Quality Inspection

Data Products

Deep Learning e Computer Vision per aumentare la qualità produttiva

Industries:

Industrial - Life Science

Solutions:

Data Products

Technologies:

PyTorch - Aws - Google Cloud Platform - Azure

Scopri

Contesto

L’ispezione visiva è un passo essenziale nel processo di produzione di molte industrie, tra cui manifatturiero e farmaceutico per esaminare i prodotti alla ricerca di difetti o errori. Tuttavia, questo processo può essere lungo e costoso e quindi effettuato solo a campione, causando rilavorazioni e perdita di efficienza negli step produttivi a valle.

Spesso il training degli ispettori è anche complesso e poco scalabile.

L’intelligenza artificiale e gli algoritmi di deep learning possono assistere gli ispettori “augmentandone” la capacità diagnostica o automatizzando parte dei processi di Quality Control.

La computer vision può essere utilizzata per rilevare una vasta gamma di difetti, tra cui difetti superficiali, errori dimensionali e componenti mancanti o errati. Può anche essere utilizzata per verificare il rispetto delle normative e delle regolamentazioni da parte dei prodotti.

Nell’industria manifatturiera, l’ispezione visiva con computer vision può essere applicata a una varietà di prodotti, come parti meccaniche, elettronica e imballaggi, localizzando ed identificando i diversi tipi di non conformità.

Punti critici

L’ispezione umana presenta diverse problematiche critiche che possono influire sulla precisione e sull’efficienza del processo di controllo della qualità. Queste includono:

Fatica e noia: Gli ispettori umani possono diventare stanchi o annoiati dopo aver svolto le stesse attività ripetutamente, causando un calo di attenzione ai dettagli e un aumento di errori.
Visibilità limitata: Alcuni difetti potrebbero essere difficili da rilevare per l’occhio umano, soprattutto se sono piccoli o nascosti in un prodotto complesso.
Soggettività: Persone diverse potrebbero avere interpretazioni diverse di ciò che costituisce un difetto, causando incostanza nel processo di ispezione.
Velocità limitata: L’ispezione umana è di solito più lenta dell’ispezione automatizzata, causando colli di bottiglia nel processo di produzione.

Soluzione

Quantyca nel tempo ha sviluppato diverse soluzioni basate su architetture di CV consolidate quali ResNets e framework di Deep Learning quali fast.ai e Pytorch. La chiave del successo di questi progetti è nella capacità di analizzare assieme ai Domain Experts del cliente i passaggi fondamentali del processo ed i punti dove si annida la complessità di ispezione, e di sfruttare al meglio i dati disponibili usando tecniche di fine-tuning partendo da foundation models già consolidati. Quantyca affianca il cliente nelle diverse fasi:

Formalizzazione del problema

Definizione dello scope, identificazione delle metriche di perfomance, calcolo del ROI tra saving di costi di ispezione e impatto sulla qualità finale

Analisi e scomposizione del processo

Ogni processo di controllo visivo è tipicamente scomponibile in sottoproblemi da affrontare ed ottimizzare singolarmente, semplificando gli algoritmi e aumentando la manutenibilità complessiva

Validazione e/o raccolta dataset di training

Individuazione dei dati su cui addestrare il modello ed eventuale arricchimento e correzione iterativa per rendere il processo di definizione della ground-truth di training il più robusta possibile per gli obiettivi da raggiungere

Realizzazione dei modelli ed addestramento

Review della letteratura ed individuazione dei foundation models più adeguati per il problema, su cui effettuare il fine-tuning. Realizzazione e training del modello usando tecnologie e framework standard come Pytorch, Fast.ai e Timm

Validazione delle performance

Analisi rigorosa delle performance di ogni step algoritmico e stima del miglioramento dei KPI complessivi del processo abilitato dall'AI

Deployment in campo produttivo

Integrazione del modello con le tecnologie del campo, sia on edge che in modalità ibrida con il cloud, sfruttando gli standard industriali come Diconde

Analisi della performance in produzione e controllo del model drift

Monitoraggio continuo della performance, valutazione reale dell'impatto e retraining del modello nelle nuove condizioni operative

Contattaci!