Sistemi di machine vision nel 2026: la guida alle architetture principali

Un sistema di machine vision converte la luce riflessa da un prodotto in una decisione di accetto o scarto in tempo reale. Lo stack completo ha quattro livelli: una camera cattura l'immagine, l'illuminazione rende visibile il difetto, il software esegue gli algoritmi che analizzano l'immagine e restituiscono un verdetto, e un trigger porta quel verdetto al PLC. I sistemi tradizionali fixed-line costano da 20.000 a 80.000 euro per stazione di ispezione, oltre al tempo dell'integratore e ai fermi di cambio formato. È l'architettura che scegli, non il brand, a decidere se quei soldi risolvono il tuo problema.

Quasi tutte le guide sui sistemi di machine vision aprono con una lunga lezione sulla storia dei sensori CCD e sulle acquisizioni di Cognex. Salteremo quel pezzo. Se gestisci una linea di produzione e hai un problema di qualità che un ispettore umano non riesce più a tenere, devi capire tre assi di scelta e quanto costano grossomodo in un ambiente produttivo reale. Il resto è dettaglio che il tuo integratore sistemerà.

Dove si collocano i sistemi di machine vision nell'automazione industriale?

Una fabbrica moderna gira su un loop stretto di sistemi di automazione: PLC che comandano i nastri, bracci robotici che fanno pick and place, software MES che traccia ogni pezzo, e sistemi di machine vision che fanno da occhi a tutto lo stack. Togli la vision dall'automazione industriale e sei cieco sui difetti finché non te li segnala il cliente. Rimettila dentro, e la stessa automazione che già sposta i pezzi sulla linea può anche scartarli, rilavorarli o riequilibrarli al volo. La vision è il livello che trasforma il movimento in decisione.

La guida robot è l'esempio più chiaro. Un braccio a sei assi non riesce a prendere un pezzo orientato a caso da un cassone senza un sistema di vision che gli dica dove sta il pezzo, come è ruotato e se è la variante che la stazione successiva si aspetta. Robotica e machine vision sono cresciute insieme proprio per questo. Lo stesso flusso video che gestisce la rilevazione difetti alla stazione 7 può guidare la verifica di assemblaggio alla stazione 8 e mandare segnali correttivi in tempo reale al robot della stazione 9. Più stretto è il loop, meno scarto arriva in fondo alla linea.

Due stack software dominano il livello algoritmi. Le librerie rule-based codificano l'intuizione dell'esperto umano: edge detection, blob analysis, template matching, controlli dimensionali calibrati. Gli stack di intelligenza artificiale, in particolare le reti convoluzionali deep learning, imparano gli stessi pattern da immagini etichettate e generalizzano su varianti che le regole non hanno mai visto. La maggior parte delle soluzioni di machine vision di livello produttivo oggi mescola i due, con funzioni rule-based che gestiscono i controlli deterministici e il deep learning che si occupa dei difetti estetici più sporchi.

Cosa conta come sistema di machine vision?

Lo stack completo lavora come un unico loop: la camera cattura l'immagine, l'illuminazione rende visibile il difetto, il software analizza l'immagine e restituisce un verdetto, e un trigger più un'uscita riportano quel verdetto al PLC o al meccanismo di scarto. Ogni livello fa da contrappeso agli altri. Un'illuminazione economica obbliga a un software più costoso. Una camera più veloce può semplificare la logica del trigger. Il sistema funziona solo quanto il suo livello più debole, motivo per cui la maggior parte delle applicazioni di machine vision fallite si rivela essere un problema di illuminazione travestito da problema software.

Qualsiasi cosa più semplice di così, ad esempio un sensore laser di distanza o una barriera fotoelettrica, è un sensore di presenza, non un sistema di vision. Qualsiasi cosa più grande, come una stazione completa di controllo qualità inline con robotica e gate di scarto, resta comunque un sistema di vision al cuore, solo avvolto in più hardware. Stessa cosa per la categoria più larga delle vision solutions vendute come soluzioni chiavi in mano: sotto il cofano trovi lo stesso stack di image processing a quattro livelli con un imballaggio diverso, e la logica di quality control alla fine passa sempre dallo stesso livello di trigger.

Per un approfondimento sui singoli componenti, camere, ottiche, illuminazione e vendor software, vedi la nostra guida all'elaborazione industriale delle immagini, che attraversa ogni livello dello stack con vendor di riferimento e fasce di prezzo.

Un numero conviene tenerlo a mente prima di andare oltre. Come regola pratica, ti servono almeno 20-30 pixel sulla dimensione del difetto più piccolo che vuoi prendere. Un graffio da 0,3 millimetri su un pezzo che riempie un frame da 12 megapixel è difficile. Lo stesso graffio su un pezzo che riempie un frame da 2 megapixel è impossibile. Risoluzione del sensore, scelta dell'ottica e working distance fissano quel tetto prima ancora che entri in gioco il software.

Cosa fa davvero ogni livello di un sistema di machine vision?

I quattro livelli non sono ugualmente costosi né ugualmente importanti su ogni linea. Un'ispezione di superficie su metallo lucido sta o cade sull'illuminazione. Una linea di imbottigliamento ad alta velocità sta o cade su shutter speed e latenza del trigger. Sapere quale livello fa il lavoro sulla tua linea è ciò che ti dice dove spendere i soldi. La stessa logica vale per ogni sotto-sistema sotto la portina del quadro, dai cavi che portano alimentazione al modulo che ospita l'inferenza.

Camera e ottica

La combinazione camera-ottica definisce cosa il sistema può vedere fisicamente. Risoluzione del sensore, dimensione del pixel e focale dell'ottica decidono insieme il campo visivo e il dettaglio minimo rilevabile. Le camere industriali vanno da sensori global-shutter da 1 megapixel a 400 euro fino a sensori scientifici da 50 megapixel sopra gli 8.000 euro. Le camere degli smartphone moderni si attestano tra 12 e 48 megapixel con stacking computazionale, e questo mette un iPhone attuale davanti alla maggior parte delle camere industriali sotto i 2.000 euro per i task di ispezione su cui si possono montare.

L'acquisizione immagine è il punto in cui parte il resto dello stack. Un setup tipico fixed-line tira fuori un'immagine digitale dal sensore via GigE Vision, USB3 Vision o Camera Link, a volte attraverso un frame grabber dedicato che fa buffering e pre-processing dei dati pixel prima di passarli all'host. I frame grabber erano obbligatori per le camere line scan e ad alta velocità e restano comuni nei flussi di metrologia dove ogni microsecondo di latenza pesa. La cattura immagine basata su Ethernet ha mangiato la fascia più bassa del mercato perché i frame grabber GigE Vision possono girare accanto a schede di rete commerciali. Per sensori ad alta risoluzione sopra i 25 megapixel a frame rate pieno, i frame grabber dedicati si guadagnano ancora il loro posto.

Illuminazione

L'illuminazione è il livello che fallisce più spesso, perché è il livello che chi compra salta più spesso in fase di specifica. Le condizioni di luce ambiente in fabbrica cambiano tra turni, stagioni e angoli di luce dai lucernai. Un sistema di machine vision fissato ha bisogno della propria sorgente luminosa schermata in modo che l'immagine vista dalla camera sia identica alle 03:00 di una domenica di febbraio e alle 13:00 di un mercoledì di luglio. La scelta dell'illuminazione (ring, bar, backlight, dome, dark field, structured) è dettata dal difetto, non dalla preferenza. Condizioni di illuminazione stabili sono ciò che dà ripetibilità a un modello tra un turno e l'altro.

Software

Il software prende la decisione vera. Le librerie rule-based come Halcon, VisionPro e OpenCV fanno matching di pattern, misurano dimensioni e confrontano intensità contro soglie con algoritmi classici (edge detection, blob analysis, geometric matching). Gli stack di intelligenza artificiale eseguono reti neurali convoluzionali, più spesso classificatori e detector supervisionati, che imparano cosa significa "buono" da poche centinaia di immagini di riferimento. Il deep learning ti permette di saltare il feature engineering manuale e andare in produzione più in fretta sui difetti estetici che gli algoritmi classici non riescono a descrivere. Il livello software include anche il runtime di inferenza, che può stare su un PC, una smart camera, un dispositivo edge embedded o uno smartphone, e che detta la velocità di elaborazione di tutto il loop.

Trigger e uscita

Trigger e uscita sono l'idraulica. Un sensore fotoelettrico o un encoder dice alla camera quando un pezzo è in frame. La decisione (pass, fail, fail con motivo) viene rispedita a un PLC via I/O digitale, EtherNet/IP o Profinet, che comanda poi un soffio d'aria di scarto, un braccio robotico, una stazione di marcatura o semplicemente un contatore. I budget di latenza sono stretti: una linea da 300 pezzi al minuto dà al sistema 200 millisecondi per catturare, decidere e segnalare.

Come si confronta la machine vision rule-based con quella AI-based?

La spaccatura più antica nella machine vision è tra sistemi rule-based e sistemi AI-based. Cognex, Keyence e ogni libreria classica (Halcon, OpenCV, VisionPro) sono partite dal mondo rule-based. Il sistema viene programmato per cercare feature specifiche. Un foro deve avere 4,2 millimetri di diametro. Un logo deve stare a 12 millimetri dal bordo sinistro. Una superficie deve essere uniformemente grigia con una deviazione standard sotto soglia. Gli algoritmi sono deterministici e facili da auditare, motivo per cui metrologia e verifica di assemblaggio si appoggiano ancora a loro.

Il rule-based funziona benissimo quando il tuo prodotto è costante, i tuoi difetti sono geometricamente definiti e l'illuminazione è blindata. Si rompe nel momento in cui la realtà si fa sporca. Un lotto diverso di materia prima, una nuova variante prodotto, un cambio di luce ambiente dal lucernaio sopra la linea, e d'improvviso il tuo tasso di falsi scarti raddoppia da un giorno all'altro.

I sistemi AI-based ribaltano la logica. L'approccio funziona in due fasi. Si parte mostrando al modello esempi di pezzi conformi così da segnalare qualsiasi cosa sembri inusuale, e questo fa emergere candidati a difetto senza che nessuno li abbia etichettati prima. Poi quei difetti si etichettano, si raggruppano per tipo e si addestrano modelli di detection supervisionati che ne classifichino ognuno. Quel secondo passaggio è ciò che rende l'approccio robusto in produzione, con alta precisione e un verdetto azionabile su ogni pezzo, non un semplice segnale pass-fail. Abbiamo scomposto questo trade-off nella nostra definizione pratica di AI visual inspection e raccontato cosa costa tenere in vita ogni approccio una volta che è nel quadro elettrico.

La differenza pratica è cosa succede quando la tua produzione cambia. Un sistema rule-based ha bisogno di essere riprogrammato da un integratore, il che vuol dire tipicamente un change order e tre-sei settimane. Un sistema AI-based ha bisogno di nuove immagini di riferimento, che un operatore di linea raccoglie in un'ora, e il modello si ottimizza senza toccare il quadro elettrico. Per uno stabilimento che fa più di tre varianti prodotto all'anno, quella differenza si accumula in fretta.

Quando ti servono più camere in un sistema di machine vision?

Il secondo asse è quanti angoli ti servono. Un sistema a singola camera è il default per prodotti piatti o cilindrici ispezionati da una faccia. Etichette su bottiglie. Difetti di superficie su lamiera. Qualità di stampa su cartoni. Una camera, un'ottica, un setup di illuminazione, una decisione.

I sistemi multi-camera entrano in gioco quando i difetti possono comparire su qualsiasi faccia di un pezzo tridimensionale. Una scocca lavorata in alluminio può richiedere quattro camere intorno per prendere graffi su ogni lato. Un pezzo stampato a iniezione con regioni trasparenti e opache può richiedere due camere con angoli di illuminazione diversi che scattano in sequenza.

Il multi-camera grossomodo raddoppia o quadruplica il costo hardware e software. Moltiplica anche la complessità di sincronizzazione. Se la camera 1 vede il pezzo al timestamp T e la camera 3 lo vede a T più 80 millisecondi, il software deve cucire entrambi i frame allo stesso ID pezzo. I sistemi classici fanno questa cosa con encoder triggerati dal PLC. I sistemi AI lo fanno con inferenza per camera e un livello di logica di scarto condiviso.

Regola pratica: parti con singola camera. Vai multi-camera solo quando un audit dei difetti mostra che oltre il 15 percento dei tuoi escape capita su facce che la camera singola non riesce a vedere.

Quali tipi di sensore usano le camere industriali?

Il tipo di sensore è la prima decisione hardware dopo aver scelto rule-based contro AI e singola contro multi-camera. Il tipo che scegli dipende da se il pezzo si muove, da se ti serve informazione di profondità e da se il difetto è visibile in luce normale. La maggior parte delle camere industriali esce ancora con sensori CCD o, oggi più spesso, CMOS; la scelta tra i due plasma il compromesso tra uniformità di pixel, velocità di lettura e costo.

Camere area scan vs line scan

Le camere area scan catturano un frame 2D pieno a ogni trigger. Coprono quasi ogni ispezione di pezzi discreti: bottiglie, cartoni, componenti lavorati, assemblaggi elettronici. Le camere line scan catturano una singola riga di pixel e si appoggiano al pezzo che passa davanti al sensore per costruire l'immagine una riga alla volta. Il line scan domina nell'ispezione di nastri continui (carta, film, tessuto, vetro) e nella lamiera a rulli perché ti dà altissima risoluzione lungo la direzione di marcia senza comprare un sensore area enorme. Abbina una camera line scan con un frame grabber e una barra di luce stroboscopica e puoi ispezionare un nastro in movimento a parecchi metri al secondo con dettaglio sotto il millimetro.

Sistemi di vision 3D

Quando il difetto è geometrico, come una vite mancante, una superficie deformata o un'altezza sbagliata, un'immagine 2D spesso non basta. I sistemi di vision 3D usano stereo (due camere), structured light (un proiettore più una camera), triangolazione laser (una linea laser più una camera) o sensori time-of-flight per ricostruire la profondità. Costano da due a quattro volte più dei sistemi 2D, motivo per cui la maggior parte degli stabilimenti li riserva ai task che li chiedono per forza: bin picking con guida robot, controllo di cordoni di saldatura, verifica dimensionale su pezzi complessi.

Imaging iperspettrale e infrarosso

Alcuni difetti sono invisibili a una camera RGB normale. Umidità sotto un rivestimento, contaminazione in un prodotto alimentare, una delaminazione dentro uno strato trasparente. Camere near-infrared, short-wave infrared e iperspettrali raccolgono bande di lunghezza d'onda che occhio umano e sensori consumer si perdono. Sono care (da 15.000 a 80.000 euro per camera) e lente, quindi compaiono più spesso in food, pharma, agricoltura e riciclo che nella manifattura generale.

Quali setup di illuminazione funzionano per la vision industriale?

La scelta dell'illuminazione è ciò che fa la differenza tra un sistema che funziona dal primo giorno e uno che si trascina dietro un progetto di tuning di sei mesi. La risposta giusta dipende dalla superficie, dal tipo di difetto e dal contrasto richiesto sotto le condizioni di illuminazione normali della linea.

Ring light e bar light

Le ring light circondano l'ottica e danno illuminazione uniforme, perlopiù diffusa, su superfici piatte o leggermente curve. Le bar light si mettono di lato al pezzo a un angolo controllato. Sono entrambe i cavalli da tiro dell'ispezione generale: controlli di presenza, lettura etichette, OCR, semplici graffi di superficie su metallo o plastica. Sono economiche (da 50 a 400 euro), facili da montare e perdonano gli errori.

Backlight, dome e dark field

I backlight stanno dietro al pezzo così la camera vede una silhouette. Sono imbattibili per controlli dimensionali su pezzi opachi e per prodotti trasparenti che nascondono i difetti contro sfondi luminosi. Le dome light avvolgono il pezzo di luce diffusa per uccidere i riflessi speculari su superfici lucide (alluminio anodizzato, plastica lucidata, metallo verniciato). L'illuminazione dark field sfiora la superficie con un angolo basso così graffi e ammaccature saltano fuori come linee chiare su sfondo scuro, l'opposto di come l'illuminazione ring tende a dilavarli.

Illuminazione strutturata e laser

L'illuminazione structured light proietta un pattern noto (strisce, punti, una griglia) sul pezzo così la camera può ricostruire la geometria della superficie dalla distorsione. È il cavallo da tiro della vision 3D in fabbrica. La line laser fa lo stesso lavoro per i sistemi di triangolazione laser, che scansionano pezzi alti o curvi a risoluzione molto alta. Entrambi i setup hanno bisogno di condizioni ambientali più scure e di solito arrivano in bundle con il sistema 3D, non scelti a parte.

Come si distribuiscono i sistemi di machine vision?

Dopo sensore e illuminazione, la decisione successiva è dove gira davvero l'ispezione. Il modello di deployment guida capex, footprint e quanta parte del sistema può essere riutilizzata quando cambia il mix prodotto. Ogni opzione qui sotto esce come un modulo riconoscibile che gli integratori possono calare nel quadro elettrico.

Machine vision PC-based

I sistemi PC-based abbinano una o più camere industriali a un PC industriale dedicato che fa girare software rule-based o AI. Ti danno la massima flessibilità (più camere, logica custom, pipeline complesse) e il massimo headroom di calcolo per i modelli AI, ma occupano più spazio nel quadro e più sforzo di engineering per il commissioning. Il capex tipico tutto incluso sta tra 25.000 e 80.000 euro per stazione.

Smart camera

Le smart camera mettono insieme sensore, processore e I/O in un solo housing. Cognex In-Sight, Keyence CV-X e Basler ace sono esempi noti di smart camera che escono come modulo unico. Sono più facili da installare, più economiche di una stazione PC-based e ideali per ispezioni a singola camera con logica rule-based prevedibile. Il rovescio è il calcolo limitato, quindi i modelli AI pesanti non sempre stanno su una smart camera e i setup multi-camera complessi ti spingono indietro su architetture PC-based.

Embedded edge e dispositivi fleet-based

Il modello di deployment più nuovo usa piccoli dispositivi edge embedded (board classe Jetson, smartphone, tablet rugged) che fanno inferenza AI on-device e si collegano a un back end per gestione flotta e aggiornamenti modello. Gli iPhone in questa categoria portano sensori global-shutter da 12 megapixel, un neural engine della serie A che fa girare modelli convoluzionali in tempo reale, e un ciclo di vita hardware di cinque anni su un pezzo che l'operatore già sa usare. Questo è ciò che rende l'ispezione fleet-based commercialmente sostenibile.

Quali sono le applicazioni di machine vision più comuni?

Cinque applicazioni di machine vision coprono il grosso della capacità installata nella manifattura discreta. La rilevazione difetti su difetti estetici e strutturali è il caso d'uso di punta: graffi, ammaccature, vuoti, contaminazione e feature mancanti. La verifica di assemblaggio conferma che un montaggio in più passi sia uscito dalla cella con ogni vite, etichetta e componente al posto giusto, con l'orientamento giusto. La lettura di barcode e DPM (direct part marking) regge la tracciabilità in packaging, automotive ed elettronica. La metrologia misura quote critiche contro tolleranze di disegno, e spesso sostituisce il calibro manuale. La guida robot dà al braccio robotico le pose dei pezzi così riesce a prendere, posare e orientare pezzi non perfettamente attrezzati.

Altre due applicazioni chiudono la lista. La prima è il controllo di presenza-assenza, la più semplice di tutte le funzioni: la guarnizione c'è, il coperchio è chiuso, il sigillo di sicurezza è integro. La seconda è il pattern matching per allineamenti di alta qualità, che alimenta teste dosatrici, marcatori laser e macchine pick-and-place che hanno bisogno di un riferimento. Ognuno di questi casi d'uso vive o muore sulla validazione contro la ground truth, motivo per cui un pilota con 200-500 immagini etichettate vale più di tre mesi di demo dei vendor.

La ripetibilità è ciò che separa un sistema di vision che risolve un problema reale di qualità da uno che deriva dopo il primo cambio prodotto. Un test sul campo utile è far girare gli stessi 50 pezzi conformi e 50 non conformi noti attraverso il sistema su tre turni consecutivi. Se il verdetto su ogni pezzo è identico ogni volta, hai ripetibilità. Se due dei 50 pezzi cambiano risultato al cambio turno, il problema è la tua illuminazione o il tuo modello, non l'ottica, e hai del lavoro da fare prima di stringere ulteriormente le tolleranze.

Qual è la differenza tra machine vision fixed-line e fleet-based?

Il terzo asse è il più nuovo e quello che la maggior parte delle guide ignora ancora. Tradizionalmente ogni stazione di ispezione è fixed-line. Una camera su un supporto rigido, una ring light, un'enclosure sigillata, cablata a un controller in un quadro. L'installazione richiede da due a quattro settimane. Il commissioning altre due. La stazione non si può spostare senza ri-commissioning.

L'ispezione fleet-based è l'alternativa mobile diventata pratica negli ultimi due anni, spinta da sensori in form factor piccolo (gli smartphone moderni sono oggi le camere industriali a più alta risoluzione che la maggior parte delle fabbriche si può permettere) e da AI on-device. Un sistema fleet-based è un set di dispositivi di ispezione portatili che qualunque operatore può prendere, mettere davanti alla linea e usare per fare un controllo a campione casuale o al 100 percento dentro lo stesso ambiente produttivo, sullo stesso processo per cui la linea è stata costruita.

Questo conta per tre motivi. Primo, paghi per task di ispezione, non per camera bullonata su un telaio, quindi aggiungere un nuovo punto di ispezione è una decisione per turno, non un progetto capex. Secondo, lo stesso hardware può ispezionare tre linee prodotto diverse il lunedì, mercoledì e venerdì se il loro takt time lo permette. Terzo, l'ispezione si può muovere col prodotto: dentro una stazione di pre-imballaggio, su un carrello a fine collo di bottiglia, in un laboratorio qualità per campionamenti più approfonditi. La stessa flotta copre molti casi d'uso senza ricomprare ottiche per ognuno.

Il setup di montaggio è ciò che rende questa cosa pratica in uno stabilimento vero. Con una clamp magnetica, un treppiede o un supporto a posizione fissa, lo stesso iPhone si piazza in 90 secondi a una stazione e si ripiazza a un'altra dopo pranzo. La nostra guida al montaggio dell'iPhone in linea di produzione attraversa i tre pattern che vediamo più spesso, cosa costa ognuno e dove ognuno si rompe.

Da Enao ci concentriamo proprio su questa categoria. Come startup che spedisce soluzioni di machine vision fleet-based, il nostro cuneo è esattamente dove i vendor fixed-line si prezzano fuori. Un setup fleet-based con un iPhone e una ring light da 80 euro sostituisce una stazione fissa da 80.000 euro per un sottoinsieme utile di task di ispezione, soprattutto dove volumi o varianti rendono ingiustificabile una stazione fissa.

Quale architettura di machine vision si adatta a quale linea di produzione?

I tre assi ti danno otto combinazioni. In pratica cinque coprono quasi ogni problema di ispezione nella manifattura discreta. La lista qui sotto mappa i pattern di linea sull'architettura che si adatta ai requisiti applicativi che porti dentro.

• Linea ad alto volume monoprodotto, difetti geometricamente definiti, una faccia: rule-based, singola camera, fixed-line. Pensa a imbottigliamento, stampa etichette, controlli dimensionali su guarnizioni. Capex da 25.000 a 50.000 euro, payback sotto i due anni se il tasso di escape è sopra lo 0,3 percento.
• Linea a medio volume con cambi variante frequenti, difetti estetici e variabili: AI-based, singola camera, fleet-based. Pensa a pezzi di mobili, componenti lavorati, scocche verniciate. Capex sotto i 5.000 euro per partire, scala lineare col numero di stazioni.
• Pezzo tridimensionale ispezionato su tutte le facce, catalogo difetti stabile: AI-based, multi-camera, fixed-line. Pensa a scocche in alluminio lavorato, pezzi stampati a iniezione con superfici critiche. Capex da 50.000 a 120.000 euro, giustificato quando il costo di escape per pezzo è sopra i 5 euro.
• Materiale continuo a nastro o a rotolo ad alta velocità: rule-based, singola camera line scan, fixed-line. Pensa a carta, film, vetro, lamiera. Capex da 30.000 a 80.000 euro, spesso sostituito o abbinato ad AI per i controlli estetici.
• Nuovo task di ispezione su una linea dove il catalogo difetti è ancora ignoto: AI-based, singola camera, fleet-based. Pensa a un pezzo riprogettato di fresco, a un nuovo fornitore, a un cluster di reclami che non riesci ancora a fissare. Capex sotto i 2.000 euro per partire, migra a fixed-line solo una volta che il catalogo difetti si stabilizza.

L'ultimo pattern è quello su cui la maggior parte di chi compra sbaglia. Specifica un sistema fixed-line multi-camera rule-based per una linea dove ancora nessuno sa che faccia abbia il catalogo difetti. Sei mesi dopo si ritrova in casa un sistema da 90.000 euro che prende tre dei sette difetti che contano davvero. Partire fleet-based per il primo anno e migrare a una stazione fissa una volta che il catalogo difetti si stabilizza di solito risparmia due terzi del costo di vita.

Per il lato finanziario di questo trade-off, abbiamo passato in rassegna il calcolo capex-versus-opex in una nota su acquisti e budget per l'AI nella manifattura, che è il modello che chiediamo ai nuovi clienti di riempire coi numeri della loro linea.

Quali settori trainano la domanda di machine vision?

Tre settori valgono la maggior parte della spesa globale in machine vision. Gli stabilimenti automotive fanno girare la vision in ogni cella di saldatura, cabina di verniciatura e stazione di assemblaggio finale, con tolleranze strette su pannelli body-in-white e sotto-sistemi motore. I fab di semiconduttori dipendono dalla vision a ogni passo, dall'ispezione wafer al die bonding alla marcatura del package, con ripetibilità sub-micrometrica richiesta a velocità di linea ben oltre quello che qualunque ispettore umano può tenere. L'aerospazio vive di volumi più bassi ma di tolleranze più strette, dove ogni segno di coppia su un fissaggio, ogni cordone di saldatura e ogni laminazione composita ha bisogno di validazione tracciabile contro il record di build.

Fuori da quei tre, la machine vision è ormai integrata in food and beverage, pharma, elettronica, packaging, logistica, riciclo e sempre più mobili e moda. Il filo conduttore è un processo manifatturiero in cui i difetti sono abbastanza costosi da pagare le camere parecchie volte se li prendi prima della spedizione. Dove i volumi sono più piccoli o le varianti più frequenti, i sistemi fleet-based spesso battono le stazioni fisse sul TCO. Dove i volumi sono grandi e il prodotto è stabile, il fixed-line vince ancora.

Come si integrano i sistemi di machine vision con PLC e MES?

Un sistema di machine vision che non riesce a parlare col resto della linea è una Polaroid molto cara. La domanda di system integration è quella che fa la differenza tra una stazione che prende difetti e una stazione che cambia davvero le metriche di throughput, scarto e tracciabilità. Gli integratori chiedono soldi veri per fare da ponte tra una camera che funziona e una linea che funziona.

Sul lato PLC, i sistemi vision pubblicano segnali di pass-fail e di guasto via I/O digitale per i casi semplici e via EtherNet/IP, Profinet o Modbus TCP per dati più ricchi come classe del difetto, posizione e ID immagine. Un impulso di scarto, un colpo di marcatore, una presa robotica o un comando di stop linea tipicamente vivono tutti nel PLC e vengono triggerati dal verdetto di vision nello stesso scan cycle. Sono normali budget di latenza tra 50 e 200 millisecondi.

Sul lato MES e qualità, il sistema fa streaming di ogni decisione dentro un database, spesso con l'immagine sorgente allegata. Quel feed è ciò che alimenta i Pareto delle cause di difetto, la genealogia di lotto sui pezzi non conformi e le dashboard SPC che i quality manager guardano davvero. I sistemi fleet-based connessi al cloud gestiscono questa cosa nativamente perché sono network-first per design. Le vecchie stazioni fisse hanno spesso bisogno di un connettore SCADA o historian dedicato, e quello è uno dei costi nascosti del loro TCO a tre anni. I team IT interni che già gestiscono la spina dorsale MES si risparmieranno settimane di lavoro trattando il feed di vision come un altro endpoint di rete invece che come un link seriale fatto su misura.

Qual è il ROI di un sistema di machine vision?

Tre numeri guidano il calcolo del payback: il costo dei difetti che il sistema prende, il lavoro che sostituisce o aumenta, e il suo costo di vita. Una linea che spedisce 200.000 pezzi all'anno con un tasso di escape dello 0,5 percento a 12 euro per difetto (rilavorazione, nota di credito al cliente, logistica) sta perdendo 12.000 euro all'anno prima ancora che entri in scena un sistema di vision. Prendere l'80 percento di quegli escape ripaga un sistema fleet-based da 25.000 euro in 2,6 anni e una stazione fissa da 90.000 euro in 9,4 anni.

La riduzione di manodopera è la seconda leva. Un ispettore full-time a un costo aziendale di 50.000 euro all'anno è il budget contro cui compete l'ispezione automatizzata. Se il sistema copre il 60 percento dei task di quella persona, il risparmio è di 30.000 euro all'anno, che da solo ripaga la maggior parte dei deployment fleet-based dentro i 12 mesi e libera l'ispettore per ottimizzare i casi più difficili.

La terza leva è a monte. Prendere un difetto alla stazione 4 invece che a fine linea risparmia il costo di lavorazione di ogni operazione tra quei due punti. Su una linea di assemblaggio a 12 passi, sono spesso da tre a cinque euro a pezzo oltre al costo originario del difetto. I modelli di ROI che ignorano i risparmi a monte sottostimano il valore della vision in linea del 30-50 percento.

Come si fa una shortlist di sistemi di machine vision senza pentirsene?

Tre domande tagliano in due la maggior parte delle shortlist. Si mappano direttamente sui requisiti applicativi che la tua linea ha davvero, non sulla feature list che un vendor vuole vendere.

Primo, quante varianti deve gestire il sistema nel suo primo anno di vita? Se la risposta è più di tre, il rule-based è quasi sicuramente la scelta sbagliata, indipendentemente da quanto basso sia il prezzo per pezzo.

Secondo, cosa succede se il catalogo difetti cambia? Chiedi al vendor il processo esatto e i tempi per aggiungere una nuova classe di difetto dopo il go-live. Una buona risposta si misura in ore e la può fare un operatore di linea. Una cattiva risposta si misura in settimane e richiede una visita in stabilimento. Stessa domanda vale per il riaddestramento del modello, le modifiche di system design e ogni ritocco che gli stessi ingegneri del vendor devono fare dietro le quinte.

Terzo, qual è il costo totale di proprietà a tre anni, non il prezzo di listino? Un sistema fixed-line rule-based a 40.000 euro di listino spesso costa 120.000 euro in tre anni una volta che conti integrazione, riprogrammazione per cambi prodotto e contratto di manutenzione. Un sistema AI fleet-based a 500 euro per dispositivo al mese fa 18.000 euro in tre anni e copre gli aggiornamenti.

Se vuoi andare più a fondo sui criteri d'acquisto, la nostra guida all'acquisto di software per l'ispezione visiva elenca le dieci domande funzionali che vediamo che i clienti vorrebbero aver fatto prima di firmare.

Come si parte coi sistemi di machine vision?

Se stai valutando sistemi di machine vision proprio adesso, il modo più rapido per imparare cosa si adatta alla tua linea è far girare un pilota di due settimane su un solo task di ispezione. Prendi il difetto che genera più reclami, raccogli 200 immagini di riferimento di pezzi conformi e vedi se un sistema AI riesce a segnalare quelli non conformi senza che gli si dica cosa cercare.

Un pilota fleet-based su iPhone costa sotto i 1.000 euro di hardware per provarci. Servono un iPhone ricondizionato, una lampada, cavi e un supporto. Un sistema classico fixed-line costa 60.000 euro solo per arrivare a un'offerta. L'esperimento costa meno della RFP, e le immagini di alta qualità che produce un telefono moderno bastano per validare se il problema di ispezione è anche solo trattabile prima che parta qualunque ciclo di acquisto.

Per una shortlist curata di vendor AI-based che servono questo spazio, vedi il nostro confronto dei migliori sistemi AI di machine vision per il 2026, che assegna un punteggio a otto vendor su profondità di integrazione, time-to-first-inspection e costo totale di proprietà.

Domande frequenti

Quanto è accurato un sistema di machine vision su una linea di produzione?

L'accuratezza al primo giorno su un difetto ben definito si attesta tra l'80 e il 90 percento per i sistemi AI e tra il 90 e il 99 percento per i sistemi rule-based su semplici controlli binari. Dopo loop di feedback su dati di produzione, l'accuratezza AI sale al 95-99 percento, mentre quella rule-based resta dove è partita ma si rompe nel momento in cui i prodotti variano. Il numero che ottieni davvero dipende dalle condizioni di illuminazione, dalla dimensione e qualità dei dati di training, e da quanto è grande il difetto rispetto ai pixel del sensore.

Quanto ci vuole a installare un sistema di machine vision?

I sistemi tradizionali fixed-line richiedono da quattro a otto settimane dall'ordine alla prima ispezione: due-quattro settimane per spedizione e installazione hardware, poi altre due settimane per commissioning e programmazione delle regole. I sistemi AI fleet-based partono in giorni. Spacchetti un iPhone, lo fissi a un supporto, addestri un modello su 200 immagini di riferimento e cominci a ispezionare. Il rovescio è che i sistemi fixed-line gestiscono throughput più alto una volta in marcia, mentre i sistemi fleet-based sono più facili da riallocare quando il mix prodotto cambia.

Un sistema di machine vision riesce a gestire più varianti prodotto?

I sistemi AI-based gestiscono bene le varianti. Raccogli qualche centinaio di nuove immagini di riferimento per ogni variante e il modello si adatta in ore. I sistemi rule-based fanno fatica con le varianti perché ogni nuovo prodotto tipicamente richiede una visita dell'integratore e un nuovo giro di programmazione. Se la tua linea fa più di tre varianti all'anno, fattorizza quella differenza nel tuo costo totale di proprietà prima di firmare l'ordine.

Quanto costa un sistema di machine vision nel 2026?

I sistemi fixed-line costano da 20.000 a 80.000 euro per stazione di ispezione, più costi di integratore tra 5.000 e 15.000 euro e un contratto annuale di manutenzione. I sistemi AI fleet-based su iPhone stanno sotto i 1.000 euro di hardware (iPhone ricondizionato, lampada, supporto, cavi) più un abbonamento software che tipicamente fa 300-600 euro per dispositivo al mese. In tre anni, l'architettura che scegli pesa più sul costo totale del brand o della feature list.

Smart camera o PC-based: quale modello di deployment è meglio?

Le smart camera vincono su ispezioni semplici a singola camera dove la logica è prevedibile e la linea ha vincoli di spazio. I sistemi PC-based vincono quando ti servono più camere, pipeline complesse, modelli AI pesanti o un'integrazione stretta con codice custom. Una regola pratica: se l'ispezione fa girare più di tre regole o un modello deep learning che non sta sulla smart camera, il percorso PC-based costa meno in tre anni anche se il primo giorno sembra più caro.

Devi scegliere una camera line scan o area scan?

L'area scan copre quasi ogni ispezione di pezzi discreti in fabbrica: bottiglie, cartoni, componenti lavorati, elettronica. La line scan è la risposta giusta per l'ispezione di nastri continui (carta, film, vetro, lamiera) e per acquisizioni ad altissima risoluzione lungo la direzione di marcia. Se il tuo pezzo si ferma, viene fotografato e poi si muove, l'area scan è corretta. Se il tuo materiale si muove in continuo e ti serve ogni millimetro ad alta risoluzione, la line scan è corretta.

Quanto ci vuole di solito per integrare un sistema di machine vision?

I tempi di integrazione di sistema dipendono dall'architettura. Le stazioni PC-based fixed-line hanno tipicamente bisogno di due-quattro settimane di system design, altre due settimane di cablaggio e integrazione PLC, e altre due-quattro settimane di validazione contro campioni dorati prima che il responsabile di linea metta la firma. I deployment fleet-based comprimono la maggior parte di questa roba in giorni perché dispositivo, modello ed endpoint di rete sono pre-integrati. I team di engineering interni che già parlano EtherNet/IP e OPC UA si risparmiano un'altra settimana su entrambi i percorsi.

Punti chiave

• Un sistema di machine vision ha quattro livelli (camera, illuminazione, software, trigger) e converte le immagini di prodotto in decisioni di accetto o scarto in tempo reale, di solito sotto il secondo.
• Tre assi architetturali guidano la maggior parte delle decisioni: rule-based contro AI, singola camera contro multi-camera, fixed-line contro fleet-based.
• Tipo di sensore, setup di illuminazione e modello di deployment (PC-based, smart camera o embedded edge) plasmano capex, footprint e quanta parte del sistema può essere riutilizzata quando il mix prodotto cambia.
• I sistemi AI-based gestiscono varianti prodotto e cataloghi difetti che cambiano senza riprogrammazione, e questo conta soprattutto quando la tua linea fa più di tre varianti all'anno.
• L'ispezione fleet-based su iPhone sostituisce stazioni fisse da 80.000 euro per controlli di superficie, verifica di assemblaggio e presenza a una frazione del costo di vita.
• Il costo totale di proprietà a tre anni di solito batte il prezzo di listino come metrica decisionale migliore: un sistema fixed-line a 40.000 euro di listino spesso costa 120.000 euro in tre anni.