Controllo qualità nella produzione: metodi tradizionali a confronto con il deep learning

Il controllo qualità è un'attività fondamentale durante la produzione, perché garantisce che i prodotti rispettino gli standard di qualità richiesti. Tuttavia, valutare la qualità con i metodi di ispezione tradizionali può diventare costoso con l'aumentare della complessità dei prodotti.

I produttori stanno adottando tecniche di ispezione basate sul deep learning, come il rilevamento degli oggetti e la segmentazione semantica, per ridurre i costi delle ispezioni. Il deep learning è un sottocampo dell'intelligenza artificiale (AI) che utilizza algoritmi informatici chiamati reti neurali per identificare schemi complessi nei dati. Queste tecniche aiutano ad automatizzare il flusso di lavoro delle ispezioni e a ridurre la dipendenza dagli ispettori umani analizzando ampi dataset, comprese immagini e video.

Grazie alla sua versatilità e convenienza, il controllo qualità basato sull'IA aumenta significativamente la redditività delle aziende. Secondo alcuni rapporti, entro il 2035 l'industria manifatturiera potrà ottenere dall'IA vantaggi per oltre 3.000 miliardi di USD.

Questo articolo illustra come i metodi di deep learning possano migliorare il controllo qualità e come Ultralytics YOLO11 possa potenziare le ispezioni in diversi settori.

Che cos'è il controllo qualità nel settore manifatturiero?#

L'ispezione della qualità valuta se un prodotto presenta difetti, anomalie o incongruenze prima di arrivare al consumatore.

Il processo può svolgersi durante la produzione, mentre il prodotto passa lungo una linea di assemblaggio, oppure dopo la produzione ma prima che gli articoli raggiungano la linea di distribuzione.

Spesso, il processo prevede che esperti eseguano valutazioni visive per verificare se il prodotto si discosta dagli standard di progettazione desiderati o non li rispetta.

Tuttavia, con l'aumento delle esigenze in termini di qualità, i produttori stanno passando ad approcci automatizzati basati sul deep learning per ottenere maggiore agilità e scalabilità nelle loro attività.

Che cosa sono gli approcci di deep learning?#

Gli approcci di deep learning utilizzano reti neurali artificiali basate sui principi del cervello umano. Le reti sono composte da strati interconnessi di neuroni. Ogni neurone esegue un calcolo matematico per analizzare i dati, identificare schemi e generare una previsione.

Fig. 1 Rete neurale artificiale.

Nel controllo qualità, i modelli di deep learning includono framework di visione artificiale che apprendono ed estraggono automaticamente caratteristiche dalle immagini dei prodotti.

Per sviluppare modelli di visione artificiale, è necessario addestrare una rete neurale su set di dati pertinenti e convalidarne le prestazioni su un nuovo set di dati.

Una volta convalidati, gli esperti possono implementare questi modelli su telecamere e sensori utilizzando diversi strumenti di implementazione, come TorchScript, ONNX e OpenVINO.

Approcci di deep learning per il controllo qualità#

Il controllo qualità basato sulla visione artificiale usa diversi metodi per rilevare e localizzare danni, crepe e parti mancanti. L'elenco seguente presenta quattro approcci moderni di deep learning.

Classificazione binaria#

La classificazione binaria consiste nel suddividere le immagini in una di due classi, per esempio per determinare se un oggetto presenta o meno un difetto.

Sulla base dei dati visivi, un modello di classificazione restituisce una decisione binaria di sì o no. Questi modelli aiutano a rilevare le parti mancanti. Per esempio, un modello di classificazione può determinare se manca un elemento in un prodotto.

Fig. 2 Classificazione binaria di un componente automobilistico.

Classificazione multiclasse#

La classificazione multiclasse consiste nel suddividere le immagini in più di due classi. Assegna ogni immagine a una delle diverse categorie predefinite.

Per esempio, un modello di classificazione multiclasse può analizzare l'immagine di un prodotto e restituire le probabilità relative a diversi tipi di danno o crepa, indicando quale sia il più probabile.

Fig. 3 Classificazione multiclasse che rileva difetti di piegatura e di colore.

È utile nel settore manifatturiero, dove difetti diversi, come graffi, ammaccature o crepe, possono 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. Usa modelli di rilevamento degli oggetti per prevedere riquadri di delimitazione o coordinate che evidenziano l'area precisa del danno.

È utile per attività come il rilevamento di crepe negli edifici o nei componenti industriali, dove la posizione precisa di un difetto è necessaria per pianificare riparazioni mirate.

Fig. 4 Modello che localizza un foro punzonato.

Per esempio, nella manutenzione delle infrastrutture, i modelli di localizzazione possono analizzare immagini di una struttura in calcestruzzo e indicare l'area esatta in cui si trova una crepa.

Localizzazione multiclasse#

La localizzazione multiclasse identifica e localizza più difetti all'interno di un'immagine, classificando ciascun difetto in una delle diverse categorie predefinite.

Usa modelli di rilevamento degli oggetti più avanzati per determinare la tipologia e la posizione di un difetto e fornire informazioni più dettagliate.

Fig. 5 Modello che localizza diversi tipi di difetto.

Per esempio, un modello di localizzazione multiclasse può analizzare l'immagine di un articolo danneggiato e indicare il tipo di difetto, come un graffio o una crepa, nonché le coordinate esatte del difetto all'interno dell'oggetto.

Approcci tradizionali e approcci di deep learning#

I metodi di ispezione tradizionali sono più rigidi e seguono regole e standard definiti dall'utente, come soglie, liste di controllo predefinite e criteri di superamento o non superamento.

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

Gli approcci basati sul deep learning offrono maggiore flessibilità per realizzare sistemi di rilevamento più complessi. Prevedono la raccolta e l'annotazione di ampi dataset di immagini di oggetti difettosi. Gli esperti utilizzano i dati annotati per addestrare modelli di rilevamento degli oggetti come Ultralytics YOLO11. Una volta addestrato, il modello può essere implementato su telecamere o sensori per acquisire immagini e identificare difetti in tempo reale.

Nella sezione seguente vedremo come usare Ultralytics YOLO11 per il controllo qualità.

Usare la visione artificiale per il controllo qualità#

You-Only-Look-Once (YOLO) è un modello di rilevamento degli oggetti all'avanguardia (SOTA) in tempo reale, famoso per l'elevata precisione, adattabilità e velocità. Al momento della stesura, la sua iterazione più recente era Ultralytics YOLO11 (a cui è poi succeduto Ultralytics YOLO26), che migliora le versioni precedenti in termini di estrazione delle caratteristiche, velocità, precisione e adattabilità.

Offre un'architettura migliore per un'estrazione delle caratteristiche più precisa e include pipeline di addestramento ottimizzate per velocità di elaborazione superiori. È anche più efficiente dal punto di vista computazionale: YOLO11m utilizza il 22% di parametri in meno rispetto a YOLOv8m, raggiungendo al contempo una precisione maggiore.

Grazie alla sua versatilità, Ultralytics YOLO11 può contribuire a migliorare i flussi di lavoro di controllo qualità in diversi ambiti. Può aiutare a rilevare anomalie, danni, crepe, parti mancanti ed errori di confezionamento nei prodotti, svolgendo attività come il rilevamento degli oggetti e la segmentazione.

Vediamo alcuni modi in cui i modelli di visione artificiale possono essere usati nel settore manifatturiero.

Rilevamento di elementi mancanti e componenti fuori posto nei prodotti elettronici#

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

Nella produzione elettronica, identificare componenti mancanti, parti disallineate o problemi di saldatura è fondamentale per garantire che il prodotto finito sia affidabile e funzioni correttamente.

I modelli di rilevamento degli oggetti come YOLO11 possono essere addestrati per rilevare componenti mancanti o posizionati in modo errato sui circuiti stampati. Possono analizzare in tempo reale le immagini dei circuiti e identificare difetti come resistori o condensatori mancanti. I dataset pubblici come PCB Component Detection sono un buon punto di partenza per addestrare un modello di questo tipo. In questo modo si garantisce che l'assemblaggio di ogni unità sia corretto prima della spedizione.

Rilevamento di crepe nei componenti automobilistici#

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.

Il settore automobilistico è un esempio in cui rilevare crepe in diversi componenti, come ingranaggi e impianti frenanti, è necessario per garantire il rispetto degli standard di sicurezza.

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

Rilevamento dei danni nei tessuti#

La visione artificiale può aiutare a rilevare diversi tipi di danni sulla superficie di un prodotto, come graffi, ammaccature e deformazioni, usando attività di visione artificiale.

L'industria tessile può trarre notevoli vantaggi dal rilevamento dei danni basato sull'IA, usando modelli di rilevamento degli oggetti e segmentazione come Ultralytics YOLO11. Durante il processo di produzione, questi modelli possono identificare difetti come strappi, buchi, macchie o irregolarità del tessuto.

Rilevamento delle anomalie nella produzione farmaceutica#

Il rilevamento delle anomalie consiste nell'analizzare il design, la struttura, l'aspetto e le 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 medicinali. I produttori possono usare Ultralytics YOLO11 per rilevare irregolarità come incongruenze nella forma e nelle dimensioni delle compresse, alterazioni del colore o particelle estranee.

Precisione del confezionamento e dell'etichettatura#

Un altro esempio di utilizzo dei modelli di visione artificiale nel settore manifatturiero riguarda il confezionamento e l'etichettatura nei diversi settori. Per esempio, l'industria alimentare e delle bevande deve rispettare standard rigorosi per la sicurezza dei consumatori e la conformità normativa.

Modelli come Ultralytics YOLO11 possono aiutare a rilevare errori di confezionamento, come etichette errate, confezioni danneggiate o sigilli di sicurezza mancanti. Possono anche verificare che le etichette siano posizionate correttamente e includano codici a barre leggibili o date di scadenza.

Questo garantisce che i prodotti rispettino le normative di settore e siano pronti per la distribuzione ai consumatori.

Sfide e prospettive future del controllo qualità basato sull'IA#

I framework di controllo qualità basato sull'IA sono ancora in evoluzione e devono affrontare numerose sfide. Ecco alcuni limiti e possibili direzioni future della ricerca da considerare per queste tecnologie.

• Apprendimento in scenari aperti e visione attiva: creare modelli di rilevamento degli oggetti capaci di rilevare nuovi oggetti è difficile a causa della disponibilità limitata di dati etichettati. I modelli di addestramento non supervisionato e 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 permette ai modelli di distinguere lo sfondo dall'oggetto principale di un'immagine. L'integrazione del rilevamento degli oggetti e della segmentazione è un ambito di ricerca in costante sviluppo, volto a garantire ispezioni di alta qualità.
• Apprendimento multimodale: i modelli multimodali possono integrare e analizzare simultaneamente più tipi di dati. Nel rilevamento degli oggetti, l'apprendimento multimodale può contribuire a migliorare la precisione delle ispezioni imparando da dati di tipo diverso, come dati termici, immagini bidimensionali e brevi filmati.

Punti chiave#

L'ispezione della qualità basata sul deep learning sta progredendo rapidamente grazie al costante sviluppo di diversi modelli di rilevamento degli oggetti. Con l'ispezione della qualità basata sull'IA, i produttori possono ottenere maggiore scalabilità e flessibilità rispetto agli approcci tradizionali.

Le aziende possono usare modelli come Ultralytics YOLO11 per automatizzare il processo di ispezione e sfruttarne l'architettura migliorata e le capacità di estrazione delle caratteristiche, ottenendo una precisione maggiore e una velocità superiore.

Puoi saperne di più su YOLO11 e sugli altri modelli di rilevamento degli oggetti consultando il nostro repository GitHub e partecipando alla nostra vivace community. Scopri come Ultralytics supporta la produzione con la visione artificiale.