Crea un sistema di ispezione visiva basato su telecamere senza competenze di IA

Ogni prodotto che usiamo, che sia un telefono, un articolo confezionato o un componente automobilistico, viene sottoposto a qualche forma di controllo qualità prima di arrivare a noi, consumatori finali. Tradizionalmente, questo controllo veniva effettuato manualmente o con semplici sistemi basati su regole. Questi metodi funzionano, ma spesso sono lenti, incoerenti e difficili da scalare con l'aumento della produzione.

Per migliorare il processo di controllo qualità, molti settori si stanno affidando alla visione artificiale, un ramo dell'intelligenza artificiale che aiuta le macchine a comprendere immagini e video. Per esempio, i modelli di IA visiva come Ultralytics YOLO26 possono aiutare a rilevare, classificare e localizzare i difetti con un elevato livello di accuratezza.

Negli ambienti di produzione reali, questi modelli possono essere usati per analizzare immagini acquisite direttamente dalle linee di assemblaggio ad alta velocità. Mentre i prodotti attraversano le diverse fasi, le telecamere industriali li tracciano e il sistema verifica la presenza di problemi come graffi, parti mancanti o disallineamenti. Questo rende il rilevamento dei difetti più rapido e coerente, supportando al contempo controlli ad alto volume.

In passato, la creazione di questi sistemi richiedeva diversi strumenti e solide competenze tecniche, rendendo il processo complesso e dispendioso in termini di tempo. Ultralytics Platform, la nostra nuova soluzione end-to-end per la visione artificiale, semplifica il processo riunendo in un unico posto la preparazione dei dati, l'annotazione, l'addestramento dei modelli e la distribuzione.

In questo articolo esploreremo come usare Ultralytics Platform per creare sistemi pratici di ispezione visiva basati su telecamere, senza bisogno di competenze approfondite in IA. Iniziamo!

Il ruolo della visione artificiale nel controllo qualità#

Prima di approfondire come Ultralytics Platform semplifica la creazione di sistemi di ispezione, facciamo un passo indietro e comprendiamo il ruolo della visione artificiale nel controllo qualità.

L'ispezione è una fase fondamentale del processo di produzione: garantisce che i prodotti rispettino gli standard di qualità e siano privi di difetti. Tuttavia, i risultati possono variare, soprattutto durante turni lunghi o nella produzione ad alto volume.

Per rendere le ispezioni più affidabili, molti settori usano la visione artificiale, detta anche visione artificiale industriale, per analizzare le immagini della linea di produzione e identificare i difetti. Questi sistemi usano il deep learning, con modelli e algoritmi che apprendono schemi da grandi insiemi di immagini etichettate di alta qualità.

Durante l'addestramento, a un modello vengono mostrati esempi di prodotti normali e di diversi tipi di difetti. Col tempo, impara a riconoscere questi schemi autonomamente. Una volta addestrato, un modello può ispezionare grandi volumi di prodotti e applicare gli stessi criteri con coerenza, migliorando l'accuratezza.

Attività comuni di visione artificiale usate nel controllo qualità#

Le applicazioni di visione artificiale industriale sono rese possibili da modelli di visione artificiale come i modelli Ultralytics YOLO, che supportano diversi tipi di attività di visione. Ecco una panoramica di come queste attività di IA visiva vengono impiegate nei flussi di lavoro di ispezione automatizzata:

• Classificazione delle immagini: questa attività assegna un'unica etichetta all'intera immagine, ad esempio «buono» o «difettoso». Fornisce una valutazione generale della qualità del prodotto senza indicare la posizione dei difetti.
• Rilevamento degli oggetti: aiuta a identificare i difetti in un'immagine e a localizzarli usando riquadri di delimitazione. In questo modo è possibile rilevare e localizzare problemi come crepe, graffi o componenti mancanti.
• Segmentazione delle istanze: andando oltre il rilevamento degli oggetti, predice maschere a livello di pixel per ciascun difetto rilevato. Consente un'analisi precisa della forma, delle dimensioni e dei confini dei difetti.
• Tracciamento degli oggetti: quando si tracciano i prodotti su più fotogrammi, segue gli elementi mentre si spostano lungo la linea di produzione. Ciò garantisce coerenza e impedisce che i difetti passino inosservati.
• Rilevamento con riquadri di delimitazione orientati (OBB): questa attività rileva gli oggetti usando riquadri di delimitazione ruotati invece di quelli allineati agli assi. È particolarmente utile quando i difetti o i componenti si presentano con angolazioni diverse, consentendo una localizzazione più accurata.

Panoramica delle applicazioni del controllo qualità nei diversi settori#

La visione artificiale è ampiamente usata in tutti i settori per mantenere la qualità dei prodotti, rispettare gli standard e ridurre la necessità di ispezioni manuali. Svolge funzioni chiave come il rilevamento dei difetti, la classificazione, il riconoscimento degli oggetti, la misurazione e il rilevamento delle anomalie.

Fig. 1. Esempio di rilevamento e tracciamento dei prodotti con sistemi di visione artificiale industriale (Fonte)

Ecco alcuni esempi di applicazioni reali:

• Produzione: il rilevamento dei difetti superficiali identifica problemi come graffi, ammaccature, crepe e scolorimenti analizzando le immagini dei prodotti sulla linea di produzione. In questo modo rileva i difetti direttamente in linea. Può inoltre individuare in tempo reale parti mancanti o errori di assemblaggio, supportando ispezioni continue.
• Automotive: i sistemi di visione artificiale analizzano componenti del motore e pannelli della carrozzeria per verificare l'allineamento e rilevare danni. Sono particolarmente utili per ispezionare forme complesse e aree difficili da raggiungere; spesso operano insieme a sistemi robotici per il posizionamento preciso e l'ispezione automatizzata.
• Elettronica e semiconduttori: questi sistemi rilevano piccoli difetti in componenti come i circuiti stampati (PCB), inclusi problemi di saldatura, microcrepe e circuiti danneggiati. Grazie all'analisi delle immagini ad alta risoluzione, è possibile rilevare anche difetti molto piccoli che spesso sfuggono alle ispezioni manuali.
• Imballaggio e logistica: i sistemi visivi eseguono la scansione dei codici a barre, leggono le etichette dei prodotti e verificano la qualità degli imballaggi. Assicurano che i prodotti siano imballati e sigillati correttamente e pronti per la spedizione, riducendo gli errori.
• Alimentari e bevande: i sistemi di ispezione basati su telecamere o sensori visivi analizzano l'aspetto dei prodotti per identificare problemi come sigillature non corrette, rischi di contaminazione, etichette errate o incoerenze visive, contribuendo a mantenere qualità e sicurezza.
• Farmaceutica: la visione artificiale viene usata per ispezionare compresse, fiale e confezioni alla ricerca di difetti come crepe, contaminazione, etichette errate o livelli di riempimento non uniformi, garantendo la conformità a rigorosi standard normativi e la sicurezza dei prodotti.

Semplificare i flussi di lavoro di ispezione visiva con Ultralytics Platform#

Immagina una linea di produzione in cui i prodotti attraversano diverse fasi mentre le telecamere acquisiscono continuamente immagini per ispezionarli. Queste immagini vengono usate per verificare la presenza di difetti come graffi, parti mancanti o disallineamenti.

Finora, la creazione e la gestione di questi sistemi di ispezione hanno richiesto diversi strumenti e una buona dose di competenze tecniche.

In Ultralytics abbiamo ricevuto regolarmente feedback dalla community dell'IA visiva su quanto questo processo possa essere frammentato e dispendioso in termini di tempo. Tra i colli di bottiglia più comuni figurano strumenti disorganizzati, configurazioni complesse degli ambienti, flussi di lavoro inefficienti per l'etichettatura dei dati, ritardi nell'addestramento dei modelli e difficoltà nella distribuzione. Questo feedback ha avuto un ruolo fondamentale nella progettazione di Ultralytics Platform.

Fig. 2. Uno sguardo a Ultralytics Platform (Fonte)

Con Ultralytics Platform, l'intero processo di sviluppo e distribuzione può essere gestito in un unico posto. I dati grezzi possono essere caricati e annotati per creare dataset di addestramento, che vengono poi usati per addestrare modelli capaci di rilevare difetti. Una volta addestrati, questi modelli possono essere distribuiti per analizzare nuove immagini della linea di produzione, con strumenti integrati per monitorarne le prestazioni nel tempo.

Oltre a riunire l'intero flusso di lavoro in un unico posto, Ultralytics Platform è progettata per essere facile da usare. Anche chi ha un'esperienza limitata nel machine learning può passare rapidamente dall'ideazione alla produzione.

Usare Ultralytics Platform per etichettare i difetti nelle immagini#

Ora che abbiamo visto come Ultralytics Platform riunisce il flusso di lavoro, vediamo come usarla in ogni fase della pipeline di IA visiva, a partire dal caricamento dei dati e dall'etichettatura dei difetti.

Gestione dei dataset di ispezione su Ultralytics Platform#

Il primo passaggio consiste nel caricare i dati sulla piattaforma. Puoi caricare immagini, video o archivi di dataset, come file ZIP, TAR o GZ. Sono supportati i formati di dataset più comuni, come YOLO e COCO, quindi puoi importare dataset esistenti senza passaggi aggiuntivi.

Puoi anche iniziare più rapidamente usando i dataset condivisi dalla community. Puoi esplorare questi dataset e clonarli nel tuo spazio di lavoro, basandoti sui dati esistenti invece di partire da zero. Una volta clonati, puoi aggiornarli ed estenderli per il tuo caso d'uso specifico.

Se lavori a più esperimenti, puoi riutilizzare i dataset importandoli come file NDJSON, così sarà più facile ricrearli o condividerli senza conversioni aggiuntive.

Dopo il caricamento, la piattaforma prepara automaticamente i dati. Controlla i formati dei file, elabora le annotazioni, ridimensiona le immagini se necessario e genera statistiche di base sul dataset. I video vengono suddivisi in fotogrammi per poterli usare nell'addestramento, mentre le immagini vengono ottimizzate per facilitarne la consultazione e l'analisi.

Annotazione dei dati con Ultralytics Platform#

Una volta pronti i dati, il passaggio successivo è l'annotazione dei dati. Qui si etichettano i difetti affinché il modello impari cosa rilevare. Ultralytics Platform include un editor di annotazioni integrato che supporta attività come il rilevamento degli oggetti, la segmentazione delle istanze, la classificazione delle immagini, la stima della posa e il rilevamento con riquadri di delimitazione orientati.

Puoi etichettare i dati manualmente usando strumenti come riquadri di delimitazione, poligoni o punti chiave, a seconda del tuo caso d'uso. Per velocizzare il lavoro, la piattaforma offre anche l'etichettatura assistita dall'IA.

Per esempio, l'annotazione intelligente basata su SAM consente di etichettare gli oggetti con semplici clic. Selezionando le aree da includere o escludere, il sistema genera una maschera in tempo reale, che può essere modificata se necessario.

Fig. 3. Annotazione intelligente basata su SAM in Ultralytics Platform (Fonte)

Inoltre, l'annotazione intelligente basata su YOLO può generare automaticamente etichette usando le predizioni del modello. Puoi rivedere e perfezionare queste etichette, semplificando la gestione di grandi dataset senza dover etichettare tutto manualmente.

L'editor di annotazioni include anche funzionalità come la gestione delle classi, la modifica delle annotazioni, le scorciatoie da tastiera e le opzioni per annullare o ripristinare le modifiche. Queste funzionalità facilitano il mantenimento della coerenza e la revisione delle annotazioni man mano che il dataset cresce.

Mentre etichetti i dati, la piattaforma fornisce informazioni come la distribuzione delle classi e il numero di annotazioni. In questo modo puoi individuare lacune, correggere incoerenze e migliorare la qualità del dataset prima di passare all'addestramento.

Addestrare YOLO26 per il rilevamento dei difetti su Ultralytics Platform#

Il passaggio successivo è addestrare un modello per rilevare automaticamente i difetti usando i dati etichettati. Ultralytics Platform supporta l'addestramento con i modelli Ultralytics YOLO, incluso YOLO26, che può essere usato per attività come il rilevamento degli oggetti, la segmentazione delle istanze e la classificazione delle immagini.

L'addestramento viene gestito tramite una dashboard unificata, da cui puoi configurare, avviare e monitorare i processi di addestramento. Per iniziare, puoi selezionare un dataset: tra le opzioni ci sono quelli che hai caricato o annotato sulla piattaforma, quelli provenienti dai dataset pubblici disponibili sulla piattaforma e quelli clonati dalla community.

Una volta selezionato, il dataset viene collegato automaticamente all'esecuzione di addestramento, semplificando il monitoraggio degli esperimenti e garantendo la coerenza.

Poi puoi configurare i parametri di addestramento, come il numero di epoche, la dimensione del batch, la dimensione dell'immagine e il tasso di apprendimento. Queste impostazioni determinano il modo in cui il modello apprende e influiscono direttamente sia sui tempi di addestramento sia sulle prestazioni.

Esecuzione e monitoraggio dell'addestramento#

A questo punto puoi scegliere come eseguire l'addestramento. La piattaforma supporta l'addestramento nel cloud su GPU gestite, l'addestramento locale con il tuo hardware e flussi di lavoro basati sul browser tramite ambienti come Google Colab.

Quando usi l’addestramento nel cloud, puoi scegliere tra diverse opzioni GPU, come RTX 2000 Ada e RTX A4500 per esperimenti più piccoli, RTX 4090 o RTX A6000 per carichi di lavoro più impegnativi e opzioni ad alte prestazioni come A100 o H100 per l’addestramento su larga scala.

Quando inizia l’addestramento, puoi monitorarne l’avanzamento direttamente sulla piattaforma. La dashboard offre una panoramica in tempo reale delle metriche chiave, come le curve di perdita e le metriche di prestazione, oltre all’utilizzo del sistema e ai log di addestramento. In questo modo puoi capire facilmente come sta apprendendo il modello e individuare tempestivamente eventuali problemi.

Fig. 4. Puoi monitorare facilmente l’avanzamento dell’addestramento usando Ultralytics Platform (Fonte)

Mentre esegui più esperimenti, la piattaforma tiene traccia di configurazioni, dataset e risultati in un unico posto. In questo modo puoi confrontare facilmente diverse esecuzioni di addestramento, valutare le prestazioni usando metriche come precisione, richiamo e mAP e selezionare il modello con le prestazioni migliori per la distribuzione.

Distribuzione di un modello di visione tramite Ultralytics Platform#

Dopo l’addestramento, il passaggio successivo consiste nel convalidare le prestazioni del modello addestrato su dati nuovi e mai visti prima di passare alla distribuzione. Ultralytics Platform include una scheda Predict integrata che ti permette di testare i modelli direttamente nel browser senza alcuna configurazione.

Puoi caricare immagini, usare dati di esempio o acquisire input tramite una webcam; i risultati vengono visualizzati immediatamente con sovrapposizioni visive e punteggi di confidenza. In questo modo puoi verificare rapidamente le prestazioni del modello e individuare eventuali problemi prima di integrarlo in sistemi reali.

Una volta convalidato il modello, puoi distribuirlo usando diverse opzioni, a seconda del tuo caso d’uso. Ecco una panoramica più dettagliata delle opzioni di distribuzione dei modelli supportate da Ultralytics Platform:

• Inferenza condivisa: questa opzione ti consente di accedere al modello tramite una REST API, facilitandone l’integrazione in applicazioni o flussi di lavoro. Il modello viene eseguito su un sistema multi-tenant distribuito in alcune regioni principali, dove le richieste vengono instradate automaticamente al servizio disponibile più vicino. È una soluzione adatta per lo sviluppo, i test e gli utilizzi più leggeri prima del passaggio alla produzione.
• Endpoint dedicati: per l’uso in produzione, puoi distribuire i modelli come endpoint dedicati con risorse di calcolo proprie. Questi vengono eseguiti come servizi single-tenant in 43 regioni globali, riducendo la latenza grazie alla distribuzione più vicina agli utenti finali. Supportano anche la scalabilità automatica e la riduzione a zero, consentendo alle risorse di adattarsi automaticamente al traffico.
• Esportazione dei modelli: puoi esportare i modelli ed eseguirli al di fuori della piattaforma su sistemi locali o dispositivi edge. La piattaforma supporta 17 formati, tra cui ONNX, TensorRT, OpenVINO, CoreML e TensorFlow Lite. Le opzioni di esportazione supportano anche ottimizzazioni come la quantizzazione FP16 e INT8, per ridurre le dimensioni del modello e migliorare la velocità di inferenza in diversi ambienti hardware.

Monitoraggio dei modelli distribuiti con Ultralytics Platform#

Il ciclo di vita di una soluzione di elaborazione delle immagini o di visione artificiale non termina con la distribuzione del modello. Lo stesso vale per i sistemi di ispezione visiva. Una volta che un modello è in esecuzione in produzione, è necessario monitorarlo continuamente per assicurarsi che funzioni in modo affidabile al variare delle condizioni.

Ultralytics Platform offre una dashboard di monitoraggio integrata che mostra chiaramente le prestazioni dei modelli distribuiti. Da un’unica interfaccia puoi monitorare l’attività delle richieste, visualizzare i log e controllare lo stato di integrità di ogni distribuzione. Puoi capire come vengono usati i modelli e come si comportano nel tempo.

La dashboard include metriche chiave come il numero totale di richieste, i tassi di errore e la latenza, che ti aiutano a valutare le prestazioni e la reattività. Queste metriche vengono aggiornate regolarmente e forniscono informazioni sia sulle modalità di utilizzo sia sull’affidabilità del sistema.

Una mappa del mondo integrata mostra la distribuzione geografica delle richieste e delle distribuzioni nelle varie regioni. Grazie al supporto per distribuzioni in più località globali, questa vista ti aiuta a monitorare l’utilizzo su base geografica e a capire come si comportano i modelli in ambienti diversi.

Fig. 5. Monitoraggio dei modelli distribuiti su Ultralytics Platform (Fonte)

Per un’analisi più approfondita, ogni distribuzione include log dettagliati con timestamp, dettagli delle richieste e messaggi di errore. Puoi filtrare i log per gravità, così da eseguire il debug dei problemi e individuare rapidamente gli errori. Inoltre, i controlli di integrità forniscono indicatori di stato in tempo reale, mostrando se una distribuzione funziona come previsto o richiede attenzione.

Il monitoraggio svolge un ruolo importante anche nell’ottimizzazione. Le prestazioni possono variare al cambiare dei dati di input, del traffico o delle modalità di utilizzo. Monitorando le metriche e i log, puoi individuare problemi come latenza elevata, aumento dei tassi di errore o limiti di scalabilità e intervenire per mantenere prestazioni costanti.

Vantaggi dell’uso di Ultralytics Platform per creare soluzioni di visione artificiale#

Ecco alcuni dei principali vantaggi dell’uso di Ultralytics Platform per creare e scalare sistemi di ispezione visiva:

• Ottimizzata per l’uso nel mondo reale: funzionalità come gli endpoint con scalabilità automatica, la distribuzione edge e l’esportazione dei modelli garantiscono che il sistema possa funzionare in modo affidabile negli ambienti di produzione.
• Cicli di sviluppo più rapidi: gli strumenti integrati e le configurazioni predefinite aiutano a passare dai dati grezzi a un sistema funzionante in modo più efficiente.
• Facilità d’uso: interfacce intuitive, flussi di lavoro semplificati e requisiti minimi di configurazione rendono la piattaforma accessibile sia ai principianti sia agli utenti esperti.
• Meno lavoro manuale: funzionalità come l’annotazione assistita dall’IA e l’elaborazione automatizzata dei dati riducono il tempo dedicato alle attività ripetitive.
• Scalabilità nel tempo: al variare dei requisiti, puoi aggiornare il sistema aggiungendo nuovi dati e riaddestrando i modelli, adattandolo a nuove tipologie di difetti, condizioni e configurazioni multi-camera.

Punti chiave#

Creare un sistema di ispezione visiva basato su telecamere non deve essere complesso né richiedere competenze approfondite in IA. Con Ultralytics Platform puoi passare dai dati grezzi a un sistema funzionante e monitorarne le prestazioni, tutto in un unico posto. Questo semplifica la creazione, il miglioramento e l’esecuzione dei sistemi di ispezione in situazioni reali.

Unisciti alla nostra community ed esplora il nostro repository GitHub per saperne di più sull’IA per la visione artificiale. Scopri le nostre opzioni di licenza per avviare i tuoi progetti di visione artificiale. Ti interessano innovazioni come l’IA nella produzione industriale o la visione artificiale nel settore automobilistico? Visita le nostre pagine dedicate alle soluzioni per saperne di più.