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

Ogni prodotto che utilizziamo, che sia un telefono, un articolo confezionato o un componente automobilistico, viene sottoposto a una forma di ispezione di qualità prima di raggiungere noi, il consumatore finale. Tradizionalmente, questo veniva fatto tramite controlli manuali o semplici sistemi basati su regole. Sebbene questi metodi funzionino, sono spesso lenti, incoerenti e difficili da scalare all'aumentare della produzione.

Per migliorare il processo di ispezione della qualità, molte industrie si stanno rivolgendo alla computer vision, un ramo dell'intelligenza artificiale che aiuta le macchine a comprendere immagini e video. Ad esempio, modelli di visione basati su IA come Ultralytics YOLO26 possono aiutare a rilevare, classificare e localizzare i difetti con un elevato livello di precisione.

In ambienti di produzione reali, questi modelli possono essere utilizzati per analizzare le immagini catturate direttamente dalle linee di assemblaggio ad alta velocità. Man mano che 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 un'ispezione ad alto rendimento.

In passato, costruire questi sistemi richiedeva molteplici strumenti e solide competenze tecniche, il che rendeva il processo complesso e dispendioso in termini di tempo. Ultralytics Platform, la nostra nuova soluzione end-to-end per la computer vision, semplifica tutto questo riunendo preparazione dei dati, annotazione, addestramento del modello e distribuzione in un unico posto.

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

Link to this sectionIl ruolo della computer vision nel controllo qualità#

Prima di immergerci in come Ultralytics Platform semplifica la costruzione di sistemi di ispezione, facciamo un passo indietro e comprendiamo il ruolo della computer vision nell'ispezione di qualità.

L'ispezione è una parte fondamentale del processo di produzione che garantisce che i prodotti soddisfino gli standard di qualità e siano privi di difetti. Tuttavia, i risultati possono variare, specialmente durante turni lunghi o produzioni ad alto volume.

Per rendere l'ispezione più affidabile, molte industrie utilizzano la computer vision, nota anche come visione artificiale, per analizzare le immagini provenienti dalla linea di produzione e identificare i difetti. Questi sistemi utilizzano il deep learning, in cui modelli e algoritmi imparano schemi da grandi set di immagini etichettate di alta qualità.

Durante l'addestramento, al modello vengono mostrati esempi sia di prodotti normali che di diversi tipi di difetti. Nel tempo, impara a riconoscere questi schemi autonomamente. Una volta addestrato, un modello può ispezionare grandi volumi di prodotti e applicare gli stessi criteri in modo coerente, migliorando la precisione.

Link to this sectionAttività comuni di computer vision utilizzate nell'ispezione di qualità#

Le applicazioni di visione artificiale sono rese possibili da modelli di computer vision come i modelli Ultralytics YOLO che possono supportare diversi tipi di attività visive. Ecco una panoramica di come queste attività di IA visiva vengono utilizzate per i flussi di lavoro di ispezione automatizzata:

• Classificazione delle immagini: Questa attività viene utilizzata per assegnare un'unica etichetta a un'intera immagine, come "buono" o "difettoso". Fornisce una valutazione di alto livello della qualità del prodotto senza indicare la posizione dei difetti.
• Object detection: Aiuta a identificare i difetti all'interno di un'immagine e a localizzarli utilizzando bounding box. Ciò rende possibile rilevare e localizzare problemi come crepe, graffi o componenti mancanti.
• Instance segmentation: Andando un passo oltre l'object detection, prevede maschere a livello di pixel per ogni difetto rilevato. Questo supporta un'analisi precisa della forma, delle dimensioni e dei confini dei difetti.
• Object tracking: Quando si tracciano i prodotti su più fotogrammi, segue gli elementi mentre si muovono lungo la linea di produzione. Questo mantiene la coerenza e assicura che i difetti non vengano tralasciati.
• Oriented bounding box (OBB) detection: Questa attività rileva oggetti utilizzando bounding box ruotati invece di quelli allineati agli assi. È particolarmente utile quando i difetti o i componenti appaiono ad angolazioni diverse, consentendo una localizzazione più accurata.

Link to this sectionUno sguardo alle applicazioni di ispezione di qualità tra i vari settori#

La computer vision è ampiamente utilizzata in diversi settori per mantenere la qualità del prodotto, 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. Un esempio di rilevamento e tracciamento di prodotti utilizzando sistemi di visione artificiale (Fonte)

Ecco alcuni esempi di casi d'uso reali in cui viene applicata:

• Manifattura: Il rilevamento dei difetti superficiali viene utilizzato per identificare problemi come graffi, ammaccature, crepe e scolorimento analizzando le immagini dei prodotti sulla linea di produzione per il rilevamento dei difetti in linea. Può anche rilevare parti mancanti o errori di assemblaggio in tempo reale, supportando l'ispezione continua.
• Automobilistico: I sistemi di computer vision analizzano componenti del motore e pannelli della carrozzeria per verificare l'allineamento e rilevare danni. Sono particolarmente efficaci per l'ispezione di forme complesse e aree difficili da raggiungere, lavorando spesso insieme a sistemi robotici per un posizionamento preciso e un'ispezione automatizzata.
• Elettronica e semiconduttori: Questi sistemi rilevano piccoli difetti in componenti come circuiti stampati (PCB), inclusi problemi di saldatura, micro-crepe e circuiti danneggiati. Grazie all'analisi delle immagini ad alta risoluzione, è possibile rilevare anche difetti molto lievi che spesso vengono trascurati durante l'ispezione manuale.
• Packaging e logistica: I sistemi visivi eseguono la scansione di codici a barre, leggono le etichette dei prodotti e controllano la qualità dell'imballaggio. Assicurano che i prodotti siano adeguatamente imballati, sigillati e pronti per la spedizione, riducendo gli errori.
• Alimentari e bevande: I sistemi di ispezione alimentati da telecamere o sensori visivi analizzano l'aspetto del prodotto per identificare problemi come sigillatura impropria, rischi di contaminazione, etichettatura errata o incongruenze visive, contribuendo a mantenere la qualità e la sicurezza.
• Farmaceutico: La computer vision viene utilizzata per ispezionare compresse, fiale e imballaggi alla ricerca di difetti come crepe, contaminazione, etichettatura errata o incongruenze nel livello di riempimento, garantendo la conformità a rigidi standard normativi e mantenendo la sicurezza del prodotto.

Link to this sectionOttimizzazione dei flussi di lavoro di ispezione visiva con Ultralytics Platform#

Immagina una linea di produzione in cui i prodotti si muovono attraverso diverse fasi mentre le telecamere catturano continuamente immagini per l'ispezione. Queste immagini vengono utilizzate per verificare la presenza di difetti come graffi, parti mancanti o disallineamenti.

Fino ad ora, costruire e gestire tali sistemi di ispezione ha richiesto molteplici strumenti e una discreta quantità di competenze tecniche.

In effetti, in Ultralytics, abbiamo ricevuto feedback costanti dalla comunità di IA visiva su quanto possa essere frammentato e dispendioso questo processo, con colli di bottiglia comuni che includono strumenti sparsi, configurazione complessa dell'ambiente, flussi di lavoro di etichettatura dei dati inefficienti, ritardi nell'addestramento del modello e sfide nella distribuzione. Questo feedback ha svolto un ruolo chiave nel plasmare 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 utilizzati per addestrare modelli a rilevare difetti. Una volta addestrati, questi modelli possono essere distribuiti per analizzare nuove immagini dalla linea di produzione, con strumenti integrati per monitorare 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 gli utenti con limitata esperienza nel machine learning possono passare rapidamente dall'idea alla produzione.

Link to this sectionUtilizzo di Ultralytics Platform per etichettare difetti nelle immagini#

Ora che abbiamo visto come Ultralytics Platform unisce il flusso di lavoro, analizziamo come utilizzarla in ogni fase della pipeline di IA visiva, iniziando dal caricamento dei dati e dall'etichettatura dei difetti.

Link to this sectionGestione del dataset di ispezione su Ultralytics Platform#

Il primo passo è portare i dati nella piattaforma. Puoi caricare immagini, video o archivi di dataset come file ZIP, TAR o GZ. Sono supportati formati di dataset comuni come YOLO e COCO, quindi i dataset esistenti possono essere importati senza passaggi aggiuntivi.

Puoi anche iniziare più velocemente utilizzando i dataset condivisi dalla comunità. Questi dataset possono essere esplorati e clonati nel tuo workspace, permettendoti di costruire su dati esistenti invece di ricominciare da zero. Una volta clonati, possono essere aggiornati ed estesi per il tuo caso d'uso specifico.

Se stai lavorando a vari esperimenti, i dataset possono essere riutilizzati importandoli come file NDJSON, rendendo più facile ricrearli o condividerli senza conversioni aggiuntive.

Dopo che i dati sono stati caricati, la piattaforma li prepara automaticamente. Controlla i formati dei file, elabora le annotazioni, ridimensiona le immagini se necessario e genera statistiche di base del dataset. I video vengono suddivisi in fotogrammi in modo che possano essere utilizzati per l'addestramento e le immagini vengono ottimizzate per facilitare la navigazione e l'analisi.

Link to this sectionAnnotazione dei dati potenziata da Ultralytics Platform#

Una volta che i dati sono pronti, il passo successivo è l'annotazione dei dati. È qui che i difetti vengono etichettati in modo che il modello possa imparare cosa rilevare. Ultralytics Platform include un editor di annotazioni integrato che supporta attività come object detection, instance segmentation, classificazione delle immagini, stima della posa e rilevamento con bounding box orientati.

Puoi etichettare i dati manualmente utilizzando strumenti come bounding box, poligoni o keypoints, a seconda del tuo caso d'uso. Per velocizzare le operazioni, la piattaforma offre anche l'etichettatura assistita dall'IA.

Ad esempio, l'annotazione intelligente basata su SAM ti consente di etichettare gli oggetti usando semplici clic. Selezionando le regioni da includere o escludere, il sistema genera una maschera in tempo reale, che può poi essere regolata se necessario.

Fig 3. Annotazione intelligente basata su SAM all'interno di Ultralytics Platform (Fonte)

Inoltre, l'annotazione intelligente basata su YOLO può generare etichette automaticamente utilizzando le previsioni del modello. Queste possono essere riviste e perfezionate, rendendo più facile lavorare su grandi dataset senza etichettare tutto manualmente.

L'editor di annotazioni include anche funzionalità come la gestione delle classi, la modifica delle annotazioni, scorciatoie da tastiera e opzioni di annulla o ripristina. Queste rendono più facile rimanere coerenti e rivedere le annotazioni man mano che il tuo dataset cresce.

Mentre etichetti i dati, la piattaforma fornisce approfondimenti come la distribuzione delle classi e il conteggio delle annotazioni. Questo aiuta a identificare lacune, correggere incongruenze e migliorare la qualità del dataset prima di passare all'addestramento.

Link to this sectionAddestramento di YOLO26 per il rilevamento dei difetti su Ultralytics Platform#

Il passo successivo è addestrare un modello per rilevare automaticamente i difetti utilizzando i dati etichettati. Ultralytics Platform supporta l'addestramento con i modelli Ultralytics YOLO, incluso YOLO26, che può essere utilizzato per attività come object detection, instance segmentation e classificazione delle immagini.

L'addestramento è gestito tramite una dashboard unificata dove puoi configurare, eseguire e monitorare i lavori di addestramento in un unico posto. Per iniziare, puoi selezionare un dataset, incluso uno che hai caricato, annotato sulla piattaforma, proveniente da dataset pubblici disponibili sulla piattaforma o clonato dalla comunità.

Una volta selezionato, il dataset viene collegato automaticamente all'esecuzione dell'addestramento, rendendo più semplice tracciare gli esperimenti e mantenere la coerenza.

Successivamente, puoi configurare i parametri di addestramento come il numero di epoche, la dimensione del batch, la dimensione dell'immagine e il learning rate. Queste impostazioni controllano come il modello apprende e hanno un impatto diretto sia sul tempo di addestramento che sulle prestazioni.

Link to this sectionEsecuzione e monitoraggio dell'addestramento#

Puoi quindi scegliere come eseguire l'addestramento. La piattaforma supporta l'addestramento nel cloud su GPU gestite, l'addestramento locale utilizzando il tuo hardware e flussi di lavoro basati su browser tramite ambienti come Google Colab.

Quando si utilizza l'addestramento nel cloud, puoi scegliere tra una gamma di 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, il progresso può essere monitorato direttamente all'interno della piattaforma. La dashboard fornisce visibilità in tempo reale su metriche chiave come curve di perdita e metriche di prestazione, insieme all'utilizzo del sistema e ai log di addestramento. Questo rende semplice capire come il modello sta imparando e identificare potenziali problemi precocemente.

Fig 4. Puoi monitorare facilmente il progresso dell'addestramento utilizzando Ultralytics Platform (Fonte)

Mentre esegui più esperimenti, la piattaforma tiene traccia di configurazioni, dataset e risultati in un unico posto. Ciò rende semplice confrontare diverse esecuzioni di addestramento, valutare le prestazioni utilizzando metriche come precision, recall e mAP, e selezionare il modello con le migliori prestazioni per la distribuzione.

Link to this sectionDistribuzione di un modello di visione tramite Ultralytics Platform#

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

Puoi caricare immagini, utilizzare dati di esempio o acquisire input tramite una webcam e i risultati appaiono istantaneamente con sovrapposizioni visive e punteggi di confidenza. Ciò significa che puoi verificare rapidamente le prestazioni del modello e identificare eventuali problemi prima di integrarlo in sistemi del mondo reale.

Una volta convalidato il modello, può essere distribuito utilizzando diverse opzioni a seconda del tuo caso d'uso. Ecco uno sguardo più approfondito alle opzioni di distribuzione del modello supportate da Ultralytics Platform:

• Inference condivisa: Questa opzione ti consente di accedere al modello tramite una REST API, rendendo facile l'integrazione in applicazioni o flussi di lavoro. Funziona su un sistema multi-tenant in alcune regioni chiave, dove le richieste vengono instradate automaticamente al servizio disponibile più vicino. Questo lo rende adatto per lo sviluppo, il test e un uso più leggero prima di passare alla produzione.
• Endpoint dedicati: Per l'uso in produzione, i modelli possono essere distribuiti come endpoint dedicati con le proprie risorse di calcolo. Questi funzionano come servizi single-tenant in 43 regioni globali, aiutando a ridurre la latenza distribuendo più vicino agli utenti finali. Supportano anche autoscaling e scale-to-zero, consentendo alle risorse di adattarsi automaticamente in base al traffico.
• Esportazione del modello: I modelli possono essere esportati ed eseguiti al di fuori della piattaforma su sistemi locali o dispositivi edge. La piattaforma supporta 17 formati, inclusi 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 per diversi ambienti hardware.

Link to this sectionMonitoraggio dei modelli distribuiti utilizzando Ultralytics Platform#

Il ciclo di vita di una soluzione di elaborazione delle immagini o di computer vision non termina con la distribuzione del modello. Questo vale anche per i sistemi di ispezione visiva. Una volta che un modello è in esecuzione in produzione, deve essere monitorato continuamente per assicurarsi che funzioni in modo affidabile al variare delle condizioni.

Ultralytics Platform fornisce una dashboard di monitoraggio integrata che offre una visione chiara delle prestazioni dei modelli distribuiti. Da un'unica interfaccia, puoi tracciare l'attività delle richieste, visualizzare i log e controllare lo stato di salute di ogni distribuzione. Puoi capire come i modelli vengono utilizzati e come si comportano nel tempo.

La dashboard include metriche chiave come il totale delle richieste, i tassi di errore e la latenza, aiutandoti a valutare le prestazioni e la reattività. Queste metriche vengono aggiornate regolarmente e forniscono approfondimenti sia sui modelli di utilizzo che sull'affidabilità del sistema.

Una mappa del mondo integrata mostra dove sono distribuite le richieste e le distribuzioni tra le regioni. Con il supporto per le distribuzioni in più località globali, questa vista aiuta a tracciare l'utilizzo geograficamente e a comprendere come i modelli si comportano 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 della richiesta e messaggi di errore. I log possono essere filtrati per gravità, rendendo semplice il debug dei problemi e l'identificazione rapida dei guasti. Inoltre, i controlli di salute forniscono indicatori di stato in tempo reale, mostrando se una distribuzione sta funzionando come previsto o se necessita di attenzione.

Il monitoraggio gioca anche un ruolo importante nell'ottimizzazione. Al variare dei dati di input, del traffico o dei modelli di utilizzo, le prestazioni possono variare. Tracciando metriche e log, puoi identificare problemi come latenza elevata, aumento dei tassi di errore o limitazioni di scalabilità e agire per mantenere prestazioni coerenti.

Link to this sectionVantaggi dell'utilizzo di Ultralytics Platform per costruire soluzioni di visione#

Ecco alcuni dei vantaggi chiave dell'utilizzo di Ultralytics Platform per costruire e scalare sistemi di ispezione visiva:

• Ottimizzato per l'uso nel mondo reale: Funzionalità come endpoint con autoscaling, distribuzione edge ed esportazione dei modelli assicurano che il sistema possa funzionare in modo affidabile in ambienti di produzione.
• Cicli di sviluppo più rapidi: Strumenti integrati e configurazioni predefinite aiutano a passare dai dati grezzi a un sistema funzionante in modo più efficiente.
• Facilità d'uso: Interfacce intuitive, flussi di lavoro snelliti e requisiti minimi di configurazione rendono la piattaforma accessibile sia ai principianti che agli utenti esperti.
• Meno lavoro manuale: Funzionalità come l'annotazione assistita dall'IA e l'elaborazione automatizzata dei dati riducono il tempo dedicato a compiti ripetitivi.
• Scalabile nel tempo: Al variare dei requisiti, il sistema può essere aggiornato aggiungendo nuovi dati e riaddestrando i modelli, consentendo l'adattamento a nuovi tipi di difetti, condizioni e configurazioni a più telecamere.

Link to this sectionPunti chiave#

Costruire un sistema di ispezione visiva basato su telecamere non deve essere complesso o richiedere approfondite competenze di IA. Con Ultralytics Platform, puoi passare dai dati grezzi a un sistema funzionante e monitorarne le prestazioni, tutto in un unico posto. Questo snellisce il modo in cui i sistemi di ispezione vengono costruiti, migliorati e gestiti in contesti reali.

Unisciti alla nostra community ed esplora il nostro repository GitHub per saperne di più sulla vision AI. Dai un'occhiata alle nostre opzioni di licenza per avviare i tuoi progetti di computer vision. Ti interessano innovazioni come l'AI nella produzione o la computer vision nel settore automobilistico? Visita le nostre pagine delle soluzioni per scoprire di più.