Identificazione automatica dei difetti di produzione 

Introduzione

I difetti di produzione incidono notevolmente sui costi e sull’immagine dell’azienda verso i propri clienti.

Per minimizzare il rischio di difettosità dei prodotti, la maggior parte delle aziende fa appello a controlli di tipo visivo, effettuati da operatori che il più delle volte compiono lo stesso controllo in maniera ripetitiva durante l’intera giornata lavorativa. Appare ovvio che queste tipologie di compiti si prestano molto bene ad essere effettuati da macchine, piuttosto che persone, che non soffrono dei limiti di stanchezza e distrazione,e possono perciò processare più pezzi in minor tempo.

Il termine “visione industriale” fa riferimento alle tecniche grazie alle quali lo spazio produttivo può essere monitorato visivamente, tramite telecamere che producono video o immagini. Il dato raccolto da tali devices può poi essere analizzato tramite modelli rule-based oppure modelli predittivi che sfruttano la potenza degli algoritmi di Machine Learning, per compiere analisi automatiche sul dato stesso.

Nel caso specifico della difettosità di un prodotto, il visore industriale traccia i vari stadi di produzione dell’oggetto, e un modello ne controlla l’aderenza con quello che ci si aspetta di ottenere dopo ciascun passaggio. In tale modo, il prodotto viene costantemente monitorato, ed eventuali difetti vengono riconosciuti e segnalati automaticamente.

Modelli rule-based per il riconoscimento dei difetti

Il primo passo verso l’automatizzazione dei processi di identificazione dei difetti è spesso quello di tradurre le procedure portate a termine dagli operatori in insiemi di regole attuabili dalle macchine. Modelli creati in questo modo possono essere definiti rule-based, per sottolineare appunto il fatto che il loro funzionamento è basato su regole rigide e ben definite. Il vantaggio è senz’altro il fatto che il filtraggio dei pezzi sulla base delle regole prefissate viene svolto in maniera molto più rapida e precisa rispetto ad un controllo visivo umano. Lo svantaggio principale sta nella rigidità del modello, che sebbene sia in grado di tollerare variazioni minime rispetto alle regole di partenza, necessita dell’aggiunta di ulteriori regole ogniqualvolta si voglia considerare una variazione consistente rispetto ai difetti modellati in principio.

Proprio questo limite dovuto alla scarsa flessibilità ed adattabilità ha portato allo sviluppo di modelli di visione industriale basati su sistemi più intuitivi ed autonomi, che sfruttano tecniche di apprendimento automatico, conosciute come Machine Learning.

Machine Learning per il riconoscimento automatico dei difetti di produzione

Rispetto alla visione industriale tradizionale, quella basata su modelli rule-based, sistemi basati su algoritmi di Machine Learning offrono la possibilità di imparare osservando esempi di casistiche raccolte nel tempo, e continuare a rifinire i propri parametri ogniqualvolta una nuova istanza venga aggiunta nella base dati osservata. Le “regole” secondo cui questi algoritmi operano non sono rigidamente prefissate, come nel caso dei modelli rule-based, ma si ottimizzano e affinano iterativamente, ogni volta che al modello vengono mostrate casistiche nuove.

Tra i modelli predittivi utilizzati per insegnare alle macchine a riconoscere automaticamente i difetti di produzione si trovano spesso modelli di Deep Learning. Tra questi, le reti neurali convolutive sono le predilette. Il motivo di questa scelta rispetto ad altri tipi di reti neurali sta nel fatto che la “convoluzione”, operazione matematica caratteristica di questi modelli, consente alle macchine di studiare l’immagine in modo molto simile a quanto viene fatto dalla nostra corteccia visiva, riconoscendo similitudini anche quando le immagini non sono perfettamente identiche, e difetti anche quando questi sono quasi impercettibili.

Rispetto a modelli predittivi più semplici, o modelli matematici non predittivi, il Deep Learning ha il vantaggio di essere in grado di “concettualizzare” il difetto e generalizzarlo ad altri oggetti, anche quando le deviazioni dalla forma corretta sono minime. Da una parte, quindi, i modelli predittivi sono più flessibili di quelli rule-based perchè creano e ottimizzano nel tempo le proprie regole predittive, piuttosto che applicarle in modo passivo. Dall’altra sono maggiormente in grado di generalizzare le regole imparate ed espanderle a nuovi oggetti e tipologie di difetti differenti.

Nonostante la loro ottima performance predittiva, le reti neurali convolutive sono modelli sofisticati, con molteplici parametri da ottimizzare, e il cui training può richiedere molto tempo. Minime variazioni nell’impostazione dei parametri iniziali possono portare a importanti differenze di performance predittiva e lunghe tempistiche rischieste per l’allenamento del modello. Per questo motivo viene spesso utilizzata la tecnica conosciuta come “Transfer Learning”, che sfrutta modelli già allenati e li ottimizza per le specifiche istanze da analizzare.

Macchine o umani?

Nonostante a mio parere la paura che le macchine possano presto sostituire l’operato di qualsiasi essere umano sia infondata, non entrerò nei dettagli della questione in questo articolo. Mi limito a far luce sulle differenze tra operato umano e visione industriale nelle specifiche casistiche di riconoscimento di difettosità dei prodotti.

*l’utilizzo della strategia di transfer learning permette il più delle volte di minimizzare o azzerare completamente gli svantaggi dei modelli più sofisticati.

La soluzioni di Dataskills

Defector è uno strumento creato da Dataskills per identificare e classificare automaticamente i difetti di produzione. Si basa in parte su modelli rule-based, sfruttando la semplicità ed immediatezza di queste soluzioni, e in parte su algoritmi di Deep Learning, i cui svantaggi sono azzerati grazie all’utilizzo di tecniche di Transfer Learning.

Questo strumento può essere utilizzato per svariate tipologie di problematiche, lavorando su immagini o video dei pezzi prodotti. Le previsioni di difettosità sono fornite in real-time con una soglia di confidenza. Lo strumento può essere utilizzato per riconoscere differenti tipologie di difetti partendo da una stessa immagine o video.

Defector è preferibile rispetto ad altri strumenti presenti sul mercato perché:

• nella sua versione più semplice, non necessita di training. E’ quindi immediatamente utilizzabile
• nella sua versione più complessa necessita di poche decine di immagini per raggiungere performance predittive quasi perfette
• si può utilizzare anche per difetti minimi e particolarmente difficili da riconoscere anche dall’uomo

Per avere più dettagli riguardo a Defector, puoi consultare la pagina dedicata.