Case Histories
Rilevazione difetti, automotive
Task
Analisi immagini
Defects detection
Segmentazione
Classificazione
Misurazione
Annotazione
Computer vision
Settore
Manifatturiero
Automotive
Tecnologie
Deep learning
invariant.ai
PyTorch
Redis AI
Problema
Rilevare in automatico la presenza di difetti di varie tipologie e dimensioni sulla superficie di un piccolo componente metallico (facente parte dei motori delle motociclette) e misurazione degli stessi.
Situazione iniziale
Il controllo qualità veniva effettuato attraverso sistemi di computer vision tradizionali che difficilmente riuscivano a gestire la variabilità legata ai componenti da analizzare. In molti casi infatti, i pezzi si presentavano sporchi o con aloni difficili da gestire, comportando la necessità di un controllo completo da parte degli operatori specializzati.
Tale attività è certamente da considerarsi critica sia perché richiede molto tempo sia per l’ergonomia del lavoro dell’operatore che lo esegue con l’ausilio di sistemi di ingrandimento indispensabili per riuscire ad identificare i difetti più piccoli.
Soluzione messa in campo
La prima fase del progetto ha riguardato la campagna di acquisizione dati e la segmentazione dei vari difetti per la creazione del dataset di training. L’attività è stata svolta attraverso uno speciale strumento di annotazione sviluppato per il cliente, che in poco tempo ha permesso di identificare e localizzare i difetti su ogni immagine, dividendoli in diverse categorie. Sulla base del dataset così creato sono stati sviluppati due algoritmi di intelligenza artificiale: il primo analizza l’immagine del pezzo nel suo insieme per identificare i difetti estesi, mentre il secondo prende in input le patch tagliate dall’immagine generale e identifica i difetti localizzati.
L’applicazione di una soglia permette di discriminare tra i difetti che compongono uno scarto e quelli ritenuti accettabili. In particolare, un difetto localizzato è considerato uno scarto se >0,2 mm. Lo sporco, anche se identificato, non è motivo di scarto.
I modelli sono stati validati sul campo, attraverso l’installazione di un sistema che automatizza il processo di ingestione delle immagini, il lancio degli algoritmi e la visualizzazione dell’output. L’interfaccia utente mostra all’operatore esperto i difetti identificati dal sistema di intelligenza artificiale, distinguendo tra quelli che implicano lo scarto del pezzo e quelli che non lo coinvolgono.
L’operatore esperto ha la possibilità di convalidare o rifiutare il giudizio del sistema.
Risultati raggiunti
Il collaudo del sistema è stato effettuato mediante un doppio controllo su 10.000 pezzi precedentemente contrassegnati come scarti dagli operatori.
Tra questi, il sistema di AI ne ha confermati 1.800, mentre 8.000 pezzi sono stati giudicati buoni sia dall’algoritmo che dal successivo controllo degli operatori.
Con la rimessa in vendita di tali pezzi, è stato possibile ripagare per intero il costo del progetto.
Solo 5 pezzi sono stati giudicati buoni dal sistema e scarto dagli operatori, ma si tratta di casi dubbi anche per gli operatori esperti: non sono quindi stati rilevati casi di difetti grossolani lasciati passare dal sistema. L’uso del sistema di annotazione ha notevolmente ridotto i tempi di creazione del dataset di training, consentendo l’etichettatura di 1400 immagini da parte di un operatore in circa 14 ore di lavoro.
Sviluppi in corso
Si sta lavorando per coinvolgere la filiera di fornitura del cliente attraverso la realizzazione di heatmap che identificano i punti dove si verificano più spesso i difetti, in modo che il fornitore possa mettere in campo le dovute azioni correttive e si possa agire in maniera preventiva, sulla causa che genera il difetto.