Machine vision: fondamenti dell'ispezione visiva e del controllo qualità ottico
Le basi della machine vision riguardano tre termini spesso confusi: machine vision (la tecnologia), ispezione visiva (il compito) e controllo qualità ottico (il processo). La tecnologia combina telecamere, ottiche, illuminazione, computing e software per automatizzare le decisioni visive in linea di produzione, fungendo da pilastro dell'automazione industriale. L'ispezione visiva è una di queste decisioni: passa o scarta, graffiato o pulito, riempito o sottoriempito. Il processo di gestione qualità è il contenitore tracciabile attorno ad essa, dove l'ispezione viene documentata per audit ISO 9001 o GMP.
Cosa significa davvero machine vision?
Machine vision è il termine ombrello per i sistemi che combinano telecamere, illuminazione, computing e software per automatizzare le decisioni visive in linea di produzione. Le decisioni possono essere passa o scarta (qualità), quale pezzo è questo (identificazione), o dove si trova esattamente il pezzo (guida robot o pinza).
Tre componenti sono sempre in gioco: una sorgente di immagine (telecamera più illuminazione più ottica), un algoritmo che interpreta l'immagine (image processing a regole o rete neurale), e un'azione che il reparto produzione esegue sul risultato (scartare, documentare, fermare la linea, attivare una pinza). Per il quadro completo di come questi pezzi si incastrano consigliamo la guida all'image processing industriale e la guida all'ispezione machine vision come letture complementari.
Cosa fa davvero l'ispezione visiva in linea?
L'ispezione visiva è il compito classico a cui la maggior parte delle persone pensa quando parla di qualità con machine vision. Quando una telecamera su una linea di confezionamento controlla ogni etichetta, è ispezione visiva. Quando una telecamera dentro una macchina di stampaggio a iniezione segnala bave o inclusioni, è ispezione visiva. Il termine descrive il compito, non la tecnologia.
In pratica l'ispezione visiva è il ponte semantico che i responsabili qualità capiscono subito. Hanno fatto controlli visivi manualmente o con lenti d'ingrandimento per decenni. Una telecamera che automatizza lo stesso controllo è una stazione di ispezione. Per una definizione più approfondita leggi cos'è l'ispezione visiva con IA.
Telecamere, ottiche e lenti: cosa modella l'immagine
Prima che qualsiasi modello giri, telecamera e lente decidono quante informazioni ha a disposizione il sistema. Tre parametri ottici guidano ogni scelta.
La distanza di lavoro è lo spazio tra lente e pezzo. Un setup corto mantiene il rig compatto ma limita come la linea può muoversi attorno. Una distanza maggiore aiuta quando nastri trasportatori, robot o operatori condividono lo stesso ingombro.
Il campo visivo è l'area che la telecamera cattura in un fotogramma. Un fotogramma stretto aumenta la densità di pixel su un difetto piccolo; uno largo copre un intero prodotto ma con meno dettaglio per millimetro. La maggior parte dei progetti itera fino a quando la classe di difetto più piccola occupa ancora abbastanza pixel per un'analisi immagine affidabile.
La scelta della lente segue da questi due parametri. Una lente a focale fissa è più economica, più nitida e più facile da calibrare. Una lente zoom scambia nitidezza per flessibilità quando il mix di prodotti in linea cambia continuamente. Le lenti telecentriche eliminano l'errore di prospettiva e sono la scelta naturale per misurazioni dimensionali, controllo dimensionale e metrologia, dove un millimetro di parallasse rovina la lettura.
Per caratteristiche tridimensionali come deformazioni, profondità di ammaccature o conteggio pezzi impilati, le telecamere 3D aggiungono un canale di profondità sopra l'immagine 2D. Una linea laser, luce strutturata o coppia stereo dà al sistema una mappa di altezza che la lente da sola non può recuperare.
L'ottica imposta anche il limite per il riconoscimento ottico dei caratteri. L'OCR su un codice data funziona solo se ogni carattere occupa circa 20 pixel nell'immagine catturata. Se la lente non lo garantisce, nessun modello salva la lettura.
Quali sono le quattro classi algoritmiche della machine vision?
Ogni progetto machine vision rientra in una delle quattro classi algoritmiche. Sapere quale si adatta cambia i dati che dovrai raccogliere e il setup di illuminazione che costruirai.
La prima classe è l'image processing a regole, che copre misurazione classica, rilevazione bordi, OCR e blob analysis. È deterministico, veloce e documentato da decenni, e rimane la scelta giusta per misurazione dimensionale, presenza/assenza e lettura codici quando geometria e illuminazione sono stabili.
La seconda classe è la classificazione con deep learning, dove una rete neurale ordina ogni pezzo in una di varie categorie come passa, graffio o ammaccatura. Funziona bene quando il difetto è visivamente coerente e ci sono esempi etichettati per ogni classe. È qui che l'intelligenza artificiale moderna rende di più, perché il contrasto immagine guida l'accuratezza del modello.
La terza classe è la rilevazione anomalie. Il modello impara come appaiono i pezzi buoni e poi segnala qualsiasi cosa non corrisponda, anche tipi di difetto mai visti. È la scelta giusta quando i difetti sono rari, vari o non ripetitivi.
La quarta classe copre la rilevazione e segmentazione oggetti. Il modello individua dove si trova ogni caratteristica nell'immagine, pixel per pixel. I team la usano per contare pezzi su un vassoio, isolare singole celle in un lotto, o guidare un robot a prendere un articolo specifico.
Quali quattro fattori decidono se il tuo primo progetto va in produzione?
Il primo fattore è l'illuminazione, ed è il singolo predittore più importante di un progetto machine vision di successo. L'illuminazione rende visibile o invisibile un difetto, e nessun algoritmo recupera il contrasto che non è mai esistito nell'immagine. Metti in budget una settimana di test di illuminazione prima di toccare il modello.
Il secondo fattore sono i dati. Gli algoritmi classici hanno bisogno di parametri scelti con cura, mentre l'IA moderna ha bisogno di esempi, di solito da 50 a 500 immagini etichettate per un pilot. Il numero giusto dipende dalla varietà di difetti, e più classi significano più immagini.
Il terzo fattore è l'integrazione. Una stazione machine vision che non riesce a parlare con il PLC, MES, sistema di controllo o lo sportello di scarto è decorazione costosa. Pianifica presto come i risultati di ispezione raggiungono la linea, inclusi retry, stati di errore e l'HMI operatore.
Il quarto fattore è la manutenzione. Ogni linea cambia nel tempo, quindi i modelli derivano, l'illuminazione invecchia e le telecamere raccolgono polvere. Una stazione che funziona oggi non è una stazione che funziona tra sei mesi a meno che qualcuno se ne occupi. Metti in budget il 10-20% del costo di costruzione all'anno per la cura continua.
Quali applicazioni machine vision vanno in produzione più velocemente?
L'ispezione di etichette e stampe sul packaging è uno dei punti di partenza più comuni. I volumi sono alti, le regole sono chiare, e c'è già molta immagine di riferimento nell'edificio. Il ROI si dimostra spesso in poche settimane sulla prima linea che gira.
I controlli di sigillo e riempimento su bottiglie, buste e blister sono un'altra famiglia che va in produzione velocemente. Per playbook specifici per categoria, leggi i nostri approfondimenti su packaging alimentare e packaging farmaceutico.
Anche i difetti superficiali su pezzi stampati a iniezione e tranciati vanno in produzione rapidamente. Le classi di difetto sono ben capite, la geometria è stabile, e i pezzi sono facili da illuminare. Questo rende un buon primo progetto per le PMI che non vogliono iniziare con il problema più difficile in produzione.
Da dove iniziare
Scegli una linea che gira ogni giorno, con una classe di difetto che i tuoi operatori possono descrivere in una frase. Costruisci un piccolo rig di illuminazione e cattura 200 immagini. Decidi tra approccio a regole e approccio addestrato solo dopo aver guardato le tue immagini. Per una panoramica più ampia tecnologia per tecnologia leggi anche la guida ai sistemi machine vision.
Domande frequenti sulle basi della machine vision
Qual è la differenza tra machine vision e ispezione visiva?
Machine vision è lo stack tecnologico di telecamere, illuminazione, computing e software. L'ispezione visiva è un compito che puoi eseguire sopra, ovvero decidere se un pezzo passa un controllo qualità guardandolo. Altri compiti come guida robot e identificazione condividono lo stesso hardware ma risolvono problemi diversi.
Cosa serve davvero a un primo progetto machine vision?
Tre cose, in quest'ordine: una classe di difetto che i tuoi operatori possono descrivere in una frase, un setup di illuminazione stabile che renda il difetto visibile, e 50-500 immagini etichettate. La scelta dell'algoritmo e l'integrazione vengono dopo aver guardato i tuoi dati, non prima.
Quando l'approccio a regole batte ancora l'IA?
Quando l'ispezione è dimensionale, la geometria è stretta, l'illuminazione è stabile e la tassonomia dei difetti è chiusa. Lettura codici, presenza/assenza e misurazioni al micrometro restano il terreno naturale per la machine vision classica. L'IA prende il sopravvento quando il set di difetti è aperto, vario o dipende da cambi di texture sottili.
Punti chiave
Machine vision, ispezione visiva e processo di gestione qualità non sono intercambiabili. Nominano rispettivamente la tecnologia, il compito e la procedura, e una linea funzionante usa tipicamente tutti e tre insieme.
I sistemi moderni si dividono in quattro classi algoritmiche: algoritmi a regole, classificazione deep learning, rilevazione anomalie, e rilevazione o segmentazione oggetti. Ognuna si adatta a un pattern di difetto diverso.
L'illuminazione è il singolo predittore più importante del successo di un progetto. Nessun algoritmo salva un'immagine dove il difetto è invisibile, quindi metti in budget tempo per i test di illuminazione prima di qualsiasi lavoro sul modello.
Pianifica l'integrazione nel PLC, MES e percorso di scarto dal primo giorno. Una stazione di ispezione standalone che non può agire sui propri risultati diventa un cruscotto, non un controllo.
La manutenzione è parte del progetto, non dopo. I modelli derivano, le luci invecchiano e le telecamere raccolgono polvere. Metti in budget il 10-20% del costo di costruzione all'anno per la cura continua.
Inizia subito
Vuoi vedere come funziona Enao Vision sulla tua linea? Puoi iniziare gratis usando un iPhone che hai già, oppure unirti alla community per confrontarti con altri team qualità e operations che stanno portando l'IA in produzione.
