Ispezione della qualità nella produzione: metodi tradizionali vs. metodi di deep learning
Scopri come i più recenti modelli di rilevamento oggetti possano aiutare ad automatizzare l'ispezione della qualità nella produzione.
Il controllo qualità è un'attività fondamentale durante la manufacturing che garantisce che i prodotti rispettino gli standard qualitativi richiesti. Tuttavia, valutare la qualità tramite metodi di ispezione tradizionali può rivelarsi costoso con l'aumentare della complessità del prodotto.
I produttori si stanno orientando verso tecniche di ispezione basate sul deep learning, come il object detection e la semantic segmentation, per ridurre i costi di ispezione. Il deep learning è un sottocampo della artificial intelligence (AI) che utilizza computer algorithms chiamati reti neurali per identificare pattern complessi nei dati. Queste tecniche aiutano ad automatizzare il flusso di lavoro di ispezione e a ridurre la dipendenza dagli ispettori umani analizzando ampi datasets, tra cui immagini e video.
Grazie alla sua versatilità ed efficacia in termini di costi, il controllo qualità basato sull'IA aumenta significativamente la redditività aziendale. I rapporti suggeriscono che l'industria manifatturiera può guadagnare più di 3 trilioni di USD dall'IA entro il 2035.
Questo articolo analizzerà come i metodi di deep learning possano migliorare il controllo qualità e come Ultralytics YOLO11 possa potenziare l'ispezione in molteplici settori industriali.
Cos'è l'ispezione di qualità nella produzione?#
L'ispezione di qualità valuta se un prodotto presenta difetti, anomalie o incongruenze prima di raggiungere il consumatore.
Il processo può avvenire durante la produzione, mentre il prodotto si muove lungo una catena di montaggio, o dopo la produzione, ma prima che gli articoli vengano spostati alla linea di distribuzione.
Spesso, comporta che esperti umani eseguano valutazioni visive per verificare se il prodotto devia dagli standard di progettazione desiderati o non li soddisfa.
Tuttavia, con l'aumentare delle richieste di qualità, i produttori si stanno orientando verso approcci di deep learning automatizzati per ottenere maggiore agilità e scalabilità nelle loro operazioni.
Cosa sono gli approcci di deep learning?#
Gli approcci di deep learning utilizzano artificial neural networks che funzionano secondo i principi del cervello umano. Le reti sono costituite da strati interconnessi di neuroni. Ciascun neurone esegue un calcolo matematico per analizzare i dati, identificare pattern e generare una previsione.
Fig 1. Rete neurale artificiale.
Nel controllo 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 pertinenti ed eseguano convalide su un nuovo dataset per verificarne le prestazioni.
Una volta validati, gli esperti possono distribuire questi modelli su cameras e sensori utilizzando vari deployment tools come PyTorch, ONNX e OpenVINO.
Approcci di deep learning per l'ispezione di qualità#
L'ispezione di qualità basata sulla visione utilizza molteplici metodi per rilevare e localizzare danni, crepe e articoli mancanti. L'elenco seguente menziona quattro moderni approcci di deep learning.
Classificazione binaria#
Il Binary classification si riferisce al compito di suddividere le immagini in una di due classi, ad esempio determinando se un difetto sia presente o meno in un oggetto.
Sulla base dei dati visivi, un modello di classificazione produce una decisione binaria sì/no. Aiutano a rilevare articoli mancanti. Ad esempio, un modello di classificazione può rilevare se un articolo manca o meno in un prodotto.
Fig 2. Classificazione binaria di un componente per auto.
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 numerose categorie predefinite.
Ad esempio, un modello di classificazione multi-classe può analizzare l'immagine di un prodotto e restituire probabilità per molteplici tipi di danni o crepe, indicando quale è più probabilmente presente.
Fig 3. Classificazione multiclasse per il rilevamento di deformazioni e difetti di colore.
Questo risulta utile nella produzione, dove vari difetti come graffi, ammaccature o cracks potrebbero richiedere procedure di gestione differenti.
Localizzazione#
La localizzazione consiste nell'identificare la posizione specifica di un oggetto o di una caratteristica all'interno di un'immagine. Utilizza object detection models per prevedere bounding boxes o coordinate che evidenziano la regione specifica del danno.
Ciò è utile per attività come il rilevamento di crepe in edifici o parti industriali, dove la precise location di un difetto è necessaria per interventi di riparazione mirati.
Fig 4. Modello che localizza un foro di punzonatura.
Ad esempio, nella manutenzione delle infrastrutture, i modelli di localizzazione possono analizzare immagini di una struttura in calcestruzzo e contrassegnare l'area esatta in cui si trova una crepa.
Localizzazione multi-classe#
La localizzazione multi-classe identifica e localizza molteplici difetti all'interno di un'immagine mentre classifica anche ogni difetto in una delle numerose categorie predefinite.
Utilizza modelli di rilevamento oggetti più avanzati per determinare il tipo e la posizione di un difetto per offrire informazioni più dettagliate.
Fig 5. Modello che individua molteplici tipi di difetto.
Ad esempio, un modello di localizzazione multi-classe può analizzare l'immagine di un articolo 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, seguendo 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 basati sul deep learning offrono maggiore flessibilità per la creazione di sistemi di rilevamento più complessi. Questi approcci comportano la raccolta e il annotating di ampi dataset di immagini di oggetti difettosi. Gli esperti utilizzano i dati annotati per addestrare object detection models come Ultralytics YOLO11. Una volta addestrato, il modello può essere distribuito in telecamere o sensori per acquisire immagini e identificare i difetti in tempo reale.
Nella sezione seguente, vedremo come Ultralytics YOLO11 può essere utilizzato per il controllo qualità.
Utilizzo della computer vision per l'ispezione di qualità#
You-Only-Look-Once (YOLO) è un modello di object detection in tempo reale all'avanguardia (SOTA), rinomato per la sua elevata precisione, adattabilità e velocità. La sua iterazione più recente è Ultralytics YOLO11, che migliora le versioni precedenti in termini di feature extraction, velocità, precisione e adattabilità.
Presenta un'architettura migliore per una precise estrazione delle feature e include training pipelines ottimizzate per velocità di elaborazione superiori. È computazionalmente più efficiente, con il 22% in meno di parametri e punteggi di precisione più elevati rispetto ai suoi predecessori.
Grazie alla sua versatilità, Ultralytics YOLO11 può contribuire a migliorare i flussi di lavoro del controllo qualità in molteplici settori. Può aiutare a rilevare anomalie, danni, crepe, elementi mancanti ed errori di imballaggio nei prodotti eseguendo attività come il rilevamento di oggetti e la segmentazione.
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 computer vision possono verificare se un prodotto ha tutti gli articoli necessari. Possono rilevare componenti mancanti in prodotti assemblati per garantirne la completezza.
Nella produzione di elettronica, identificare componenti mancanti, parti disallineate o problemi di saldatura è fondamentale per garantire che il prodotto finale sia affidabile e abbia la giusta funzionalità.
I modelli di object detection come YOLO11 possono essere addestrati per rilevare componenti mancanti o posizionati in modo errato su circuiti stampati. Possono analizzare le immagini delle schede in tempo reale e identificare difetti come resistori o condensatori mancanti. Ciò garantisce che l'assemblaggio di ciascuna unità sia corretto prima della spedizione.
Rilevamento di crepe in parti automobilistiche#
Il rilevamento delle crepe è un'altra attività di rilevamento che analizza immagini o dati dei sensori per individuare la posizione, le dimensioni e la gravità di una crepa.
L'industria automotive è un esempio in cui il rilevamento di crepe in molteplici componenti, come ingranaggi e impianti frenanti, è necessario per garantire la conformità agli standard di sicurezza.
Modelli come Ultralytics YOLO11 possono essere addestrati per rilevare rapidamente difetti come graffi superficiali o crepe in componenti automobilistici complessi.
Rilevamento danni nel tessile#
La computer vision può aiutare a rilevare 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 di oggetti come Ultralytics YOLO11. Può identificare difetti come strappi, fori, macchie o incongruenze del tessuto durante il processo di produzione.
Rilevamento di anomalie nella produzione farmaceutica#
Il rilevamento di anomalie si riferisce al compito di analizzare il design, la struttura, l'aspetto e le dimensioni di un prodotto per valutare se queste proprietà deviano dagli standard desiderati.
Nella pharmaceutical manufacturing, il rilevamento delle anomalie è fondamentale per garantire la qualità e la sicurezza dei prodotti farmaceutici. I produttori possono utilizzare Ultralytics YOLO11 per rilevare irregolarità come incongruenze nelle forme e nelle dimensioni delle compresse, scolorimento o particelle estranee.
Precisione di imballaggio ed etichettatura#
Un altro esempio di come i modelli di computer vision possono essere utilizzati nella produzione è all'interno dell'imballaggio e dell'etichettatura nei settori. Ad esempio, l'industria alimentare e delle bevande deve soddisfare standard rigorosi per la sicurezza dei consumatori e la conformità.
Modelli come Ultralytics YOLO11 possono aiutare a rilevare errori di imballaggio come etichettatura errata, imballaggi danneggiati o sigilli di sicurezza mancanti. Può anche verificare che le etichette siano posizionate correttamente con codici a barre o date di scadenza leggibili.
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 di qualità basata sull'IA#
I framework di AI-based quality inspection sono ancora in evoluzione e affrontano numerose sfide. Ecco alcune limitazioni e direzioni di ricerca future da prendere in considerazione per queste tecnologie.
- Open-world learning e active vision: Creare modelli di object detection per rilevare nuovi oggetti è complesso a causa della limitata disponibilità di dati etichettati. I modelli di Unsupervised training e transfer learning possono aiutare gli esperti ad adattare rapidamente i framework di rilevamento a nuovi dataset.
- Rilevamento a livello di pixel: La segmentazione delle immagini consente ai modelli di comprendere la differenza tra lo sfondo e l'oggetto principale in un'immagine. L'integrazione tra object detection e segmentation è un'area di ricerca in costante sviluppo per garantire un'ispezione di alta qualità.
- Apprendimento multimodale: I modelli multimodali possono integrare e analizzare più tipi di dati contemporaneamente. Nell'object detection, l'apprendimento multimodale può contribuire a migliorare la accuracy dell'ispezione traendo informazioni da diversi tipi di dati, come i dati termici per comprendere la profondità, le immagini bidimensionali e brevi sequenze video.
Punti chiave#
L'ispezione di qualità basata sul deep learning sta vivendo un progresso esponenziale dovuto al costante sviluppo di diversi modelli di rilevamento oggetti. Con l'ispezione di qualità basata sull'IA, i produttori possono ottenere maggiore scalabilità e flessibilità rispetto agli approcci tradizionali.
Le aziende possono utilizzare modelli come Ultralytics YOLO11 per automatizzare il processo di ispezione, sfruttando la sua architettura avanzata e le capacità di estrazione delle caratteristiche che si traducono in una maggiore precisione e una maggiore velocità.
Puoi scoprire di più su YOLO11 e altri modelli di object detection visitando il nostro GitHub repository e interagendo con la nostra vivace community. Esplora come Ultralytics sta ridefinendo il settore della manufacturing attraverso framework di deep learning all'avanguardia.
