Ispezione della qualità nella produzione: metodi tradizionali e di deep learning a confronto

L'ispezione della qualità è un'attività fondamentale durante la produzione, che garantisce che i prodotti soddisfino gli standard qualitativi richiesti. Tuttavia, valutare la qualità con metodi di ispezione tradizionali può essere 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 di ispezione. Il deep learning è un sottocampo dell'intelligenza artificiale (AI) che utilizza algoritmi informatici chiamati reti neurali per identificare pattern complessi nei dati. Queste tecniche aiutano ad automatizzare il flusso di lavoro dell'ispezione e a ridurre la dipendenza dagli ispettori umani analizzando ampi dataset, comprese immagini e video.

Grazie alla sua versatilità e convenienza economica, l'assicurazione della qualità basata sull'AI aumenta significativamente la redditività aziendale. Secondo alcuni rapporti, entro il 2035 l'industria manifatturiera potrebbe ottenere dall'AI oltre 3.000 miliardi di dollari.

Questo articolo illustrerà come i metodi di deep learning possano migliorare l'ispezione della qualità e come Ultralytics YOLO11 possa potenziare l'ispezione in diversi settori.

Che cos'è l'ispezione della qualità nella produzione?#

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

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

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

Tuttavia, con l'aumento dei requisiti di qualità, i produttori stanno adottando 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 che funzionano secondo principi simili a quelli del cervello umano. Le reti sono costituite da strati interconnessi di neuroni. Ogni neurone esegue un calcolo matematico per analizzare i dati, identificare pattern e generare una previsione.

Fig. 1 Rete neurale artificiale.

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

Lo sviluppo di modelli di visione artificiale richiede esperti che addestrino una rete neurale su dataset pertinenti ed eseguano la validazione su un nuovo dataset per verificarne le prestazioni.

Una volta validati, gli esperti possono distribuire questi modelli su telecamere e sensori utilizzando diversi strumenti di deployment, come PyTorch, ONNX e OpenVINO.

Approcci di deep learning per l'ispezione della qualità#

L'ispezione della qualità basata sulla visione utilizza diversi metodi per rilevare e localizzare danni, crepe e componenti mancanti. L'elenco seguente presenta quattro moderni approcci di deep learning.

Classificazione binaria#

La classificazione binaria consiste nel categorizzare le immagini in una delle due classi disponibili, ad esempio determinando se un oggetto presenta o meno un difetto.

Sulla base dei dati visivi, un modello di classificazione produce una decisione binaria sì/no. Questi modelli aiutano a rilevare gli articoli mancanti. Ad esempio, un modello di classificazione può rilevare se un articolo è assente o meno in un prodotto.

Fig. 2 Classificazione binaria di un componente automobilistico.

Classificazione multiclass#

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

Ad esempio, un modello di classificazione multiclass può analizzare l'immagine di un prodotto e restituire le probabilità relative a diversi tipi di danni o crepe, indicando quale sia probabilmente presente.

Fig. 3 Classificazione multiclass per il rilevamento di difetti di piegatura e di colore.

È utile nella produzione, dove diversi difetti, 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. Utilizza modelli di rilevamento degli oggetti per prevedere bounding box o coordinate che evidenziano la regione specifica 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 eseguire 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.

Localizzazione multiclass#

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

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

Fig. 5 Modello che localizza diversi tipi di difetti.

Ad esempio, un modello di localizzazione multiclass può analizzare l'immagine di un articolo danneggiato e indicare il tipo di difetto, come un graffio o una crepa, oltre alle coordinate esatte del difetto all'interno dell'oggetto.

Approcci tradizionali e di deep learning a confronto#

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

Ad 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 telecamera o un altro dispositivo di acquisizione delle immagini rileva deviazioni da questi standard.

Gli approcci basati sul deep learning offrono maggiore flessibilità per creare sistemi di rilevamento più complessi. Questi approcci 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 distribuito su telecamere o sensori per acquisire immagini e identificare i difetti in tempo reale.

Nella sezione seguente vedremo come utilizzare Ultralytics YOLO11 per l'ispezione della qualità.

Utilizzare la visione artificiale per l'ispezione della qualità#

Guardi solo una volta (YOLO) è un modello di rilevamento degli oggetti in tempo reale all'avanguardia (SOTA), noto per l'elevata accuratezza, adattabilità e velocità. La sua iterazione più recente è Ultralytics YOLO11, che migliora le versioni precedenti in termini di estrazione delle caratteristiche, velocità, accuratezza e adattabilità.

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

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

Vediamo alcuni modi in cui i modelli di visione artificiale possono essere utilizzati nell'industria manifatturiera.

Rilevamento di articoli mancanti e componenti posizionati erroneamente nell'elettronica#

I modelli di visione artificiale possono verificare se un prodotto contiene tutti gli articoli 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 finale sia affidabile e abbia la funzionalità corretta.

I modelli di rilevamento degli oggetti come YOLO11 possono essere addestrati per rilevare componenti mancanti o posizionati erroneamente sulle schede elettroniche. Possono analizzare le immagini delle schede in tempo reale e identificare difetti come resistori o condensatori mancanti. 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.

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

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

Rilevamento dei danni nei tessuti#

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

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

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 farmaceutici. I produttori possono utilizzare Ultralytics YOLO11 per rilevare irregolarità come incoerenze nella forma e nelle dimensioni delle compresse, alterazioni del colore o particelle estranee.

Accuratezza del confezionamento e dell'etichettatura#

Un altro esempio dell'utilizzo dei modelli di visione artificiale nella produzione riguarda il confezionamento e l'etichettatura nei diversi settori. Ad 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 inoltre verificare che le etichette siano posizionate correttamente e presentino codici a barre o date di scadenza leggibili.

In questo modo si garantisce che i prodotti siano conformi alle normative del settore e pronti per la distribuzione ai consumatori.

Sfide e prospettive future dell'ispezione della qualità basata sull'AI#

I framework di ispezione della qualità basata sull'AI sono ancora in evoluzione e devono affrontare numerose sfide. Ecco alcune limitazioni e direzioni della ricerca futura da considerare per queste tecnologie.

• Apprendimento open-world e visione attiva: creare modelli di rilevamento degli oggetti in grado di rilevare nuovi oggetti è difficile a causa della disponibilità limitata di dati etichettati. I modelli di addestramento non supervisionato e di 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 di un'immagine. L'integrazione del rilevamento degli oggetti e della segmentazione è un'area di ricerca in costante sviluppo per garantire un'ispezione di alta qualità.
• Apprendimento multimodale: i modelli multimodali possono integrare e analizzare simultaneamente diversi tipi di dati. Nel rilevamento degli oggetti, l'apprendimento multimodale può contribuire a migliorare l'accuratezza dell'ispezione apprendendo da diversi tipi di dati, come dati termici per comprendere la profondità, immagini bidimensionali e brevi filmati video.

Punti chiave#

L'ispezione della qualità basata sul deep learning sta registrando progressi esponenziali grazie allo sviluppo costante di diversi modelli di rilevamento degli oggetti. Con l'ispezione della qualità basata sull'AI, 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 migliorata e le capacità di estrazione delle caratteristiche, che garantiscono maggiore accuratezza e velocità superiore.

Puoi saperne di più su YOLO11 e su altri modelli di rilevamento degli oggetti consultando il nostro repository GitHub e partecipando alla nostra vivace community. Scopri come Ultralytics sta ridefinendo la produzione attraverso framework di deep learning all'avanguardia.