Sistema di ispezione visiva con AI e visione artificiale per il controllo qualità

I moderni modelli few-shot partono spesso da poche centinaia di immagini; il sistema continua a imparare in produzione.

Telecamere e illuminazione industriali vengono selezionate per ogni applicazione. Forniamo la postazione completa e ingegnerizzata.

Le nuove varianti si addestrano rapidamente a partire dai modelli esistenti, il che è ideale per produzioni ad alto mix.

Su un server dimensionato correttamente l'inferenza gira in millisecondi e raramente è quello il collo di bottiglia, anche se la latenza va calcolata postazione per postazione quando più telecamere condividono la stessa GPU. A decidere è il resto del ciclo: al momento del trigger il pezzo deve essere fermo e illuminato sempre allo stesso modo, e la decisione di scarto deve arrivare prima che il pezzo raggiunga il punto di espulsione. Se il tempo ciclo della linea non lascia questo margine, serve un intervento meccanico: un modello più veloce non risolve.

Sì, il retrofit è la norma, ma il lavoro è più meccanico ed elettrico che software. Servono un segnale di trigger dal PLC o da un sensore, un attuatore in grado di espellere il pezzo scartato e una tratta di cablaggio fino al server di inferenza. Addestrare il modello è di solito la parte più breve del progetto; far presentare il pezzo alla telecamera sempre nello stesso modo, ciclo dopo ciclo, è ciò che detta i tempi.

Tutto ciò che la telecamera non vede. Cricche interne, porosità sotto la superficie, penetrazione del cordone di saldatura, coppia di serraggio e proprietà del materiale richiedono un'altra tecnologia di misura: un modello migliore non basta. La visione fatica anche dove il difetto non ha una firma visiva costante, dove il limite di accettabilità è una questione di gusto e non un confine descrivibile, e dove i pezzi si presentano con orientamenti imprevedibili. Stabilite quali modi di guasto volete davvero intercettare prima di specificare la postazione.

A regime qualcuno deve confermare o correggere le classificazioni che il sistema segnala come incerte, e proprio quel feedback tiene aggiornati i modelli. È un carico ricorrente, che però non richiede un ruolo a tempo pieno. La maggior parte dello sforzo si concentra prima, nelle prime settimane, nel raccogliere immagini rappresentative dei pezzi buoni e di ogni classe di difetto che vi interessa. Nessuno dovrebbe farsene carico in aggiunta al proprio turno pieno, senza tempo dedicato.

Sbaglia in due direzioni, e con la soglia di decisione si baratta l'una con l'altra. Se la stringete, pezzi buoni finiscono a scarto o in ri-ispezione; se la allentate, i difetti passano. Entrambi gli errori devono essere visibili: ogni decisione viene archiviata con la sua immagine, e gli scarti vanno confrontati a intervalli stabiliti con il giudizio di un operatore esperto. Una postazione i cui falsi scarti non vengono mai riesaminati è una postazione che prima o poi gli operatori impareranno a bypassare.

L'inferenza gira sul GPU Vision Server on-premise, quindi il ciclo decisionale in tempo reale non esce mai dallo stabilimento: è questo che tiene la latenza abbastanza bassa per uno scarto in linea. Le immagini archiviate e le correzioni degli operatori usate per il riaddestramento sono un discorso a parte: se i modelli vengono calibrati da MSF sui vostri dati, mettete a contratto se quelle immagini restano in sito. Il resto della piattaforma può essere installato in SaaS, cloud privato o on-premise.

Viene deviato fuori dalla linea e poi gestito da chi ha la responsabilità di quella decisione: scarto, rilavorazione o accettazione in deroga. Il risultato dell'ispezione va a MSF Quality, dove alimenta le carte SPC e può aprire automaticamente una NCR. Ciò che non è automatico è l'escalation quando una classe di difetto inizia a mostrare un trend, quindi concordate il percorso di gestione e di escalation prima di montare la telecamera.