Rilevamento dei difetti con AI nella produzione: guida ai casi studio

Un progetto di rilevamento dei difetti con AI nella produzione installa sulla linea telecamere e un modello di visione addestrato: ogni pezzo viene confrontato con un'immagine appresa di ciò che è "buono" e segnalato quando se ne discosta. I casi studio utili mostrano metodo, dati e metriche, e riconoscono con onestà che a decidere il successo è il pilota, non il modello.

Punti chiave

• L'ispezione visiva umana è meno affidabile di quanto la maggior parte degli stabilimenti ritenga: in uno studio di Sandia, gli ispettori addestrati hanno individuato l'85% dei pezzi difettosi e scartato per errore il 35% di quelli buoni.
• Un sistema funzionante ha cinque componenti: telecamera e illuminazione, preelaborazione delle immagini, un modello di rilevamento, un'azione di scarto o allarme e un ciclo di feedback per il riaddestramento.
• Un caso studio si giudica dai numeri prima e dopo, dalle tipologie di difetto coperte, dal tasso di falsi scarti e dalla durata del pilota. Una cifra senza baseline è marketing.
• Coinvolgete gli ispettori fin dal primo giorno. Sanno come si presentano davvero i difetti e dove le immagini ingannano, e il modello vale quanto le loro etichette.
• Pianificate il cambio di piattaforma: AWS ha dismesso Amazon Lookout for Vision il 31 ottobre 2025, quindi mantenete immagini ed etichette portabili.

Che cosa dimostra davvero un caso studio sul rilevamento dei difetti con AI?

Un buon caso studio dimostra che un modello specifico ha individuato difetti specifici su una linea specifica, rispetto a una baseline misurata. Non dimostra che lo stesso risultato si trasferisca ai vostri pezzi, alla vostra illuminazione o alla velocità della vostra linea.

Molti "casi studio" pubblicati saltano proprio le parti che contano. Citano un tasso di rilevamento senza dire quanti campioni difettosi c'erano nel set di test, oppure riportano il ROI senza la base dei costi. Prima di fidarvi di una cifra, ponete quattro domande:

• Qual era la baseline? Ispezione manuale, campionamento o un sistema a telecamera basato su regole. Ognuno offre un punto di partenza diverso.
• Quali classi di difetto erano nel perimetro? Graffi e ammaccature sono più facili di crepe capillari o contaminazioni.
• Che cosa è successo ai pezzi buoni? Un modello che scarta troppi pezzi buoni sposta il costo dai difetti sfuggiti a scarti e rilavorazioni.
• Per quanto tempo ha funzionato in produzione? Un pilota di due settimane con illuminazione controllata dice poco sul sesto mese, quando un nuovo fornitore cambia la finitura superficiale.

Perché l'ispezione manuale lascia margini di miglioramento

L'ispezione manuale è flessibile ma incostante, e l'incostanza si traduce sia in difetti non rilevati sia in scarti inutili.

La prova pubblica più chiara viene da uno studio dei Sandia National Laboratories sull'affidabilità dell'ispezione visiva. Ottantadue ispettori hanno controllato 140 pezzi alla ricerca di otto tipi di difetto. Hanno scartato correttamente l'85% degli articoli difettosi, ma anche il 35% dei pezzi accettabili. Gli autori osservano che il tasso di rilevamento non era molto superiore alla media di settore, circa l'80%, e che il compito era mentalmente impegnativo.

Questi numeri provengono da pezzi di precisione in un contesto ad alto rischio, quindi non sono un benchmark universale. Mostrano però le due modalità di errore che qualsiasi sistema automatico deve battere: difetti sfuggiti e falsi scarti. Stanchezza, cambi turno e soglie personali diverse tra gli ispettori spostano tutti questi valori.

Il controllo statistico di processo (SPC) aiuta a individuare le tendenze, ma lavora su misure campionate a posteriori. Segnala che un processo sta derivando, non che il pezzo numero 4.312 ha una crepa. L'ispezione basata su telecamere colma questa lacuna controllando ogni unità alla velocità di linea.

Un esempio pubblico: la piattaforma AIQX di BMW

BMW Group descrive la propria piattaforma interna AIQX ("Artificial Intelligence Quality Next") come una parte centrale del proprio sistema produttivo. Secondo l'articolo di BMW su AIQX, telecamere e sensori lungo il nastro alimentano modelli di AI che analizzano i dati in tempo reale e inviano feedback al personale di linea su dispositivi smart.

Gli esempi forniti da BMW sono pratici più che da titolo di giornale:

• Confermare che sia stata costruita la variante corretta e che un assemblaggio sia completo.
• Individuare un elemento mancante, come il triangolo di emergenza, e avvisare il personale e i sistemi di produzione.
• Acoustic Analytics nello stabilimento di Dingolfing: i microfoni registrano il rumore di marcia e un modello di AI lo classifica come controllo finale prima della consegna.

In quell'articolo BMW non pubblica tassi di difettosità né cifre di ROI per AIQX, quindi non ne citiamo. La lezione sta nel progetto: molti controlli mirati e ben definiti, collegati alla linea e alle persone, anziché un unico modello che "vede tutto".

Esempio pratico: ispezione dell'allineamento dei pannelli solari

Per rendere concreto il metodo, ecco come viene tipicamente costruita una pipeline di ispezione a telecamera per l'assemblaggio di pannelli solari. I pannelli richiedono un allineamento submillimetrico di celle e nastri, e piccole crepe o disallineamenti riducono la resa in campo.

Si noti che le fasi da 2 a 4 sono computer vision classica, non deep learning. I controlli geometrici con tolleranze chiare sono spesso più affidabili e più facili da spiegare con regole. Il deep learning si guadagna il posto nella fase 5, dove i difetti sono troppo variabili per essere descritti con regole.

Quali modelli si usano per il rilevamento dei difetti?

Le reti neurali convoluzionali (CNN) sono la scelta predefinita per classificare e localizzare i difetti visibili. Quando i campioni difettosi sono pochi, i modelli di anomaly detection come gli autoencoder imparano l'aspetto dei pezzi normali e segnalano tutto ciò che ricostruiscono male. Le immagini sintetiche, ad esempio da modelli generativi, possono aggiungere esempi di difetti rari, ma non dovrebbero mai essere l'unico dato di test.

Come condurre un pilota che produca un vero caso studio

Un pilota deve rispondere a una sola domanda: questo modello, su questa linea, batte l'ispezione attuale per difetti sfuggiti e falsi scarti a un costo accettabile?

1. Scegliete una stazione e due o tre classi di difetto. Scegliete quelle che costano davvero in scarti, rilavorazioni o resi.
2. Misurate prima la baseline. Registrate tasso attuale di difetti sfuggiti, tasso di falsi scarti e tempo di ispezione per unità per almeno qualche settimana.
3. Sistemate l'ottica prima del modello. Illuminazione, obiettivo e montaggio causano più fallimenti della scelta del modello. Testate alla velocità reale del nastro.
4. Costruite con gli ispettori un dataset etichettato. Concordate un catalogo dei difetti con foto di ogni classe e di esempi borderline.
5. Lavorate in shadow mode. Lasciate che il sistema segnali i pezzi mentre le persone continuano a decidere. Confrontate entrambi sulle stesse unità.
6. Definite le soglie insieme a qualità e produzione. Ogni soglia bilancia difetti sfuggiti e scarti.
7. Documentate i risultati insieme alla baseline. Quel documento è il vostro caso studio interno e la base per la scalabilità.

Perché gli ispettori contano di più

Un team che costruisce il sistema senza gli ispettori rischia di non capire come i difetti vengano riconosciuti nella pratica e dove le immagini vengano spesso fraintese. Gli ispettori sanno quali segni sono innocui, quali angolazioni nascondono le crepe e quali "difetti" sono solo riflessi. Coinvolgeteli nell'etichettatura e nelle revisioni delle soglie, e date loro un modo semplice per contestare una decisione del modello. Quelle contestazioni diventano i vostri migliori dati di riaddestramento.

Scelte di cloud, edge e piattaforma

L'inferenza avviene di solito sull'edge, accanto alla linea, perché la decisione di scarto deve spesso arrivare in millisecondi e la linea deve continuare a funzionare anche se cade la rete. Il cloud è il posto giusto per archiviazione delle immagini, etichettatura, addestramento e monitoraggio dell'accuratezza dei modelli su tutta la flotta.

Mantenete i dati portabili. AWS ha chiuso Amazon Lookout for Vision ai nuovi clienti a ottobre 2024 e lo ha dismesso il 31 ottobre 2025, indirizzando gli utenti verso Amazon SageMaker, Amazon Bedrock e soluzioni di partner, come spiegato nelle indicazioni di migrazione di AWS. I team che conservavano in proprio immagini ed etichette in formati aperti hanno potuto spostarsi. Quelli che avevano solo un modello dentro il servizio hanno dovuto ricominciare da zero.

Motivi comuni per cui i progetti si fermano

• Troppe poche immagini di difetti. Le buone linee producono pochi difetti. Iniziate a raccogliere pezzi scartati e immagini mesi prima dell'addestramento.
• Deriva dell'illuminazione. Una lampada sostituita o la luce del sole da una finestra possono mettere in crisi un modello che nel pilota funzionava.
• Modifiche di prodotto. Le nuove varianti richiedono nuove etichette. Mettete a budget il riaddestramento come attività ordinaria, non come progetto.
• Nessun responsabile dopo il go-live. Qualcuno deve controllare ogni settimana i tassi di falsi scarti e presidiare il ciclo di riaddestramento, come qualcuno presidia una macchina.
• Integrazione lasciata per ultima. Il segnale PLC, il meccanismo di scarto e la registrazione nel MES richiedono tanto tempo quanto il modello.

Come può aiutare Opsio

Opsio realizza e gestisce sistemi di ispezione visiva automatizzata e offre consulenza di computer vision con team a Karlstad e Bangalore. Partiamo da un pilota circoscritto su una stazione, misuriamo la baseline insieme al vostro team qualità e configuriamo il lato cloud per immagini, addestramento e monitoraggio dei modelli all'interno dei nostri servizi di dati e AI. Per un confronto diretto tra gli strumenti, consultate la nostra guida al confronto dei sistemi di rilevamento dei difetti per le linee di produzione.

Domande frequenti

Quanto è accurato il rilevamento dei difetti con AI rispetto agli ispettori umani?

Dipende dal difetto e dall'impostazione, quindi chiedete il set di test dietro qualsiasi dichiarazione di accuratezza. Il confronto utile è con la vostra baseline: lo studio Sandia ha rilevato che gli ispettori addestrati individuavano l'85% dei pezzi difettosi scartando però il 35% di quelli buoni, il che mostra quanto margine possa avere un sistema ben costruito.

Quali tipi di difetto riesce a rilevare la computer vision?

Difetti superficiali come graffi, ammaccature, scheggiature e macchie, difetti geometrici come disallineamenti o dimensioni errate, e difetti di assemblaggio come componenti mancanti o sbagliati. I difetti interni richiedono altri sensori, ad esempio raggi X, ultrasuoni o controlli acustici.

Quante immagini servono per addestrare un modello di rilevamento dei difetti?

Non esiste un numero fisso. I modelli di anomaly detection possono partire da sole immagini di pezzi buoni, mentre i classificatori richiedono esempi etichettati di ogni classe di difetto. Prevedete di raccogliere immagini per settimane prima dell'addestramento e di continuare ad aggiungere i casi contestati in seguito.

Quanto dura un pilota di ispezione visiva con AI?

Il tempo se ne va soprattutto in misura della baseline, ottica ed etichettatura, più che nell'addestramento del modello. A rendere credibile il risultato è un periodo in shadow mode abbastanza lungo da cogliere la normale variabilità tra turni, lotti e fornitori.

Con che cosa ha sostituito AWS Lookout for Vision?

AWS non ha lanciato un successore diretto. Le sue indicazioni rimandano ad Amazon SageMaker, inclusi i modelli preaddestrati di rilevamento dei difetti in SageMaker JumpStart, ad Amazon Bedrock per i casi d'uso senza requisiti stringenti di latenza e a soluzioni di partner.