type te herkennen
Overlappende beelden van voor- en achterkant worden slim samengevoegd tot één betrouwbaar resultaat.
Twee toepassingen:
- E-Taggers: poortscanners met hi-res camera’s, ideaal voor distributiecentra met hoge doorstroom
- Handhelds: via de Stack & Track-app kunnen medewerkers kratten tellen met een smartphone of scanner
4. Implementatie
Hoe is het aangepakt?
De implementatie vergde meerdere iteraties. Een van de grootste struikelblokken? Pallets met opgevouwen kratten. Plots ging het van 30–60 naar honderden kratten per foto. Door slimme optimalisaties in onze AI-pipeline konden we ook deze uitdaging aan. Daarnaast werd de oplossing getest in uiteenlopende omstandigheden: slechte belichting, plastic omwikkeling, beschadigde kratten en vervuilde datamatrices. Door deze praktijkvariatie vanaf het begin mee te nemen, konden we de betrouwbaarheid van het systeem aanzienlijk verhogen.
Naast de technische ontwikkeling draaide dit project ook om slim omgaan met data. We begonnen met het verzamelen van beelden van gestandaardiseerde pallets op EPS-depots. Naarmate de prestaties van de AI verbeterden, breidden we de dataset stap voor stap uit naar nieuwe locaties, krattypes en complexe scenario’s.
In drie jaar tijd verwerkten we duizenden foto’s, geannoteerd door een dedicated team van werkstudenten. Daarbij ontwikkelden we een eigen annotatiestructuur die twee doelen dient:
- Onze AI-modellen kunnen trainen op heel specifieke omstandigheden
- Nieuwe use cases snel en efficiënt integreren in het systeem
Deze aanpak zorgt ervoor dat we snel kunnen schakelen als klantwensen veranderen of de praktijk nieuwe uitdagingen oplevert.
Hoe verliep de samenwerking tussen EPS en Clockworks?
De samenwerking was zeer prettig. Door het vertrouwen wat we van EPS kregen hebben we ons tijdens de ontwikkeling erg gesteund gevoeld. Ook als er vragen waren, werden deze zo snel mogelijk behandeld. Uiteindelijk resulteerde dit in een stevig partnership, waar we allebei momenteel nog steeds hard aan werken.
5. Resultaten & Impact
De AI-oplossing levert “superhuman performance”: sneller, accurater en consistenter dan handmatige tellingen. Waar menselijke fouten oplopen tot ca. 7% per pallet, biedt het systeem betrouwbare, reproduceerbare resultaten.
Voor EPS betekent dit:
- Minder klachten van klanten door foutloze statiegeldafrekeningen
- Fraudepreventie door sluitende registratie van crate-flows in de keten
- Lagere operationele kosten dankzij automatisering en minder administratieve lasten
Schaalbaarheid van grote distributiecentra tot kleinere depots en farms.
6. Learnings & Toekomst
Het project liet zien dat een ogenschijnlijk simpele taak, namelijk kratten tellen, in de praktijk complex is door de enorme variatie in real-world omstandigheden. Door nauw samen te werken met EPS en iteratief te ontwikkelen, konden we die complexiteit stap voor stap ondervangen.
Belangrijkste learnings:
- Flexibiliteit is cruciaal: het systeem moet ook omgaan met onbekende krattypes of rommelige stapelingen
- Edge cases maken het verschil: plastic wrap, opgevouwen kratten en slechte foto’s zijn geen uitzonderingen maar dagelijkse realiteit
- Samen leren versnelt: de gezamenlijke testcases met EPS versnelden de verfijning van de modellen
Vooruitkijkend richt Clockworks zich op de uitrol van de E-Tagger bij grote klanten en het uitbreiden van de pipeline met nieuwe use cases. Denk aan verdere integratie in administratieve systemen, herkennen van nieuwe RTI-types en internationale schaalverg
Benieuwd wat Clockworks voor jouw organisatie kan betekenen? Plan een demo of neem contact met ons op. We laten je graag zien hoe simpel AI kan zijn.
BrabantWater | Asset herkenning
door Alexander Kern
AI Solutions Engineer
1. Introductie van de klant Wie is de klant? Brabant Water is verantwoordelijk voor de drinkwatervoorziening in de provincie Noord-Brabant. Met meer dan 2,5 miljoen inwoners en duizenden kilometers aan leidingen zorgt het bedrijf dagelijks voor betrouwbaar en veilig drinkwater. Om die rol duurzaam te kunnen vervullen, is goed inzicht in de eigen infrastructuur essentieel. Waarom kwam BrabantWater naar Clockworks? BrabantWater was al een vertrouwde klant van ons product Blicker (lees: Stedin | Meterstanden Openemen). Toen BrabantWater ontdekte dat onvoldoende overzicht van hoofdkranen in het netwerk leidde tot hogere kosten, inefficiënt onderhoud en onverwachte storingen, kwamen zij met een vraag voor hulp. Tezamen zijn we op zoek gegaan naar een slimmere manier om grip te krijgen op deze cruciale onderdelen van hun netwerk. 2. Uitdaging Hoofdkranen zijn essentiële assets binnen de drinkwaterinfrastructuur. Ze maken het mogelijk om delen van het netwerk af te sluiten bij storingen of onderhoud. Zonder actueel overzicht ontstaat er echter een groot risico: monteurs kunnen langer bezig zijn met het vinden van de juiste afsluiter, storingen duren langer voort en de onderhoudsplanning wordt omslachtig en kostbaar. Voor Brabant Water betekende dit niet alleen een operationele uitdaging, maar ook een risico voor de continuïteit van de dienstverlening. Het ontbreken van betrouwbare data bemoeilijkte besluitvorming, vergrootte de kans op onverwachte storingen en leidde tot onnodige kosten. 3. Oplossing & Aanpak Welke AI-oplossing hebben we voorgesteld? Binnen een aantal weken werd een AI-oplossing uitgewerkt die hoofdkranen automatisch detecteert en classificeert op basis van foto’s. Daarbij was het interessant om gebruik te maken van slim van de bestaande processen; namelijk Blicker, de applicatie waarmee meterstanden via foto’s worden uitgelezen. In veel gevallen was er op de door de consument ingestuurde foto namelijk al een hoofdkraan in beeld. Hoe is dit idee tot stand gekomen? Door de bestaande beelddata van meteropnames te hergebruiken en te combineren met onze ervaring in het ontwikkelen van schaalbare AI-infrastructuren, ontstond een kostenefficiënte oplossing die direct in het operationele proces kon worden geïntegreerd. Zo werd er niet alleen een nieuw probleem opgelost, maar ook extra waarde gehaald uit reeds verzamelde data. 4. Implementatie Hoe is het aangepakt? De aanpak bestond uit meerdere stappen: het analyseren van bestaande foto’s uit het Blicker-proces; het trainen van AI-modellen om hoofdkranen te herkennen en te classificeren; het integreren van de oplossing in de operationele omgeving van Brabant Water. Hoe verliep de samenwerking tussen BrabantWater en Clockworks? De samenwerking verliep intensief: Brabant Water bracht de domeinkennis in, terwijl wij de technologische expertise leverde. Dankzij deze co-creatie kon de oplossing snel en effectief worden uitgerold, naast het feit dat we al een goede relatie hadden opgebouwd met hen. 5. Resultaten & Impact De resultaten zijn concreet en indrukwekkend: 639.000+ kraanaansluitingen in kaart gebracht. 60.000+ storingsgevoelige kranen gedetecteerd. 290.000+ adressen verrijkt met accurate asset data. 95% nauwkeurigheid bij detectie en classificatie. Het effect voor Brabant Water is duidelijk merkbaar: beter assetmanagement, meer grip op de onderhoudsplanning en een flinke stap richting kostenbesparing en hogere klanttevredenheid. 6. Learnings & Toekomst De case toont aan hoe krachtig het kan zijn om bestaande data opnieuw te benutten. Door beelddata uit het meteropnameproces slim te hergebruiken, kreeg Brabant Water ineens veel meer inzicht in hun netwerk zonder dat dit een aparte, kostbare inventarisatie vereiste. Voor de toekomst biedt deze aanpak kansen om nog meer soorten assets te detecteren en classificeren, waardoor het assetmanagement van Brabant Water steeds rijker en slimmer wordt. Ook voor andere nutsbedrijven laat dit project zien hoe AI bestaande processen kan versterken en schaalbaar kan worden ingezet. Benieuwd hoe Clockworks met AI ook jouw infrastructuur slimmer kan maken? Ontdek de mogelijkheden van slimme dataherkenning in jouw organisatie en neem contact met ons op.
Lees meerNVWA | Slimme biociden inspectie
door Rob Weber
Senior Software Engineer
1. Introductie van de klant Wie is de klant? De Nederlandse Voedsel- en Warenautoriteit (NVWA) is verantwoordelijk voor toezicht op producten, processen en stoffen in Nederland, onder andere gewasbeschermingsmiddelen. Inspecteurs van de NVWA zorgen dat producten voldoen aan regelgeving en normen. Een belangrijk onderdeel van hun werk is controleren of het toelatingsnummer op etiketten van gewasbeschermingsmiddelen klopt volgens officiële registraties, zoals bij het CTGB (College voor toelating van gewasbeschermingsmiddelen en biociden). Waarom kwam de NVWA naar Clockworks? Tot voor kort moesten inspecteurs elk etiket handmatig lezen, het toelatingsnummer opschrijven, en dat nummer handmatig opzoeken in de CTGB-database. Dat is tijdrovend, foutgevoelig en omslachtig. De NVWA wilde dat het inspectieproces sneller, betrouwbaarder en gebruiksvriendelijker werd. Kortom: minder handwerk, meer zekerheid. 2. Uitdaging Inspecteurs van de NVWA lopen dagelijks tegen praktische inefficiënties aan. Elke inspectieronde begint met het zorgvuldig lezen van etiketten, het noteren van toelatingsnummers, en vervolgens het verifiëren daarvan in een externe database. Dat proces is niet alleen gevoelig voor menselijke fouten (bijv. bij het aflezen van kleine letters of ingewikkelde lay-outs), maar ook kost veel tijd in het veld, wat de productiviteit beperkt. Daarnaast speelt het belang van snelheid: hoe sneller een inspecteur weet of een middel géén geldig toelatingsnummer heeft, hoe eerder kan worden gehandeld. De NVWA wilde daarom een werkmethode die het proces vereenvoudigt én betrouwbaarder maakt — zonder extra administratieve stappen of complexe hulpmiddelen. 3. Oplossing / Aanpak Welke AI-oplossing hebben we voorgesteld? Clockworks stelde een slimme app voor waarin inspecteurs met hun telefoon een foto maken van het etiket van een gewasbeschermingsmiddel. De app gebruikt Vision AI om automatisch het toelatingsnummer uit de foto te lezen en vergelijkt het onmiddellijk met de officiële CTGB-database om te controleren of het middel is toegestaan. Handmatige invoer van het nummer is niet meer nodig. Hoe is het idee tot stand gekomen? Het idee kwam voort uit de praktijk van NVWA-inspecteurs. De dagelijkse routine toonde aan dat de bestaande methode — etiket aflezen, opschrijven, later checken — vaak inefficiënt was, tijd sloopte en fouten veroorzaakte. In samenwerking met Clockworks is daarom gekeken naar Vision AI als manier om die routine stap te automatiseren en te ondersteunen. De app is in nauwe afstemming ontworpen, met input van inspecteurs over wat handig werkt in het veld. Welke technologie of methodiek? Gebruik van computer vision / Vision AI om tekst (toelatingsnummer) vanaf een foto te herkennen. Koppeling met de CTGB-database voor realtime verificatie. Mobiele applicatie of app-feature (veldwerk) met intuïtieve UI/UX, afgestemd op de omstandigheden in het veld (licht, hoek, snelheid). Pilotfase om te testen of de AI in realistische omstandigheden voldoende betrouwbaar werkt, vóór uitrol. 4. Implementatie Hoe is het aangepakt? Er is gestart met een pilotversie van de app. In deze versie konden inspecteurs in het veld de app uitproberen: foto maken, nummer automatisch laten lezen, en direct checken in de database. Feedback vanuit deze pilot is gebruikt om gebruiksgemak, nauwkeurigheid en snelheid te verbeteren. Proces: Ontwerp en ontwikkeling van de app in nauwe samenwerking met NVWA. Implementatie van Vision AI component om toelatingsnummers te herkennen uit foto’s. Integratie met de CTGB-database voor automatische verificatie. Testen in de pilotfase met inspecteurs op locatie. Evaluatie en doorontwikkeling op basis van veldfeedback. Hoe verliep de samenwerking tussen NVWA en Clockworks? De samenwerking was praktijkgericht en gebruiksgericht. NVWA leverde input vanuit de werkvloer — wat inspecteurs nodig hebben, welke situaties het lastigst zijn, welke fouten vaak voorkomen. Clockworks bracht de technische expertise in: AI-modellen, integraties, UI/UX ontwerp en de infrastructuur. Door deze co-creatie ontstond een app die écht werkt in de omstandigheden van inspecties in het veld, niet alleen in een lab-omgeving. 5. Resultaten & Impact Hoewel de publicatie geen harde cijfers noemt zoals tijdsbesparing in minuten of kostenbesparing, zijn de resultaten al duidelijk merkbaar volgens de pilot. Inspecteurs rapporteren dat het inspectieproces aanzienlijk sneller verloopt. Het risico op fouten is sterk verminderd, omdat toelatingsnummers automatisch gelezen en geverifieerd worden. De gebruiksvriendelijkheid is verbeterd: dingen die eerder handmatig en omslachtig waren, verlopen nu intuïtief. De pilotversie werd goed ontvangen. 6. Learnings & Toekomst Uit de samenwerking met de NVWA blijkt dat technologie het best werkt wanneer deze sterk afgestemd is op de gebruikerssituatie: inspecteurs, mobiliteit, veldomstandigheden. AI-modellen moeten getest worden in realistische omstandigheden. Voor de toekomst ligt de focus op: verdere uitrol na de pilot, verfijnen van betrouwbaarheid en snelheid, uitbreiden van detectiecapaciteit (bijvoorbeeld voor meerdere typen ingrediënten, andere keurmerken of aanvullende gegevens op etiketten), en optimalisatie van de app-ervaring in uiteenlopende omstandigheden. Benieuwd hoe Clockworks met AI ook jouw inspectie- of complianceprocessen kan versnellen en betrouwbaarder kan maken? Neem contact met ons op om te bespreken wat wij voor jouw organisatie kunnen betekenen.
Lees meerMaak kennis
met onze
projecten.
BrabantWater | Asset herkenning
door Alexander Kern
AI Solutions Engineer
1. Introductie van de klant Wie is de klant? Brabant Water is verantwoordelijk voor de drinkwatervoorziening in de provincie Noord-Brabant. Met meer dan 2,5 miljoen inwoners en duizenden kilometers aan leidingen zorgt het bedrijf dagelijks voor betrouwbaar en veilig drinkwater. Om die rol duurzaam te kunnen vervullen, is goed inzicht in de eigen infrastructuur essentieel. Waarom kwam BrabantWater naar Clockworks? BrabantWater was al een vertrouwde klant van ons product Blicker (lees: Stedin | Meterstanden Openemen). Toen BrabantWater ontdekte dat onvoldoende overzicht van hoofdkranen in het netwerk leidde tot hogere kosten, inefficiënt onderhoud en onverwachte storingen, kwamen zij met een vraag voor hulp. Tezamen zijn we op zoek gegaan naar een slimmere manier om grip te krijgen op deze cruciale onderdelen van hun netwerk. 2. Uitdaging Hoofdkranen zijn essentiële assets binnen de drinkwaterinfrastructuur. Ze maken het mogelijk om delen van het netwerk af te sluiten bij storingen of onderhoud. Zonder actueel overzicht ontstaat er echter een groot risico: monteurs kunnen langer bezig zijn met het vinden van de juiste afsluiter, storingen duren langer voort en de onderhoudsplanning wordt omslachtig en kostbaar. Voor Brabant Water betekende dit niet alleen een operationele uitdaging, maar ook een risico voor de continuïteit van de dienstverlening. Het ontbreken van betrouwbare data bemoeilijkte besluitvorming, vergrootte de kans op onverwachte storingen en leidde tot onnodige kosten. 3. Oplossing & Aanpak Welke AI-oplossing hebben we voorgesteld? Binnen een aantal weken werd een AI-oplossing uitgewerkt die hoofdkranen automatisch detecteert en classificeert op basis van foto’s. Daarbij was het interessant om gebruik te maken van slim van de bestaande processen; namelijk Blicker, de applicatie waarmee meterstanden via foto’s worden uitgelezen. In veel gevallen was er op de door de consument ingestuurde foto namelijk al een hoofdkraan in beeld. Hoe is dit idee tot stand gekomen? Door de bestaande beelddata van meteropnames te hergebruiken en te combineren met onze ervaring in het ontwikkelen van schaalbare AI-infrastructuren, ontstond een kostenefficiënte oplossing die direct in het operationele proces kon worden geïntegreerd. Zo werd er niet alleen een nieuw probleem opgelost, maar ook extra waarde gehaald uit reeds verzamelde data. 4. Implementatie Hoe is het aangepakt? De aanpak bestond uit meerdere stappen: het analyseren van bestaande foto’s uit het Blicker-proces; het trainen van AI-modellen om hoofdkranen te herkennen en te classificeren; het integreren van de oplossing in de operationele omgeving van Brabant Water. Hoe verliep de samenwerking tussen BrabantWater en Clockworks? De samenwerking verliep intensief: Brabant Water bracht de domeinkennis in, terwijl wij de technologische expertise leverde. Dankzij deze co-creatie kon de oplossing snel en effectief worden uitgerold, naast het feit dat we al een goede relatie hadden opgebouwd met hen. 5. Resultaten & Impact De resultaten zijn concreet en indrukwekkend: 639.000+ kraanaansluitingen in kaart gebracht. 60.000+ storingsgevoelige kranen gedetecteerd. 290.000+ adressen verrijkt met accurate asset data. 95% nauwkeurigheid bij detectie en classificatie. Het effect voor Brabant Water is duidelijk merkbaar: beter assetmanagement, meer grip op de onderhoudsplanning en een flinke stap richting kostenbesparing en hogere klanttevredenheid. 6. Learnings & Toekomst De case toont aan hoe krachtig het kan zijn om bestaande data opnieuw te benutten. Door beelddata uit het meteropnameproces slim te hergebruiken, kreeg Brabant Water ineens veel meer inzicht in hun netwerk zonder dat dit een aparte, kostbare inventarisatie vereiste. Voor de toekomst biedt deze aanpak kansen om nog meer soorten assets te detecteren en classificeren, waardoor het assetmanagement van Brabant Water steeds rijker en slimmer wordt. Ook voor andere nutsbedrijven laat dit project zien hoe AI bestaande processen kan versterken en schaalbaar kan worden ingezet. Benieuwd hoe Clockworks met AI ook jouw infrastructuur slimmer kan maken? Ontdek de mogelijkheden van slimme dataherkenning in jouw organisatie en neem contact met ons op.
Lees meerNVWA | Slimme biociden inspectie
door Rob Weber
Senior Software Engineer
1. Introductie van de klant Wie is de klant? De Nederlandse Voedsel- en Warenautoriteit (NVWA) is verantwoordelijk voor toezicht op producten, processen en stoffen in Nederland, onder andere gewasbeschermingsmiddelen. Inspecteurs van de NVWA zorgen dat producten voldoen aan regelgeving en normen. Een belangrijk onderdeel van hun werk is controleren of het toelatingsnummer op etiketten van gewasbeschermingsmiddelen klopt volgens officiële registraties, zoals bij het CTGB (College voor toelating van gewasbeschermingsmiddelen en biociden). Waarom kwam de NVWA naar Clockworks? Tot voor kort moesten inspecteurs elk etiket handmatig lezen, het toelatingsnummer opschrijven, en dat nummer handmatig opzoeken in de CTGB-database. Dat is tijdrovend, foutgevoelig en omslachtig. De NVWA wilde dat het inspectieproces sneller, betrouwbaarder en gebruiksvriendelijker werd. Kortom: minder handwerk, meer zekerheid. 2. Uitdaging Inspecteurs van de NVWA lopen dagelijks tegen praktische inefficiënties aan. Elke inspectieronde begint met het zorgvuldig lezen van etiketten, het noteren van toelatingsnummers, en vervolgens het verifiëren daarvan in een externe database. Dat proces is niet alleen gevoelig voor menselijke fouten (bijv. bij het aflezen van kleine letters of ingewikkelde lay-outs), maar ook kost veel tijd in het veld, wat de productiviteit beperkt. Daarnaast speelt het belang van snelheid: hoe sneller een inspecteur weet of een middel géén geldig toelatingsnummer heeft, hoe eerder kan worden gehandeld. De NVWA wilde daarom een werkmethode die het proces vereenvoudigt én betrouwbaarder maakt — zonder extra administratieve stappen of complexe hulpmiddelen. 3. Oplossing / Aanpak Welke AI-oplossing hebben we voorgesteld? Clockworks stelde een slimme app voor waarin inspecteurs met hun telefoon een foto maken van het etiket van een gewasbeschermingsmiddel. De app gebruikt Vision AI om automatisch het toelatingsnummer uit de foto te lezen en vergelijkt het onmiddellijk met de officiële CTGB-database om te controleren of het middel is toegestaan. Handmatige invoer van het nummer is niet meer nodig. Hoe is het idee tot stand gekomen? Het idee kwam voort uit de praktijk van NVWA-inspecteurs. De dagelijkse routine toonde aan dat de bestaande methode — etiket aflezen, opschrijven, later checken — vaak inefficiënt was, tijd sloopte en fouten veroorzaakte. In samenwerking met Clockworks is daarom gekeken naar Vision AI als manier om die routine stap te automatiseren en te ondersteunen. De app is in nauwe afstemming ontworpen, met input van inspecteurs over wat handig werkt in het veld. Welke technologie of methodiek? Gebruik van computer vision / Vision AI om tekst (toelatingsnummer) vanaf een foto te herkennen. Koppeling met de CTGB-database voor realtime verificatie. Mobiele applicatie of app-feature (veldwerk) met intuïtieve UI/UX, afgestemd op de omstandigheden in het veld (licht, hoek, snelheid). Pilotfase om te testen of de AI in realistische omstandigheden voldoende betrouwbaar werkt, vóór uitrol. 4. Implementatie Hoe is het aangepakt? Er is gestart met een pilotversie van de app. In deze versie konden inspecteurs in het veld de app uitproberen: foto maken, nummer automatisch laten lezen, en direct checken in de database. Feedback vanuit deze pilot is gebruikt om gebruiksgemak, nauwkeurigheid en snelheid te verbeteren. Proces: Ontwerp en ontwikkeling van de app in nauwe samenwerking met NVWA. Implementatie van Vision AI component om toelatingsnummers te herkennen uit foto’s. Integratie met de CTGB-database voor automatische verificatie. Testen in de pilotfase met inspecteurs op locatie. Evaluatie en doorontwikkeling op basis van veldfeedback. Hoe verliep de samenwerking tussen NVWA en Clockworks? De samenwerking was praktijkgericht en gebruiksgericht. NVWA leverde input vanuit de werkvloer — wat inspecteurs nodig hebben, welke situaties het lastigst zijn, welke fouten vaak voorkomen. Clockworks bracht de technische expertise in: AI-modellen, integraties, UI/UX ontwerp en de infrastructuur. Door deze co-creatie ontstond een app die écht werkt in de omstandigheden van inspecties in het veld, niet alleen in een lab-omgeving. 5. Resultaten & Impact Hoewel de publicatie geen harde cijfers noemt zoals tijdsbesparing in minuten of kostenbesparing, zijn de resultaten al duidelijk merkbaar volgens de pilot. Inspecteurs rapporteren dat het inspectieproces aanzienlijk sneller verloopt. Het risico op fouten is sterk verminderd, omdat toelatingsnummers automatisch gelezen en geverifieerd worden. De gebruiksvriendelijkheid is verbeterd: dingen die eerder handmatig en omslachtig waren, verlopen nu intuïtief. De pilotversie werd goed ontvangen. 6. Learnings & Toekomst Uit de samenwerking met de NVWA blijkt dat technologie het best werkt wanneer deze sterk afgestemd is op de gebruikerssituatie: inspecteurs, mobiliteit, veldomstandigheden. AI-modellen moeten getest worden in realistische omstandigheden. Voor de toekomst ligt de focus op: verdere uitrol na de pilot, verfijnen van betrouwbaarheid en snelheid, uitbreiden van detectiecapaciteit (bijvoorbeeld voor meerdere typen ingrediënten, andere keurmerken of aanvullende gegevens op etiketten), en optimalisatie van de app-ervaring in uiteenlopende omstandigheden. Benieuwd hoe Clockworks met AI ook jouw inspectie- of complianceprocessen kan versnellen en betrouwbaarder kan maken? Neem contact met ons op om te bespreken wat wij voor jouw organisatie kunnen betekenen.
Lees meerBrabantWater | Asset herkenning
door Alexander Kern
AI Solutions Engineer
1. Introductie van de klant Wie is de klant? Brabant Water is verantwoordelijk voor de drinkwatervoorziening in de provincie Noord-Brabant. Met meer dan 2,5 miljoen inwoners en duizenden kilometers aan leidingen zorgt het bedrijf dagelijks voor betrouwbaar en veilig drinkwater. Om die rol duurzaam te kunnen vervullen, is goed inzicht in de eigen infrastructuur essentieel. Waarom kwam BrabantWater naar Clockworks? BrabantWater was al een vertrouwde klant van ons product Blicker (lees: Stedin | Meterstanden Openemen). Toen BrabantWater ontdekte dat onvoldoende overzicht van hoofdkranen in het netwerk leidde tot hogere kosten, inefficiënt onderhoud en onverwachte storingen, kwamen zij met een vraag voor hulp. Tezamen zijn we op zoek gegaan naar een slimmere manier om grip te krijgen op deze cruciale onderdelen van hun netwerk. 2. Uitdaging Hoofdkranen zijn essentiële assets binnen de drinkwaterinfrastructuur. Ze maken het mogelijk om delen van het netwerk af te sluiten bij storingen of onderhoud. Zonder actueel overzicht ontstaat er echter een groot risico: monteurs kunnen langer bezig zijn met het vinden van de juiste afsluiter, storingen duren langer voort en de onderhoudsplanning wordt omslachtig en kostbaar. Voor Brabant Water betekende dit niet alleen een operationele uitdaging, maar ook een risico voor de continuïteit van de dienstverlening. Het ontbreken van betrouwbare data bemoeilijkte besluitvorming, vergrootte de kans op onverwachte storingen en leidde tot onnodige kosten. 3. Oplossing & Aanpak Welke AI-oplossing hebben we voorgesteld? Binnen een aantal weken werd een AI-oplossing uitgewerkt die hoofdkranen automatisch detecteert en classificeert op basis van foto’s. Daarbij was het interessant om gebruik te maken van slim van de bestaande processen; namelijk Blicker, de applicatie waarmee meterstanden via foto’s worden uitgelezen. In veel gevallen was er op de door de consument ingestuurde foto namelijk al een hoofdkraan in beeld. Hoe is dit idee tot stand gekomen? Door de bestaande beelddata van meteropnames te hergebruiken en te combineren met onze ervaring in het ontwikkelen van schaalbare AI-infrastructuren, ontstond een kostenefficiënte oplossing die direct in het operationele proces kon worden geïntegreerd. Zo werd er niet alleen een nieuw probleem opgelost, maar ook extra waarde gehaald uit reeds verzamelde data. 4. Implementatie Hoe is het aangepakt? De aanpak bestond uit meerdere stappen: het analyseren van bestaande foto’s uit het Blicker-proces; het trainen van AI-modellen om hoofdkranen te herkennen en te classificeren; het integreren van de oplossing in de operationele omgeving van Brabant Water. Hoe verliep de samenwerking tussen BrabantWater en Clockworks? De samenwerking verliep intensief: Brabant Water bracht de domeinkennis in, terwijl wij de technologische expertise leverde. Dankzij deze co-creatie kon de oplossing snel en effectief worden uitgerold, naast het feit dat we al een goede relatie hadden opgebouwd met hen. 5. Resultaten & Impact De resultaten zijn concreet en indrukwekkend: 639.000+ kraanaansluitingen in kaart gebracht. 60.000+ storingsgevoelige kranen gedetecteerd. 290.000+ adressen verrijkt met accurate asset data. 95% nauwkeurigheid bij detectie en classificatie. Het effect voor Brabant Water is duidelijk merkbaar: beter assetmanagement, meer grip op de onderhoudsplanning en een flinke stap richting kostenbesparing en hogere klanttevredenheid. 6. Learnings & Toekomst De case toont aan hoe krachtig het kan zijn om bestaande data opnieuw te benutten. Door beelddata uit het meteropnameproces slim te hergebruiken, kreeg Brabant Water ineens veel meer inzicht in hun netwerk zonder dat dit een aparte, kostbare inventarisatie vereiste. Voor de toekomst biedt deze aanpak kansen om nog meer soorten assets te detecteren en classificeren, waardoor het assetmanagement van Brabant Water steeds rijker en slimmer wordt. Ook voor andere nutsbedrijven laat dit project zien hoe AI bestaande processen kan versterken en schaalbaar kan worden ingezet. Benieuwd hoe Clockworks met AI ook jouw infrastructuur slimmer kan maken? Ontdek de mogelijkheden van slimme dataherkenning in jouw organisatie en neem contact met ons op.
Lees meerNVWA | Slimme biociden inspectie
door Rob Weber
Senior Software Engineer
1. Introductie van de klant Wie is de klant? De Nederlandse Voedsel- en Warenautoriteit (NVWA) is verantwoordelijk voor toezicht op producten, processen en stoffen in Nederland, onder andere gewasbeschermingsmiddelen. Inspecteurs van de NVWA zorgen dat producten voldoen aan regelgeving en normen. Een belangrijk onderdeel van hun werk is controleren of het toelatingsnummer op etiketten van gewasbeschermingsmiddelen klopt volgens officiële registraties, zoals bij het CTGB (College voor toelating van gewasbeschermingsmiddelen en biociden). Waarom kwam de NVWA naar Clockworks? Tot voor kort moesten inspecteurs elk etiket handmatig lezen, het toelatingsnummer opschrijven, en dat nummer handmatig opzoeken in de CTGB-database. Dat is tijdrovend, foutgevoelig en omslachtig. De NVWA wilde dat het inspectieproces sneller, betrouwbaarder en gebruiksvriendelijker werd. Kortom: minder handwerk, meer zekerheid. 2. Uitdaging Inspecteurs van de NVWA lopen dagelijks tegen praktische inefficiënties aan. Elke inspectieronde begint met het zorgvuldig lezen van etiketten, het noteren van toelatingsnummers, en vervolgens het verifiëren daarvan in een externe database. Dat proces is niet alleen gevoelig voor menselijke fouten (bijv. bij het aflezen van kleine letters of ingewikkelde lay-outs), maar ook kost veel tijd in het veld, wat de productiviteit beperkt. Daarnaast speelt het belang van snelheid: hoe sneller een inspecteur weet of een middel géén geldig toelatingsnummer heeft, hoe eerder kan worden gehandeld. De NVWA wilde daarom een werkmethode die het proces vereenvoudigt én betrouwbaarder maakt — zonder extra administratieve stappen of complexe hulpmiddelen. 3. Oplossing / Aanpak Welke AI-oplossing hebben we voorgesteld? Clockworks stelde een slimme app voor waarin inspecteurs met hun telefoon een foto maken van het etiket van een gewasbeschermingsmiddel. De app gebruikt Vision AI om automatisch het toelatingsnummer uit de foto te lezen en vergelijkt het onmiddellijk met de officiële CTGB-database om te controleren of het middel is toegestaan. Handmatige invoer van het nummer is niet meer nodig. Hoe is het idee tot stand gekomen? Het idee kwam voort uit de praktijk van NVWA-inspecteurs. De dagelijkse routine toonde aan dat de bestaande methode — etiket aflezen, opschrijven, later checken — vaak inefficiënt was, tijd sloopte en fouten veroorzaakte. In samenwerking met Clockworks is daarom gekeken naar Vision AI als manier om die routine stap te automatiseren en te ondersteunen. De app is in nauwe afstemming ontworpen, met input van inspecteurs over wat handig werkt in het veld. Welke technologie of methodiek? Gebruik van computer vision / Vision AI om tekst (toelatingsnummer) vanaf een foto te herkennen. Koppeling met de CTGB-database voor realtime verificatie. Mobiele applicatie of app-feature (veldwerk) met intuïtieve UI/UX, afgestemd op de omstandigheden in het veld (licht, hoek, snelheid). Pilotfase om te testen of de AI in realistische omstandigheden voldoende betrouwbaar werkt, vóór uitrol. 4. Implementatie Hoe is het aangepakt? Er is gestart met een pilotversie van de app. In deze versie konden inspecteurs in het veld de app uitproberen: foto maken, nummer automatisch laten lezen, en direct checken in de database. Feedback vanuit deze pilot is gebruikt om gebruiksgemak, nauwkeurigheid en snelheid te verbeteren. Proces: Ontwerp en ontwikkeling van de app in nauwe samenwerking met NVWA. Implementatie van Vision AI component om toelatingsnummers te herkennen uit foto’s. Integratie met de CTGB-database voor automatische verificatie. Testen in de pilotfase met inspecteurs op locatie. Evaluatie en doorontwikkeling op basis van veldfeedback. Hoe verliep de samenwerking tussen NVWA en Clockworks? De samenwerking was praktijkgericht en gebruiksgericht. NVWA leverde input vanuit de werkvloer — wat inspecteurs nodig hebben, welke situaties het lastigst zijn, welke fouten vaak voorkomen. Clockworks bracht de technische expertise in: AI-modellen, integraties, UI/UX ontwerp en de infrastructuur. Door deze co-creatie ontstond een app die écht werkt in de omstandigheden van inspecties in het veld, niet alleen in een lab-omgeving. 5. Resultaten & Impact Hoewel de publicatie geen harde cijfers noemt zoals tijdsbesparing in minuten of kostenbesparing, zijn de resultaten al duidelijk merkbaar volgens de pilot. Inspecteurs rapporteren dat het inspectieproces aanzienlijk sneller verloopt. Het risico op fouten is sterk verminderd, omdat toelatingsnummers automatisch gelezen en geverifieerd worden. De gebruiksvriendelijkheid is verbeterd: dingen die eerder handmatig en omslachtig waren, verlopen nu intuïtief. De pilotversie werd goed ontvangen. 6. Learnings & Toekomst Uit de samenwerking met de NVWA blijkt dat technologie het best werkt wanneer deze sterk afgestemd is op de gebruikerssituatie: inspecteurs, mobiliteit, veldomstandigheden. AI-modellen moeten getest worden in realistische omstandigheden. Voor de toekomst ligt de focus op: verdere uitrol na de pilot, verfijnen van betrouwbaarheid en snelheid, uitbreiden van detectiecapaciteit (bijvoorbeeld voor meerdere typen ingrediënten, andere keurmerken of aanvullende gegevens op etiketten), en optimalisatie van de app-ervaring in uiteenlopende omstandigheden. Benieuwd hoe Clockworks met AI ook jouw inspectie- of complianceprocessen kan versnellen en betrouwbaarder kan maken? Neem contact met ons op om te bespreken wat wij voor jouw organisatie kunnen betekenen.
Lees meerMaak kennis
met onze
projecten.
BrabantWater | Asset herkenning
door Alexander Kern
AI Solutions Engineer
1. Introductie van de klant Wie is de klant? Brabant Water is verantwoordelijk voor de drinkwatervoorziening in de provincie Noord-Brabant. Met meer dan 2,5 miljoen inwoners en duizenden kilometers aan leidingen zorgt het bedrijf dagelijks voor betrouwbaar en veilig drinkwater. Om die rol duurzaam te kunnen vervullen, is goed inzicht in de eigen infrastructuur essentieel. Waarom kwam BrabantWater naar Clockworks? BrabantWater was al een vertrouwde klant van ons product Blicker (lees: Stedin | Meterstanden Openemen). Toen BrabantWater ontdekte dat onvoldoende overzicht van hoofdkranen in het netwerk leidde tot hogere kosten, inefficiënt onderhoud en onverwachte storingen, kwamen zij met een vraag voor hulp. Tezamen zijn we op zoek gegaan naar een slimmere manier om grip te krijgen op deze cruciale onderdelen van hun netwerk. 2. Uitdaging Hoofdkranen zijn essentiële assets binnen de drinkwaterinfrastructuur. Ze maken het mogelijk om delen van het netwerk af te sluiten bij storingen of onderhoud. Zonder actueel overzicht ontstaat er echter een groot risico: monteurs kunnen langer bezig zijn met het vinden van de juiste afsluiter, storingen duren langer voort en de onderhoudsplanning wordt omslachtig en kostbaar. Voor Brabant Water betekende dit niet alleen een operationele uitdaging, maar ook een risico voor de continuïteit van de dienstverlening. Het ontbreken van betrouwbare data bemoeilijkte besluitvorming, vergrootte de kans op onverwachte storingen en leidde tot onnodige kosten. 3. Oplossing & Aanpak Welke AI-oplossing hebben we voorgesteld? Binnen een aantal weken werd een AI-oplossing uitgewerkt die hoofdkranen automatisch detecteert en classificeert op basis van foto’s. Daarbij was het interessant om gebruik te maken van slim van de bestaande processen; namelijk Blicker, de applicatie waarmee meterstanden via foto’s worden uitgelezen. In veel gevallen was er op de door de consument ingestuurde foto namelijk al een hoofdkraan in beeld. Hoe is dit idee tot stand gekomen? Door de bestaande beelddata van meteropnames te hergebruiken en te combineren met onze ervaring in het ontwikkelen van schaalbare AI-infrastructuren, ontstond een kostenefficiënte oplossing die direct in het operationele proces kon worden geïntegreerd. Zo werd er niet alleen een nieuw probleem opgelost, maar ook extra waarde gehaald uit reeds verzamelde data. 4. Implementatie Hoe is het aangepakt? De aanpak bestond uit meerdere stappen: het analyseren van bestaande foto’s uit het Blicker-proces; het trainen van AI-modellen om hoofdkranen te herkennen en te classificeren; het integreren van de oplossing in de operationele omgeving van Brabant Water. Hoe verliep de samenwerking tussen BrabantWater en Clockworks? De samenwerking verliep intensief: Brabant Water bracht de domeinkennis in, terwijl wij de technologische expertise leverde. Dankzij deze co-creatie kon de oplossing snel en effectief worden uitgerold, naast het feit dat we al een goede relatie hadden opgebouwd met hen. 5. Resultaten & Impact De resultaten zijn concreet en indrukwekkend: 639.000+ kraanaansluitingen in kaart gebracht. 60.000+ storingsgevoelige kranen gedetecteerd. 290.000+ adressen verrijkt met accurate asset data. 95% nauwkeurigheid bij detectie en classificatie. Het effect voor Brabant Water is duidelijk merkbaar: beter assetmanagement, meer grip op de onderhoudsplanning en een flinke stap richting kostenbesparing en hogere klanttevredenheid. 6. Learnings & Toekomst De case toont aan hoe krachtig het kan zijn om bestaande data opnieuw te benutten. Door beelddata uit het meteropnameproces slim te hergebruiken, kreeg Brabant Water ineens veel meer inzicht in hun netwerk zonder dat dit een aparte, kostbare inventarisatie vereiste. Voor de toekomst biedt deze aanpak kansen om nog meer soorten assets te detecteren en classificeren, waardoor het assetmanagement van Brabant Water steeds rijker en slimmer wordt. Ook voor andere nutsbedrijven laat dit project zien hoe AI bestaande processen kan versterken en schaalbaar kan worden ingezet. Benieuwd hoe Clockworks met AI ook jouw infrastructuur slimmer kan maken? Ontdek de mogelijkheden van slimme dataherkenning in jouw organisatie en neem contact met ons op.
Lees meerNVWA | Slimme biociden inspectie
door Rob Weber
Senior Software Engineer
1. Introductie van de klant Wie is de klant? De Nederlandse Voedsel- en Warenautoriteit (NVWA) is verantwoordelijk voor toezicht op producten, processen en stoffen in Nederland, onder andere gewasbeschermingsmiddelen. Inspecteurs van de NVWA zorgen dat producten voldoen aan regelgeving en normen. Een belangrijk onderdeel van hun werk is controleren of het toelatingsnummer op etiketten van gewasbeschermingsmiddelen klopt volgens officiële registraties, zoals bij het CTGB (College voor toelating van gewasbeschermingsmiddelen en biociden). Waarom kwam de NVWA naar Clockworks? Tot voor kort moesten inspecteurs elk etiket handmatig lezen, het toelatingsnummer opschrijven, en dat nummer handmatig opzoeken in de CTGB-database. Dat is tijdrovend, foutgevoelig en omslachtig. De NVWA wilde dat het inspectieproces sneller, betrouwbaarder en gebruiksvriendelijker werd. Kortom: minder handwerk, meer zekerheid. 2. Uitdaging Inspecteurs van de NVWA lopen dagelijks tegen praktische inefficiënties aan. Elke inspectieronde begint met het zorgvuldig lezen van etiketten, het noteren van toelatingsnummers, en vervolgens het verifiëren daarvan in een externe database. Dat proces is niet alleen gevoelig voor menselijke fouten (bijv. bij het aflezen van kleine letters of ingewikkelde lay-outs), maar ook kost veel tijd in het veld, wat de productiviteit beperkt. Daarnaast speelt het belang van snelheid: hoe sneller een inspecteur weet of een middel géén geldig toelatingsnummer heeft, hoe eerder kan worden gehandeld. De NVWA wilde daarom een werkmethode die het proces vereenvoudigt én betrouwbaarder maakt — zonder extra administratieve stappen of complexe hulpmiddelen. 3. Oplossing / Aanpak Welke AI-oplossing hebben we voorgesteld? Clockworks stelde een slimme app voor waarin inspecteurs met hun telefoon een foto maken van het etiket van een gewasbeschermingsmiddel. De app gebruikt Vision AI om automatisch het toelatingsnummer uit de foto te lezen en vergelijkt het onmiddellijk met de officiële CTGB-database om te controleren of het middel is toegestaan. Handmatige invoer van het nummer is niet meer nodig. Hoe is het idee tot stand gekomen? Het idee kwam voort uit de praktijk van NVWA-inspecteurs. De dagelijkse routine toonde aan dat de bestaande methode — etiket aflezen, opschrijven, later checken — vaak inefficiënt was, tijd sloopte en fouten veroorzaakte. In samenwerking met Clockworks is daarom gekeken naar Vision AI als manier om die routine stap te automatiseren en te ondersteunen. De app is in nauwe afstemming ontworpen, met input van inspecteurs over wat handig werkt in het veld. Welke technologie of methodiek? Gebruik van computer vision / Vision AI om tekst (toelatingsnummer) vanaf een foto te herkennen. Koppeling met de CTGB-database voor realtime verificatie. Mobiele applicatie of app-feature (veldwerk) met intuïtieve UI/UX, afgestemd op de omstandigheden in het veld (licht, hoek, snelheid). Pilotfase om te testen of de AI in realistische omstandigheden voldoende betrouwbaar werkt, vóór uitrol. 4. Implementatie Hoe is het aangepakt? Er is gestart met een pilotversie van de app. In deze versie konden inspecteurs in het veld de app uitproberen: foto maken, nummer automatisch laten lezen, en direct checken in de database. Feedback vanuit deze pilot is gebruikt om gebruiksgemak, nauwkeurigheid en snelheid te verbeteren. Proces: Ontwerp en ontwikkeling van de app in nauwe samenwerking met NVWA. Implementatie van Vision AI component om toelatingsnummers te herkennen uit foto’s. Integratie met de CTGB-database voor automatische verificatie. Testen in de pilotfase met inspecteurs op locatie. Evaluatie en doorontwikkeling op basis van veldfeedback. Hoe verliep de samenwerking tussen NVWA en Clockworks? De samenwerking was praktijkgericht en gebruiksgericht. NVWA leverde input vanuit de werkvloer — wat inspecteurs nodig hebben, welke situaties het lastigst zijn, welke fouten vaak voorkomen. Clockworks bracht de technische expertise in: AI-modellen, integraties, UI/UX ontwerp en de infrastructuur. Door deze co-creatie ontstond een app die écht werkt in de omstandigheden van inspecties in het veld, niet alleen in een lab-omgeving. 5. Resultaten & Impact Hoewel de publicatie geen harde cijfers noemt zoals tijdsbesparing in minuten of kostenbesparing, zijn de resultaten al duidelijk merkbaar volgens de pilot. Inspecteurs rapporteren dat het inspectieproces aanzienlijk sneller verloopt. Het risico op fouten is sterk verminderd, omdat toelatingsnummers automatisch gelezen en geverifieerd worden. De gebruiksvriendelijkheid is verbeterd: dingen die eerder handmatig en omslachtig waren, verlopen nu intuïtief. De pilotversie werd goed ontvangen. 6. Learnings & Toekomst Uit de samenwerking met de NVWA blijkt dat technologie het best werkt wanneer deze sterk afgestemd is op de gebruikerssituatie: inspecteurs, mobiliteit, veldomstandigheden. AI-modellen moeten getest worden in realistische omstandigheden. Voor de toekomst ligt de focus op: verdere uitrol na de pilot, verfijnen van betrouwbaarheid en snelheid, uitbreiden van detectiecapaciteit (bijvoorbeeld voor meerdere typen ingrediënten, andere keurmerken of aanvullende gegevens op etiketten), en optimalisatie van de app-ervaring in uiteenlopende omstandigheden. Benieuwd hoe Clockworks met AI ook jouw inspectie- of complianceprocessen kan versnellen en betrouwbaarder kan maken? Neem contact met ons op om te bespreken wat wij voor jouw organisatie kunnen betekenen.
Lees meer