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.
L'ispezione di qualità è un'attività critica durante la produzione che garantisce che i prodotti soddisfino gli standard di qualità richiesti. Tuttavia, valutare la qualità utilizzando metodi di ispezione tradizionali può essere costoso con l'aumentare della complessità del prodotto.
I produttori si stanno orientando verso tecniche di ispezione basate sul deep learning, come il rilevamento di oggetti e la segmentazione semantica, 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 ampi dataset, incluse 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 discuterà di come i metodi di deep learning possano migliorare l'ispezione di qualità e di come Ultralytics YOLO11 possa migliorare l'ispezione in molteplici settori.
Link to this sectionCos'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.
Link to this sectionCosa sono gli approcci di deep learning?#
Gli approcci di deep learning utilizzano reti neurali artificiali che lavorano sui principi del cervello umano. Le reti sono strati interconnessi di neuroni. Ogni neurone esegue un calcolo matematico per analizzare i dati, identificare modelli e generare una previsione.
Fig 1. Rete neurale artificiale.
Nell'ispezione di 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 convalidati, gli esperti possono distribuire questi modelli su fotocamere e sensori utilizzando vari strumenti di deployment come PyTorch, ONNX e OpenVINO.
Link to this sectionApprocci 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.
Link to this sectionClassificazione binaria#
La classificazione binaria si riferisce al compito di classificare le immagini in una delle due classi, come determinare se un difetto è 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 pezzo di automobile.
Link to this sectionClassificazione 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 multi-classe che rileva piegature e colori.
Questo è utile nella produzione dove vari difetti, come graffi, ammaccature o crepe, potrebbero richiedere diverse procedure di gestione.
Link to this sectionLocalizzazione#
La localizzazione si riferisce all'identificazione della posizione specifica di un oggetto o caratteristica all'interno di un'immagine. Utilizza modelli di rilevamento oggetti per prevedere riquadri di delimitazione o coordinate che evidenziano la regione specifica del danno.
Questo è utile per attività come il rilevamento di crepe in edifici o parti industriali, dove la posizione precisa di un difetto è necessaria per riparazioni mirate.
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.
Link to this sectionLocalizzazione 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 localizza molteplici tipi di difetti.
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.
Link to this sectionApprocci 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.
Deep-learning approaches offer greater flexibility for building more complex detection systems. These approaches involve collecting and annotating extensive datasets of images of defective objects. Experts use the annotated data to train object detection models such as Ultralytics YOLO11. Once trained, they can deploy the model in cameras or sensors to capture images and identify defects in real time.
Nella sezione seguente, daremo un'occhiata a come YOLO11 può essere utilizzato per l'ispezione di qualità.
Link to this sectionUtilizzo della computer vision per l'ispezione di qualità#
You-Only-Look-Once (YOLO) è un modello di rilevamento oggetti in tempo reale allo stato dell'arte (SOTA) famoso per la sua elevata precisione, adattabilità e velocità. La sua ultima iterazione è Ultralytics YOLO11, che migliora le versioni precedenti in termini di estrazione delle caratteristiche, velocità, precisione e adattabilità.
Presenta un'architettura migliore per un'estrazione delle caratteristiche più precisa e include pipeline di addestramento ottimizzate per velocità di elaborazione più elevate. È più efficiente dal punto di vista computazionale, con il 22% di parametri in meno e punteggi di precisione più elevati rispetto ai suoi predecessori.
Grazie alla sua versatilità, YOLO11 può aiutare a migliorare i flussi di lavoro di ispezione di qualità in molteplici domini. Può aiutare a rilevare anomalie, danni, crepe, articoli mancanti ed errori di imballaggio nei prodotti eseguendo attività 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.
Link to this sectionRilevamento 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 rilevamento oggetti come YOLO11 possono essere addestrati per rilevare componenti mancanti o fuori posto sui circuiti stampati. Può analizzare le immagini delle schede in tempo reale e identificare difetti come resistori o condensatori mancanti. Ciò garantirà che l'assemblaggio di ogni unità sia corretto prima della spedizione.
Link to this sectionRilevamento 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 automobilistica è un esempio in cui rilevare crepe in molteplici componenti come ingranaggi e sistemi frenanti è necessario per garantire che soddisfino gli standard di sicurezza.
Modelli come YOLO11 possono essere addestrati per rilevare rapidamente difetti come graffi superficiali o crepe in componenti automobilistici complessi.
Link to this sectionRilevamento 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 un beneficio significativo dal rilevamento dei danni basato sull'IA utilizzando modelli di rilevamento e segmentazione oggetti come YOLO11. Può identificare difetti come strappi, buchi, macchie o incongruenze nel tessuto durante il processo di produzione.
Link to this sectionRilevamento 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 produzione farmaceutica, il rilevamento di anomalie è vitale per garantire la qualità e la sicurezza dei prodotti farmaceutici. I produttori possono utilizzare YOLO11 per rilevare irregolarità come incongruenze nelle forme delle compresse, dimensioni, scolorimento o particelle estranee.
Link to this sectionPrecisione 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 YOLO11 possono aiutare a rilevare errori di imballaggio come etichettatura errata, imballaggio danneggiato o sigilli di sicurezza mancanti. Può anche verificare che le etichette abbiano posizionamenti corretti 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.
Link to this sectionSfide e direzioni future dell'ispezione di qualità basata sull'IA#
I framework di ispezione di qualità basata sull'IA sono ancora in evoluzione e devono affrontare numerose sfide. Ecco alcune limitazioni e direzioni di ricerca future da prendere in considerazione per queste tecnologie.
- Apprendimento nel mondo reale e visione attiva: Costruire modelli di rilevamento oggetti per rilevare nuovi oggetti è impegnativo a causa della limitata disponibilità di dati etichettati. Modelli di addestramento non supervisionato 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. Integrare il rilevamento degli oggetti e la segmentazione è un'area di ricerca che viene costantemente sviluppata per garantire un'ispezione di alta qualità.
- Apprendimento multimodale: I modelli multimodali possono integrare e analizzare più tipi di dati contemporaneamente. Nel rilevamento oggetti, l'apprendimento multimodale può aiutare a migliorare la precisione dell'ispezione imparando da diversi tipi di dati, come dati termici per comprendere la profondità, immagini bidimensionali e brevi filmati video.
Link to this sectionPunti 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 YOLO11 per automatizzare il processo di ispezione, sfruttando la sua architettura migliorata e le capacità di estrazione delle caratteristiche che si traducono in una migliore precisione e una maggiore velocità.
Puoi saperne di più su YOLO11 e altri modelli di rilevamento oggetti controllando il nostro repository GitHub e interagendo con la nostra vivace community. Esplora come Ultralytics sta ridefinendo la produzione attraverso framework di deep learning all'avanguardia.
