Scopri come i più recenti modelli di rilevamento degli oggetti possono aiutare ad automatizzare l'ispezione di qualità nella produzione.
L'ispezione della qualità è un'attività fondamentale durante la produzione, che garantisce la conformità dei prodotti agli standard qualitativi richiesti. Tuttavia, la valutazione della qualità con i metodi di ispezione tradizionali può essere costosa 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 (AI) che utilizza algoritmi informatici chiamati reti neurali per identificare modelli complessi nei dati. Queste tecniche aiutano ad automatizzare il flusso di lavoro delle ispezioni e a ridurre la dipendenza dagli ispettori umani analizzando ampi set di dati, tra cui immagini e video.
Grazie alla sua versatilità ed economicità, il controllo qualità basato sull'IA aumenta in modo significativo la redditività delle aziende. I rapporti suggeriscono che l'industria manifatturiera potrà guadagnare più di 3.000 miliardi di dollari dall'IA entro il 2035.
In questo articolo si parlerà di come i metodi di deep learning possono migliorare l'ispezione della qualità e di come Ultralytics YOLO11 può migliorare l'ispezione in diversi settori.
L'ispezione della qualità valuta se un prodotto presenta difetti, anomalie o incongruenze prima di raggiungere il consumatore.
Il processo può avvenire durante la produzione, quando il prodotto passa attraverso una catena di montaggio, oppure dopo la produzione, ma prima che gli articoli passino alla linea di distribuzione.
Spesso si tratta di esperti umani che eseguono valutazioni visive per verificare se il prodotto si discosta o non soddisfa gli standard di progettazione desiderati.
Tuttavia, con l'aumento delle esigenze di qualità, i produttori si stanno orientando verso approcci automatizzati di deep-learning per ottenere una maggiore agilità e scalabilità nelle loro operazioni.
Gli approcci di apprendimento profondo utilizzano reti neurali artificiali che funzionano secondo i principi del cervello umano. Le reti sono strati interconnessi di neuroni. Ogni neurone esegue un calcolo matematico per analizzare i dati, identificare i modelli e generare una previsione.
Nell'ispezione della 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 visione computerizzata richiede che gli esperti addestrino una rete neurale su set di dati rilevanti e che eseguano delle convalide su un nuovo set di dati per verificarne le prestazioni.
Una volta convalidati, gli esperti possono distribuire questi modelli su telecamere e sensori utilizzando vari strumenti di distribuzione, come ad esempio PyTorch, ONNX, e OpenVINO.
L'ispezione qualitativa basata sulla visione utilizza diversi metodi per rilevare e localizzare danni, crepe e oggetti mancanti. L'elenco che segue cita quattro moderni approcci di deep learning.
La classificazione binaria si riferisce al compito di classificare le immagini in una di due classi, ad esempio per determinare se un difetto è presente o meno in un oggetto.
Sulla base dei dati visivi, un modello di classificazione emette una decisione binaria sì/no. Aiutano a rilevare gli articoli mancanti. Ad esempio, un modello di classificazione può rilevare se un articolo è mancante o meno in un prodotto.
La classificazione multiclasse è il compito di classificare le immagini in più di due classi. Assegna ogni immagine a una delle diverse categorie predefinite.
Ad esempio, un modello di classificazione multiclasse può analizzare l'immagine di un prodotto e restituire le probabilità di diversi tipi di danni o crepe, indicando quale di questi è più probabilmente presente.
Questo è utile nella produzione dove i vari difetti, come graffi, ammaccature o crepe, potrebbero richiedere procedure di gestione diverse.
La localizzazione si riferisce all'identificazione della posizione specifica di un oggetto o di una caratteristica all'interno di un'immagine. Utilizza modelli di rilevamento degli oggetti per prevedere i riquadri di delimitazione o le coordinate che evidenziano la regione specifica del danno.
Questo è utile per attività come il rilevamento di crepe in edifici o parti industriali, dove è necessario conoscere la posizione precisa di un difetto per effettuare riparazioni mirate.
Ad esempio, nella manutenzione delle infrastrutture, i modelli di localizzazione possono analizzare le immagini di una struttura in calcestruzzo e marcare l'area esatta in cui si trova una crepa.
La localizzazione multiclasse identifica e localizza più difetti all'interno di un'immagine, classificando al contempo ogni difetto in una delle diverse categorie predefinite.
Utilizza modelli di rilevamento degli oggetti più avanzati per determinare il tipo e la posizione di un difetto e offrire informazioni più dettagliate.
Ad esempio, un modello di localizzazione multiclasse può analizzare l'immagine di un oggetto danneggiato e indicare il tipo di difetto, come un graffio o una crepa, e le coordinate esatte del difetto all'interno dell'oggetto.
I metodi di ispezione tradizionali sono più rigidi e seguono regole e standard definiti dall'utente, come soglie, liste di controllo predefinite e criteri pass/fail.
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 notifica gli esperti se una telecamera o un altro dispositivo di acquisizione delle immagini rileva delle deviazioni da questi standard.
Gli approcci di apprendimento profondo offrono una maggiore flessibilità per costruire sistemi di rilevamento più complessi. Questi approcci prevedono la raccolta e l'annotazione di ampi set di immagini di oggetti difettosi. Gli esperti utilizzano i dati annotati per addestrare modelli di rilevamento degli oggetti come Ultralytics YOLO11. Una volta addestrati, possono implementare il modello in telecamere o sensori per acquisire immagini e identificare i difetti in tempo reale.
Nella sezione seguente vedremo come YOLO11 può essere utilizzato per le ispezioni di qualità.
You-Only-Look-Once (YOLO ) è un modello di rilevamento di oggetti in tempo reale (SOTA) all'avanguardia, 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 più precisa delle caratteristiche e include pipeline di formazione ottimizzate per una maggiore velocità di elaborazione. È più efficiente dal punto di vista computazionale, con il 22% di parametri in meno e punteggi di accuratezza più elevati rispetto ai suoi predecessori.
Grazie alla sua versatilità, YOLO11 può contribuire a migliorare i flussi di lavoro di ispezione della qualità in diversi ambiti. Può aiutare a rilevare anomalie, danni, crepe, articoli mancanti ed errori di confezionamento nei prodotti, eseguendo operazioni come il rilevamento e la segmentazione degli oggetti.
Vediamo alcuni modi in cui i modelli di computer vision possono essere utilizzati nell'industria manifatturiera.
I modelli di visione computerizzata possono verificare se un prodotto ha tutti gli elementi necessari. Possono rilevare i componenti mancanti nei prodotti assemblati per garantirne la completezza.
Nella produzione di elettronica, identificare i componenti mancanti, le parti disallineate o i problemi di saldatura è fondamentale per garantire che il prodotto finale sia affidabile e abbia la giusta funzionalità.
I modelli di rilevamento degli oggetti come YOLO11 possono essere addestrati per rilevare componenti mancanti o fuori posto sulle schede dei circuiti. Possono analizzare le immagini delle schede in tempo reale e identificare difetti come resistenze o condensatori mancanti. In questo modo si assicura che l'assemblaggio di ogni unità sia corretto prima della spedizione.
Il rilevamento delle crepe è un'altra attività di rilevamento che analizza le immagini o i dati dei sensori per individuare la posizione, le dimensioni e la gravità di una crepa.
L'industria automobilistica è un esempio di come sia necessario rilevare le cricche in più componenti, come ingranaggi e sistemi frenanti, per garantire il rispetto degli standard di sicurezza.
Modelli come YOLO11 possono essere addestrati per rilevare rapidamente difetti come graffi superficiali o crepe in componenti automobilistici complessi.
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 notevoli vantaggi dal rilevamento dei danni basato sull'intelligenza artificiale utilizzando modelli di rilevamento e segmentazione degli oggetti come YOLO11. Può identificare difetti come strappi, buchi, macchie o incongruenze del tessuto durante il processo di produzione.
Il rilevamento delle anomalie si riferisce al compito di 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 YOLO11 per rilevare irregolarità come incongruenze nelle forme e nelle dimensioni delle compresse, scolorimento o particelle estranee.
Un altro esempio di come i modelli di visione computerizzata possano essere utilizzati nel settore manifatturiero è quello dell'imballaggio e dell'etichettatura. Ad esempio, l'industria alimentare e delle bevande deve rispettare standard rigorosi per la sicurezza e la conformità dei consumatori.
Modelli come YOLO11 possono aiutare a rilevare errori di confezionamento come etichettature errate, confezioni danneggiate o sigilli di sicurezza mancanti. Possono anche verificare che le etichette siano posizionate correttamente con codici a barre chiari o date di scadenza.
Questo garantisce che i prodotti siano conformi alle normative del settore e pronti per la distribuzione al consumatore.
Le strutture di ispezione della qualità basate sull'intelligenza artificiale sono ancora in evoluzione e devono affrontare numerose sfide. Ecco alcune limitazioni e direzioni di ricerca future da tenere in considerazione per queste tecnologie.
L'ispezione della qualità basata sull'apprendimento profondo sta registrando progressi esponenziali grazie al costante sviluppo di diversi modelli di rilevamento degli oggetti. Con l'ispezione di qualità basata sull'intelligenza artificiale, i produttori possono ottenere una 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 sue capacità di estrazione delle caratteristiche per ottenere una migliore precisione e una maggiore velocità.
Puoi saperne di più su YOLO11 e su altri modelli di rilevamento degli oggetti consultando il nostro Repository GitHub e partecipando alla nostra vivace comunità. Scopri come Ultralytics sta ridefinendo la produzione grazie a framework di deep learning all'avanguardia.
Inizia il tuo viaggio nel futuro dell'apprendimento automatico
