Oggi, grazie all’evoluzione della mobilità elettrica, le soluzioni avanzate per il controllo qualità assumono un ruolo sempre più strategico nei processi industriali e nella costruzione di macchinari. Ne è un esempio la recente iniziativa di un fornitore globale del settore automotive, specializzato in tecnologie di trattamento superficiale per la finitura di precisione dei componenti metallici, in particolare nella produzione dei tappi delle batterie per veicoli elettrici.
Per rispondere ai rigorosi requisiti di qualità e precisione richiesti per questi elementi chiave, che devono garantire la protezione delle batterie ad alta tensione dagli agenti esterni, l’azienda ha avviato una collaborazione con un system integrator esperto in soluzioni di machine vision, sviluppando un sistema in grado di migliorare in modo significativo la qualità produttiva di questi componenti critici.
Il sistema impiegato è composto da una soluzione robotizzata guidata da visione, composta da un software di machine vision no-code basato su diagrammi di flusso e da tecnologie di deep learning – una forma avanzata di intelligenza artificiale che abilita funzionalità evolute come l’OCR (riconoscimento ottico dei caratteri), il rilevamento delle anomalie, la classificazione e la segmentazione di istanze.
Durante tutto il processo di ispezione, i tappi vengono movimentati da un braccio robotizzato guidato da un sistema di telecamere ad alta precisione. Questa soluzione, infatti, è in grado di rilevare anche le più minime imperfezioni superficiali, che potrebbero compromettere le performance del prodotto.
I system integrator hanno apprezzato l’elevata velocità di sviluppo e l’efficienza del software nell’analizzare simultaneamente grandi volumi di immagini, nonché la capacità della soluzione di evolvere continuamente grazie a un addestramento avanzato del modello tramite dei grandi dataset di immagini, che permette al software di imparare a riconoscere e classificare difetti specifici.
I set di dati visivi utilizzati in precedenza vengono caricati nel sistema, che è stato così riaddestrato per introdurre nuovi criteri di ispezione o affinare il riconoscimento dei difetti. Questo consente alla soluzione di evolversi costantemente tramite il deep learning, rappresentando un netto vantaggio rispetto agli strumenti e macchinari tradizionali, spesso meno flessibili o scalabili in ambienti produttivi dinamici.
Cosa serve a costruttori di macchinari, integratori e utenti
L’ esempio riportato evidenzia come costruttori di macchinari, system integrator e engineers siano alla ricerca di soluzioni con tempi di sviluppo, implementazione e adozione rapidi. È fondamentale, inoltre, disporre di risorse di formazione, certificazione e supporto adeguate, poiché le soluzioni di nuova generazione integrano sempre più spesso livelli di AI embedded in hardware e software per automatizzare in modo intelligente i processi e valorizzare i dati operativi.
Tuttavia, secondo il Manufacturing Vision Study di Zebra, il 67% dei responsabili nel settore manifatturiero dichiara di non sapere quali siano i primi passi per digitalizzare la produzione. Le principali sfide nella gestione della qualità riguardano
- la visibilità in tempo reale (28%),
- l’adeguamento a nuovi standard e normative (28%),
- l’integrazione dei dati (26%)
- e la tracciabilità (23%).
I principali ostacoli alla trasformazione digitale comprendono
- l’aggiornamento tecnologico continuo,
- la disponibilità delle risorse
- e la scalabilità delle soluzioni, dal progetto pilota all’implementazione su scala.
Per questo i responsabili delle tecnologie operative si affidano sempre di più ai costruttori di macchinari e ai system integrator per consulenza, proof of concept, test pilota e supporto, in modo da ridurre i rischi e accelerare l’adozione su larga scala.
Il valore del Cloud per il Deep Learning
L’esempio appena descritto dimostra quanto sia cruciale acquisire dati relativi a difetti e anomalie mediante telecamere per machine vision, sensori intelligenti o soluzioni di scansione 3D per migliorare processi di ispezione visiva nel settore automotive.
Con costruttori e systems integrators sempre più orientati a operare come esperti di dati e intelligenza artificiale, cresce l’interesse verso il potenziale del cloud per abbattere silos informativi, agevolare la condivisione e l’annotazione dei dati e supportare l’addestramento e la validazione di modelli di deep learning. Il cloud può abilitare livelli più alti di accuratezza nell’ispezione visiva, modelli di intelligenza artificiale più evoluti e nuove possibilità di scalare i dati e le soluzioni AI-ready tra flussi di lavoro, stabilimenti e regioni.
Le soluzioni di machine vision consentono agli utenti di gestire in modo sicuro i dati provenienti da diverse sedi produttive. I modelli di deep learning possono così usufruire di un bacino di dati più ampio, diversificato e aggiornato, migliorando la collaborazione tra i team. Inoltre, tali piattaforme permettono il deployment dei modelli anche in locale, su PC o dispositivi edge, per automatizzare i processi ovunque si trovino operatori o team.
Ivar Keulers, Field Application Engineering Manager, Machine Vision, EMEA, Zebra Technologies
