Ispezione della qualità nella produzione: metodi tradizionali vs. deep learning

L'ispezione qualità è un'attività fondamentale durante il manufacturing che garantisce che i prodotti soddisfino gli standard di qualità richiesti. Tuttavia, la valutazione della qualità mediante metodi di ispezione tradizionali può essere costosa con l'aumentare della complessità del prodotto. 

I produttori si stanno orientando verso tecniche di ispezione basate sul deep learning, come l'object detection e la semantic segmentation, per ridurre i costi di ispezione. Il deep learning è un sottocampo dell'intelligenza artificiale (IA) che utilizza algoritmi informatici chiamati reti neurali per identificare modelli complessi nei dati. Queste tecniche aiutano ad automatizzare il flusso di lavoro di ispezione e a ridurre la dipendenza dagli ispettori umani analizzando vasti dataset, tra cui immagini e video. 

Grazie alla sua versatilità ed economicità, la garanzia della qualità basata sull'IA aumenta significativamente la redditività aziendale. I rapporti suggeriscono che l'industria manifatturiera può guadagnare più di 3 trilioni di dollari dall'IA entro il 2035.

In questo articolo si discuterà di come i metodi di deep learning possono migliorare l'ispezione della qualità e di come Ultralytics YOLO11 può migliorare l'ispezione in diversi settori.

Cos'è l'ispezione qualità nel manufacturing?

L'ispezione qualità valuta se un prodotto presenta difetti, anomalie o incongruenze prima di raggiungere il consumatore. 

Il processo può avvenire durante la produzione, quando il prodotto si sposta lungo una catena di montaggio, oppure dopo la produzione, ma prima che gli articoli passino alla linea di distribuzione.  

Spesso, coinvolge esperti umani che eseguono valutazioni visive per verificare se il prodotto si discosta o non soddisfa gli standard di progettazione desiderati. 

Tuttavia, con l'aumentare delle esigenze di qualità, i produttori si stanno orientando verso approcci automatizzati di deep learning per ottenere maggiore agilità e scalabilità nelle loro operazioni.

Cosa sono gli approcci di deep learning?

Gli approcci di deep learning utilizzano reti neurali artificiali che funzionano secondo i principi del cervello umano. Le reti sono livelli interconnessi di neuroni. Ogni neurone esegue un calcolo matematico per analizzare i dati, identificare i modelli e generare una previsione. 

‍

Nell'ispezione qualità, i modelli di deep learning includono framework di computer vision che apprendono ed estraggono automaticamente le caratteristiche dalle immagini dei prodotti. 

Lo sviluppo di modelli di computer vision richiede che gli esperti addestrino una rete neurale su dataset rilevanti ed eseguano convalide su un nuovo dataset per verificarne le prestazioni. 

Una volta convalidati, gli esperti possono distribuire questi modelli su telecamere e sensori utilizzando vari strumenti di distribuzione, come ad esempio PyTorch, ONNXe OpenVINO.

Approcci di deep learning per l'ispezione qualità

L'ispezione della qualità basata sulla visione utilizza diversi metodi per detect e localizzare danni, crepe e oggetti mancanti. L'elenco che segue cita quattro moderni approcci di deep learning.

Classificazione binaria

La classificazione binaria si riferisce al compito di categorizzare le immagini in una delle due classi, ad esempio determinare se un difetto è presente o meno in un oggetto.

Sulla base dei dati visivi, un modello di classificazione emette una decisione binaria sì/no. Aiutano a detect articoli mancanti. Ad esempio, un modello di classificazione può detect se un articolo è mancante o meno in un prodotto.

‍

Classificazione multi-classe

La classificazione multi-classe è il compito di categorizzare le immagini in più di due classi. Assegna ogni immagine a una delle diverse categorie predefinite.

Ad esempio, un modello di classificazione multi-classe può analizzare l'immagine di un prodotto e restituire le probabilità per più tipi di danni o crepe, indicando quale è più probabile che sia presente. 

‍

Questo è utile nella produzione, dove vari difetti, come graffi, ammaccature o crepe, potrebbero richiedere diverse procedure di gestione. 

Localizzazione

La localizzazione si riferisce all'identificazione della posizione specifica di un oggetto o di una caratteristica all'interno di un'immagine. Utilizza modelli di rilevamento oggetti per prevedere bounding box o coordinate che evidenziano la regione specifica del danno. 

Questo è utile per attività come il rilevamento di crepe negli edifici o nelle parti industriali, dove la posizione precisa di un difetto è necessaria per riparazioni mirate. 

‍

Ad esempio, nella manutenzione delle infrastrutture, i modelli di localizzazione possono analizzare le immagini di una struttura in cemento e contrassegnare l'area esatta in cui si trova una crepa.

Localizzazione multi-classe

La localizzazione multi-classe identifica e localizza più difetti all'interno di un'immagine, classificando al contempo ogni difetto in una delle diverse categorie predefinite. 

Utilizza modelli di rilevamento oggetti più avanzati per determinare il tipo e la posizione di un difetto per offrire informazioni più dettagliate.

‍

Ad esempio, un modello di localizzazione multi-classe può analizzare un'immagine di un elemento danneggiato e indicare il tipo di difetto, come un graffio o una crepa, e le coordinate esatte del difetto all'interno dell'oggetto. 

Approcci tradizionali vs. deep learning 

I metodi di ispezione tradizionali sono più rigidi e seguono regole e standard definiti dall'utente come soglie, checklist predefinite e criteri di superamento/fallimento. 

Ad esempio, nelle tecniche di visione basate su regole, gli esperti definiscono il colore, la forma e le dimensioni ideali di un particolare prodotto. Il sistema avvisa gli esperti se una telecamera o un altro dispositivo di acquisizione immagini rileva deviazioni da questi standard.

Gli approcci di apprendimento profondo offrono una maggiore flessibilità per la costruzione di sistemi di rilevamento più complessi. Questi approcci prevedono la raccolta e l'annotazione di ampi set di immagini di oggetti difettosi. Gli esperti utilizzano i dati annotati per addestrare modelli di rilevamento degli oggetti come Ultralytics YOLO11. Una volta addestrati, possono implementare il modello in telecamere o sensori per acquisire immagini e identificare i difetti in tempo reale.

Nella sezione seguente vedremo come YOLO11 può essere utilizzato per l'ispezione della qualità.

Utilizzo della computer vision per l'ispezione della qualità

You-Only-Look-Once (YOLO) è un modello di rilevamento di oggetti in tempo reale (SOTA) all'avanguardia, famoso per la sua elevata precisione, adattabilità e velocità. La sua ultima iterazione è Ultralytics YOLO11che migliora le versioni precedenti in termini di estrazione delle caratteristiche, velocità, precisione e adattabilità. 

Presenta un'architettura migliorata per un'estrazione di feature più precisa e include pipeline di training ottimizzate per velocità di elaborazione più elevate. È più efficiente dal punto di vista computazionale, con il 22% in meno di parametri e punteggi di accuratezza superiori rispetto ai suoi predecessori.

Grazie alla sua versatilità, YOLO11 può contribuire a migliorare i flussi di lavoro di ispezione della qualità in diversi ambiti. Può aiutare a detect anomalie, danni, crepe, elementi mancanti ed errori di confezionamento nei prodotti, eseguendo operazioni come il rilevamento e la segmentazione degli oggetti.

Diamo un'occhiata ad alcuni modi in cui i modelli di computer vision possono essere utilizzati all'interno dell'industria manifatturiera. 

Rilevamento di articoli mancanti e parti fuori posto nell'elettronica

I modelli di visione computerizzata possono verificare se un prodotto ha tutti gli elementi necessari. Possono detect componenti mancanti nei prodotti assemblati per garantirne la completezza.

Nella produzione di elettronica, l'identificazione di componenti mancanti, parti disallineate o problemi di saldatura è fondamentale per garantire che il prodotto finale sia affidabile e abbia la giusta funzionalità.

Modelli di rilevamento degli oggetti come YOLO11 possono essere addestrati per detect componenti mancanti o fuori posto sulle schede dei circuiti. Possono analizzare le immagini delle schede in tempo reale e identificare difetti come resistenze o condensatori mancanti. In questo modo si garantisce che l'assemblaggio di ogni unità sia corretto prima della spedizione.

Rilevamento di crepe nelle parti automobilistiche

Il rilevamento di crepe è un'altra attività di rilevamento che analizza immagini o dati di sensori per individuare la posizione, le dimensioni e la gravità di una crepa.

L'industria automobilistica è un esempio in cui il rilevamento di crepe in più componenti, come ingranaggi e sistemi frenanti, è necessario per garantire che soddisfino gli standard di sicurezza.

Modelli come YOLO11 possono essere addestrati per detect rapidamente difetti come graffi superficiali o crepe in componenti automobilistici complessi.

Rilevamento di danni nel tessile

La computer vision può aiutare a detect vari tipi di danni sulla superficie di un prodotto, come graffi, ammaccature e deformazioni, utilizzando attività di computer vision.

L'industria tessile può trarre notevoli vantaggi dal rilevamento dei danni basato sull'intelligenza artificiale, utilizzando modelli di rilevamento e segmentazione degli oggetti come YOLO11. Può identificare difetti come strappi, buchi, macchie o incongruenze del tessuto durante il processo di produzione. 

Rilevamento di anomalie nella produzione farmaceutica

Il rilevamento di anomalie si riferisce all'attività di analisi del design, della struttura, dell'aspetto e delle dimensioni di un prodotto per valutare se queste proprietà si discostano dagli standard desiderati.

Nella produzione farmaceutica, il rilevamento delle anomalie è fondamentale per garantire la qualità e la sicurezza dei prodotti farmaceutici. I produttori possono utilizzare YOLO11 per detect irregolarità come incongruenze nelle forme e nelle dimensioni delle compresse, scolorimento o particelle estranee.

Accuratezza dell'imballaggio e dell'etichettatura

Un altro esempio di come i modelli di computer vision possono essere utilizzati nella produzione è all'interno dell'imballaggio e dell'etichettatura nelle industrie. Ad esempio, l'industria alimentare e delle bevande deve soddisfare standard rigorosi per la sicurezza e la conformità dei consumatori.

Modelli come YOLO11 possono aiutare a detect errori di confezionamento come etichettature errate, confezioni danneggiate o sigilli di sicurezza mancanti. Possono anche verificare che le etichette siano posizionate correttamente con codici a barre chiari o date di scadenza. 

Ciò garantisce che i prodotti siano conformi alle normative del settore e siano pronti per la distribuzione ai consumatori.

Sfide e direzioni future dell'ispezione della qualità basata sull'intelligenza artificiale

I framework di ispezione della qualità basati sull'intelligenza artificiale sono ancora in evoluzione e devono affrontare numerose sfide. Ecco alcune limitazioni e direzioni di ricerca future da tenere in considerazione per queste tecnologie.

• Apprendimento a mondo aperto e visione attiva: La costruzione di modelli di rilevamento detect oggetti nuovi è difficile a causa della limitata disponibilità di dati etichettati. L'addestramento non supervisionato e i modelli di apprendimento per trasferimento possono aiutare gli esperti ad adattare rapidamente i framework di rilevamento a nuovi set di dati.
  ‍
• Rilevamento a livello di pixel: La segmentazione delle immagini consente ai modelli di comprendere la differenza tra lo sfondo e l'oggetto primario in un'immagine. L'integrazione del rilevamento degli oggetti e della segmentazione è un'area di ricerca che è costantemente in fase di sviluppo per garantire un'ispezione di alta qualità.
  ‍
• Apprendimento multimodale: i modelli multimodali possono integrare e analizzare simultaneamente diversi tipi di dati. Nel rilevamento oggetti, l'apprendimento multimodale può contribuire a migliorare la precisione dell'ispezione apprendendo da diversi tipi di dati, come i dati termici per la comprensione della profondità, le immagini bidimensionali e brevi filmati video.

Punti chiave 

L'ispezione qualità basata sul deep learning sta vivendo una crescita esponenziale grazie al costante sviluppo di diversi modelli di rilevamento oggetti. Con l'ispezione qualità basata sull'intelligenza artificiale, i produttori possono ottenere una maggiore scalabilità e flessibilità rispetto agli approcci tradizionali.

Le aziende possono utilizzare modelli come YOLO11 per automatizzare il processo di ispezione, sfruttando la sua architettura avanzata e le sue capacità di estrazione delle caratteristiche che consentono di ottenere una migliore precisione e una maggiore velocità.

Per saperne di più su YOLO11 e su altri modelli di rilevamento degli oggetti, consultate il nostro repository GitHub e partecipate alla nostra vivace comunità. Scoprite come Ultralytics sta ridefinendo la produzione grazie a framework di deep learning all'avanguardia.