Deep learning e reti neurali per il riconoscimento oggetti e il controllo qualità

Insegnare a una macchina a vedere un difetto

Il controllo visivo manuale è ancora diffuso in molti reparti. Funziona, ma ha limiti noti: è lento, dipende dall'attenzione dell'operatore e cambia da persona a persona e da inizio a fine turno. Un graffio sottile o un componente mancante possono sfuggire proprio nel momento di maggiore carico.

Il deep learning e le reti neurali permettono di insegnare a un sistema di visione a riconoscere difetti e oggetti con un criterio costante, pezzo dopo pezzo. In questo articolo vediamo cosa sono, come funzionano e, soprattutto, come si applicano al controllo qualità in fabbrica e negli altri ambiti in cui superano gli approcci tradizionali.

1. Cos'è il deep learning e come si distingue dal machine learning

Il deep learning, o apprendimento profondo, è un sottoinsieme del machine learning basato su reti neurali artificiali con molti strati. "Profondo" si riferisce proprio al numero di strati: ciascuno elabora l'informazione ricevuta dal precedente e la passa al successivo in forma sempre più astratta.

La differenza principale con il machine learning tradizionale riguarda le caratteristiche da cui il modello impara. Nel machine learning classico è l'esperto a decidere quali grandezze misurare: per un'immagine, ad esempio, contrasto, dimensioni di un'area, lunghezza di un bordo. Il modello impara a combinare quelle grandezze. Nel deep learning la rete riceve il dato grezzo, come i pixel di un'immagine o un segnale ad alta frequenza, e impara da sola quali caratteristiche contano.

I due approcci non si escludono: per i dati di processo strutturati il machine learning resta spesso la scelta più efficiente, come spiegato nell'articolo su machine learning e analisi predittiva. Il deep learning dà il meglio quando il dato è complesso e difficile da descrivere a regole, come un'immagine.

2. Come funzionano le reti neurali

Le reti neurali artificiali si ispirano, in modo molto semplificato, al cervello umano: tante unità di calcolo elementari collegate tra loro, che insieme riescono a riconoscere schemi complessi.

Neuroni, strati e addestramento

Un neurone artificiale riceve alcuni numeri in ingresso, dà a ciascuno un peso, li somma e decide quanto "attivarsi". Da solo fa poco. Organizzato in strati, insieme a migliaia di altri, diventa capace di riconoscere forme, texture e anomalie.

L'addestramento funziona come l'apprendistato di un nuovo addetto al controllo qualità. Gli si mostrano molti pezzi, dicendo ogni volta se sono buoni o difettosi. All'inizio sbaglia spesso; a ogni errore la rete corregge leggermente i propri pesi. Dopo migliaia di esempi, ha imparato a distinguere da sola ciò che è conforme da ciò che non lo è, anche su pezzi mai visti prima.

Reti neurali convoluzionali per le immagini

Per le immagini si usano soprattutto le reti neurali convoluzionali, o Convolutional Neural Networks (CNN). Invece di guardare l'immagine tutta insieme, la esplorano con piccole "finestre" che scorrono sulla superficie, come una lente d'ingrandimento.

I primi strati riconoscono elementi semplici: bordi, linee, variazioni di colore. Gli strati successivi li combinano in forme più complesse: un foro, una saldatura, un graffio. Gli ultimi strati prendono la decisione finale. È questa struttura a rendere le CNN robuste a piccole variazioni di posizione, orientamento e illuminazione, che mettono in difficoltà i sistemi di visione basati su regole fisse.

3. Riconoscimento oggetti: classificazione, detection e segmentazione

Nella visione artificiale il riconoscimento oggetti si declina in tre compiti principali, che rispondono a domande diverse e richiedono livelli crescenti di dettaglio.

La classificazione è la scelta più semplice quando serve solo un esito OK/KO. La object detection è utile quando conta sapere dove intervenire o quanti oggetti ci sono. La segmentazione serve quando bisogna misurare l'area o la lunghezza di un difetto, ad esempio per confrontarla con una soglia di accettabilità definita a capitolato.

4. Applicazioni nel controllo qualità

In reparto le applicazioni della visione basata su deep learning si concentrano su tre famiglie di controlli. Gli esempi che seguono sono scenari tipici, non casi cliente.

Difetti superficiali

Graffi, ammaccature, porosità, macchie e bave sono difficili da descrivere con regole fisse: cambiano forma, dimensione e posizione da un pezzo all'altro, e su superfici lucide o testurizzate i riflessi generano falsi allarmi. Una rete neurale addestrata su esempi reali impara a distinguere il difetto dalla normale variabilità della superficie. Un caso tipico è l'ispezione di componenti metallici lavorati o di parti stampate in plastica, dove un sistema tradizionale tende a scartare pezzi buoni per un riflesso o a lasciar passare un difetto con poco contrasto.

Conteggio e verifica di presenza

Verificare che una confezione contenga il numero corretto di pezzi, che un'etichetta sia applicata o che un tappo sia presente è un compito ripetitivo, ideale per l'automazione. La object detection consente di contare oggetti anche parzialmente sovrapposti o disposti in modo non ordinato, situazione frequente nelle linee di confezionamento.

Controllo di assemblaggio

Nelle linee di assemblaggio la visione verifica che ogni componente sia presente, nella posizione giusta e con l'orientamento corretto: viti, clip, connettori, guarnizioni. Il deep learning gestisce bene la variabilità introdotta da varianti di prodotto e cambi formato, che con un sistema a regole richiedono di riprogrammare ogni volta i controlli.

5. Dati e addestramento: quante immagini servono e come etichettarle

Non esiste un numero di immagini valido per tutti i progetti. Dipende da quanto il difetto è visibile, da quanto varia, da quante classi bisogna distinguere e da quanto è stabile l'ambiente di ripresa. Un difetto evidente su sfondo uniforme richiede molti meno esempi di un difetto sottile su una superficie complessa.

Più che la quantità, contano tre aspetti:

• Rappresentatività. Le immagini devono coprire tutte le varianti di prodotto, i lotti di materiale, i turni e le condizioni di illuminazione che il modello incontrerà in produzione.

• Esempi di difetto. I difetti sono rari per definizione. Quando ce ne sono pochi, si possono usare tecniche di data augmentation, che generano varianti delle immagini disponibili, oppure modelli di anomaly detection che imparano solo cosa è "normale" e segnalano tutto ciò che se ne discosta.

• Etichettatura coerente. Ogni immagine va etichettata secondo criteri condivisi: buono o scarto per la classificazione, riquadri per la detection, contorni per la segmentazione. Due operatori che giudicano lo stesso difetto in modo diverso insegnano alla rete regole contraddittorie. Per questo l'etichettatura va definita insieme al responsabile qualità, con esempi di riferimento.

Anche la ripresa conta: posizione della telecamera, illuminazione e sfondo stabili riducono la variabilità che il modello deve gestire e il numero di esempi necessari.

6. Dal controllo alla prevenzione: deep learning e predictive quality

La visione artificiale individua il difetto quando il pezzo è già stato prodotto. È un passo avanti decisivo rispetto al controllo manuale, ma resta un controllo a valle. Il passo successivo è prevedere il difetto prima che si formi.

È l'obiettivo della predictive quality, che lavora sui dati di processo invece che sulle immagini. I due approcci si rafforzano a vicenda: gli esiti dell'ispezione visiva, collegati ai parametri di macchina che li hanno generati, diventano le etichette con cui addestrare i modelli predittivi. Ogni scarto rilevato dalla telecamera insegna al sistema quali condizioni di processo portano a quel difetto.

Quando un difetto si ripete, la visione dice cosa è successo e la root cause analysis aiuta a capire perché.

7. Dove il deep learning fa la differenza: gli ambiti Miraitek

La visione è l'applicazione più nota, ma non l'unica. Il deep learning supera gli approcci tradizionali ogni volta che il dato è troppo ricco o variabile per essere descritto con regole: immagini, segnali ad alta frequenza, linguaggio. Sono gli stessi ambiti in cui lavorano le soluzioni Miraitek.

Supporto all'operatore

Robin, l'assistente virtuale di fabbrica di Miraitek, si basa su modelli linguistici di grandi dimensioni, a loro volta reti neurali profonde. Combina la conoscenza dei manuali delle macchine con i dati raccolti dalla piattaforma IIoT. Un sistema a regole risponde solo alle domande previste; Robin interpreta richieste formulate liberamente e risponde nel contesto della macchina specifica.

Usura utensili

Nel progetto Automac, Miraitek ha monitorato con un modello di machine learning l'usura dell'utensile di un modulo di avvitatura, riducendo del 5% gli scarti della lavorazione e del 7% le non conformità. Quando i segnali diventano più numerosi e ad alta frequenza, il deep learning è l'evoluzione naturale di questo approccio: impara direttamente dalla forma delle curve, senza che l'esperto debba definire in anticipo quali caratteristiche estrarre.

Anomalie e qualità

Su linee con molte macchine eterogenee le soglie fisse generano troppi falsi allarmi o arrivano tardi. Modelli profondi addestrati sul funzionamento normale individuano combinazioni anomale che nessuna soglia singola intercetta. Collegati all'ispezione visiva, trasformano ogni difetto rilevato in un'informazione sul processo: un tassello verso la macchina autonoma.

8. Robin Whispers

Riconoscere un difetto è utile solo se qualcuno agisce in tempo. Robin Whispers è la componente di Robin che porta le informazioni all'operatore in modo proattivo: invece di attendere una domanda, segnala la situazione e suggerisce l'azione più indicata nel momento in cui serve.

Applicato al controllo qualità, significa che un aumento dei difetti rilevati dal sistema di visione, o una deriva nei dati di processo che li precede, si traduce in un'indicazione concreta per chi è in linea: verificare un utensile, controllare un parametro, avvisare la manutenzione. Il dato non resta in una dashboard, ma arriva a chi può usarlo, e la decisione finale resta sempre alla persona.

9. una qualità che si vede e si misura

Il deep learning porta nel controllo qualità tre benefici concreti: controlli costanti su ogni pezzo e in ogni turno, meno scarti grazie a difetti individuati prima che arrivino al cliente, e una tracciabilità completa, perché ogni esito resta registrato insieme all'immagine e ai dati di processo. Lo stesso principio, applicato a segnali macchina e linguaggio, rende più efficaci manutenzione predittiva e supporto all'operatore.

FAQ

Quante immagini servono per addestrare un modello?

Dipende dal problema: visibilità e variabilità del difetto, numero di classi, stabilità delle condizioni di ripresa. Più del numero conta che le immagini rappresentino tutte le situazioni reali della linea. Quando i difetti sono rari, si possono usare tecniche di data augmentation o modelli di anomaly detection che imparano solo dai pezzi buoni.

Servono telecamere speciali?

Non sempre. Per molte applicazioni bastano telecamere industriali standard, purché la risoluzione sia adeguata alla dimensione del difetto. Spesso conta più l'illuminazione, che deve rendere il difetto visibile in modo stabile. Telecamere speciali, come quelle 3D o iperspettrali, servono solo per difetti non rilevabili nel visibile.

Cosa succede quando il modello sbaglia?

Nessun modello è infallibile. Per questo si definiscono soglie di confidenza: i casi incerti vengono inviati a un operatore per la verifica. Le correzioni dell'operatore diventano nuovi esempi per riaddestrare il modello, che migliora nel tempo. Le prestazioni vanno monitorate con continuità, soprattutto dopo cambi di prodotto, materiale o illuminazione.