Raggiungere l’eccellenza manifatturiera con modelli di riconoscimento di immagini per la rilevazione di difetti di superficie

In media, il costo della scarsa qualità dei prodotti per le industrie manifatturiere è di circa 20% del totale delle vendite. Il controllo della qualità svolge un ruolo cruciale in molte industrie e la capacità di rilevare e identificare i difetti di superficie è di importanza fondamentale. I metodi di ispezione manuale tradizionali, che si basano sulla percezione e sul giudizio umano, spesso non sono all’altezza in termini di tempo di consumo, soggettività e errore umano.

Tuttavia, con i progressi nell’intelligenza artificiale e nei modelli di riconoscimento di immagini, è ora possibile automatizzare i processi di rilevazione dei difetti di superficie con maggiore precisione e efficienza. In questo blog, esploreremo il concetto di utilizzo di modelli di riconoscimento di immagini per la rilevazione dei difetti di superficie e discuteremo di un caso di utilizzo nell’industria siderurgica. Suddividendolo in passaggi distinti, cercheremo di comprendere come i sistemi alimentati da intelligenza artificiale possano rilevare e classificare con precisione i difetti di superficie.

Sfide nella rilevazione dei difetti di superficie

Una varietà di complicazioni nella rilevazione dei difetti di superficie per le industrie, tra cui la manifattura, l’automobilistica, l’elettronica e il tessile, può portare a difetti nella qualità del prodotto. La complessità dei difetti di produzione rappresenta un ostacolo significativo per le organizzazioni, potenzialmente portando a una compromissione dell’integrità del prodotto e della soddisfazione del cliente. Le velocità vertiginose alle quali operano le linee di produzione richiedono meccanismi di identificazione dei difetti rapidi, sottolineando l’urgenza di soluzioni di rilevazione in tempo reale. Alcuni degli ostacoli chiave alla rilevazione efficace dei difetti sono:

• Diversità e complessità dei difetti: I processi di produzione possono portare a una vasta gamma di difetti, che variano in termini di dimensioni e complessità. Ad esempio, nella produzione automobilistica, i difetti possono andare da imperfezioni nella verniciatura a problemi strutturali, rendendo difficile la rilevazione e la classificazione coerente.
• Alte velocità di produzione: Industrie come quella dei beni di consumo elettronici richiedono un’identificazione rapida dei difetti per evitare che articoli difettosi raggiungano il mercato. Ad esempio, nell’assemblaggio di PCB, l’identificazione rapida dei problemi di saldatura è cruciale per mantenere l’affidabilità del prodotto e la soddisfazione del cliente.
• Elaborazione in tempo reale: L’industria farmaceutica necessita di rilevazione in tempo reale per garantire la sicurezza e la conformità dei prodotti. La rilevazione dei difetti nella copertura dei farmaci, ad esempio, impedisce la compromissione della qualità dei medicinali e potenziali problemi normativi.
• Ispezione visiva manuale: Comprende l’esame dei prodotti per rilevare difetti di superficie e irregolarità. A causa del processo manuale, può essere lungo, specialmente per grandi quantità, portando a ritardi nella lavorazione. È anche soggetto a errori di omissione o classificazione errata durante periodi di ispezione prolungati. L’ispezione manuale dipende fortemente dall’esperienza individuale, che può mancare di scalabilità e disponibilità.

Vantaggi dell’utilizzo dell’Intelligenza Artificiale

L’ispezione visiva basata sull’intelligenza artificiale offre una soluzione promettente per superare le sfide della ispezione visiva manuale nell’industria manifatturiera.

• Utilizzando l’intelligenza artificiale e i modelli di riconoscimento di immagini, i sistemi basati sull’intelligenza artificiale possono fornire una rilevazione dei difetti coerente e oggettiva, minimizzando l’impatto della soggettività umana.
• Questi sistemi hanno la capacità di analizzare grandi volumi di dati con notevole velocità e precisione, portando a riduzioni significative del tempo di ispezione e a una maggiore efficienza complessiva.
• I modelli di intelligenza artificiale possono essere addestrati per rilevare anche difetti sottili o difficili da identificare che potrebbero passare inosservati agli ispettori umani, superando i limiti della percezione visiva umana e migliorando l’accuratezza complessiva della rilevazione dei difetti.
• A differenza delle ispezioni manuali, che dipendono fortemente dalle competenze e dall’esperienza degli ispettori individuali, l’ispezione visiva basata sull’intelligenza artificiale non dipende dalle competenze individuali, rendendola scalabile e adattabile a diverse situazioni di ispezione.
• Con l’apprendimento e il miglioramento continui, questi sistemi possono evolversi per gestire modelli di difetti complessi e fornire un controllo di qualità sempre più affidabile ed efficiente.

Tre fasi di gestione dei difetti

I modelli di rilevamento di immagini integrano il potere dell’apprendimento profondo e una struttura progettata con cura per eseguire più compiti con grande precisione. Eccelle nelle tre fasi chiave della gestione dei difetti: rilevamento, classificazione e localizzazione, offrendo una soluzione superiore rispetto ai metodi convenzionali.

Utilizzando queste tre fasi della gestione dei difetti, le industrie possono razionalizzare i processi di controllo di qualità e garantire che siano adottate misure correttive efficaci in modo tempestivo.

Ispezione visiva guidata dall’intelligenza artificiale di prossima generazione

In Sigmoid, abbiamo sviluppato una soluzione che sfrutta algoritmi di apprendimento profondo all’avanguardia, specificamente progettati per l’elaborazione di immagini. Un componente cruciale è l’ottimizzazione meticolosa di ogni fase del processo di gestione dei difetti, utilizzando architetture personalizzate che si concentrano su aspetti specifici per garantire prestazioni eccezionali.

Rilevamento e classificazione: Le prime due fasi, rilevamento e classificazione, utilizzano un’architettura di rete neurale convoluzionale pre-addestrata progettata per migliorare l’efficienza e l’efficacia dell’estrazione delle caratteristiche. Questo modello pre-addestrato ha già subito un addestramento estensivo su un vasto set di dati e risulta particolarmente utile quando abbiamo dati limitati specifici per il caso di utilizzo. Per ulteriormente garantire la robustezza e l’affidabilità della nostra struttura, vengono impiegate varie tecniche di aumento dei dati, aumentando la sua efficacia in scenari del mondo reale.

Localizzazione: Questa fase utilizza un’architettura di apprendimento profondo dedicata, specificamente progettata per la segmentazione semantica, dove l’obiettivo non è solo classificare ogni pixel, ma anche delineare i confini degli oggetti. Consiste in un percorso di codifica per catturare informazioni contestuali e un percorso di decodifica simmetrico per recuperare dettagli spaziali. Questa struttura aiuta a catturare sia le caratteristiche globali che locali, cruciali per una localizzazione precisa. Inoltre, ogni tipo di difetto distinto possiede un modello di localizzazione individualizzato, in grado di catturare le caratteristiche distintive di quel difetto.

Durante questo processo, la nostra soluzione mantiene un alto tasso di precisione in tutte e tre le fasi della gestione dei difetti. Un’illustrazione della nostra struttura di soluzione proprietaria è data di seguito:

Conclusione

L’utilizzo di modelli di riconoscimento di immagini per la rilevazione dei difetti di superficie segna l’inizio di una nuova era nel controllo di qualità. I sistemi alimentati da intelligenza artificiale offrono una rilevazione dei difetti coerente e oggettiva, accelerando il processo e migliorando l’accuratezza. Identificano difetti sottili, superando le capacità umane, e sono scalabili in vari scenari. L’adozione di questa tecnologia non solo riduce i costi, ma migliora l’affidabilità del prodotto e aumenta la competitività, segnando un passo significativo verso l’efficienza e l’eccellenza manifatturiera.