en
PROBLEMA

Il cliente è un importante produttore di macchine di ispezione in ambito farmaceutico, interessato a dotare le proprie apparecchiature di un sistema di intelligenza artificiale per il controllo visivo sulla parte superiore di fiale di varie tipologie.

Migliorare le performance dell’attuale sistema di ispezione soprattutto in termini di riduzione del falso scarto.

Ridurre al minimo l’effort legato alla configurazione e alla gestione di nuovi formati (differenti per dimensione e colore).

Situazione iniziale

Le macchine su cui è stato installato il sistema di Intelligenza Artificiale, si occupano del controllo visivo della parte superiore delle fiale con tappo flip-off. L’attuale sistema in dotazione è del tipo rule-based, ovvero basato sulla definizione di una serie di regole che permettono l’individuazione dei pezzi non conformi.

Questo tipo di sistema è efficace nella rilevazione dei difetti, ma opera con difficoltà in contesti di produzione variabili e non noti a priori, richiedendo periodici fine-tuning per mantenere le performance richieste. Inoltre, questi sistemi devono essere gestiti da personale specializzato soprattutto per quanto riguarda le modifiche e il cambio formato.

Soluzione messa in campo

Le macchine sono state equipaggiate con la Vision Cam AI-go, co-sviluppata in collaborazione con IMAGO Technologies GmbH.

Attraverso la camera, l’operatore di linea, senza alcuna conoscenza pregressa in ambito AI o computer vision, ha potuto compiere i passi necessari per la costruzione del modello di classificazione:

  • acquisire circa 20 immagini per classe di difetto (buoni / scarto, disomogeneità di colore, difetti cosmetici quali graffi e mancanze);
  • specializzare il modello di classificazione direttamente sul device in meno di 1 minuto;
  • testare il modello, sempre all’interno della Vision Cam AI-go, analizzando puntualmente l’output del modello per individuare i casi sui quali la rete neurale ha avuto performance più basse ed eventualmente lanciare un nuovo training sulle classi più difficili da classificare.

Una volta ottenute le performance desiderate, il modello è stato facilmente abilitato all’uso direttamente in produzione.

Risultati raggiunti

Tempo di training dei modelli ~ 1 minuto 

Tempo di inferenza dei modelli ~ 100 ms 

Possibilità di scalare verso problemi più complessi, grazie al collegamento con AI-go Studio.

Semplificazione del processo di creazione e modifica del formato (in termini di tempo e di competenze necessarie) attraverso l’uso di modelli pre-trainati che devono essere solamente specializzati sulla base delle immagini raccolte direttamente in produzione.

Riduzione del falso scarto: basandosi su esempi provenienti direttamente dalla produzione, i modelli pre-trainati riescono ad essere molto performanti anche in situazioni non ottimali di illuminazione e variabili nel tempo.

Migliore rilevabilità delle anomalie – anche in condizioni visive non ottimali e non prevedibili

Approccio guidato dai dati: Per tenere traccia dei difetti al fine di rivedere il processo e/o la catena di fornitura per un miglioramento continuo.

Oggettivazione del giudizio di qualità.