Digitalizzare la produzione: Ivar Keulers, Field Application Engineering Manager, Machine Vision, EMEA, Zebra Technologies analizza cosa fare per affrontare le principali sfide.
Con l’evoluzione della mobilità elettrica, le soluzioni avanzate per il controllo qualità assumono un ruolo sempre più strategico nei processi industriali. Ne è un esempio l’iniziativa di un fornitore del settore automotive, specializzato in tecnologie di trattamento superficiale per la finitura di precisione dei componenti metallici. In particolare nella produzione dei tappi delle batterie per veicoli elettrici.
Come digitalizzare la produzione – Un esempio di successo
Per rispondere ai rigorosi requisiti di qualità e precisione richiesti per questi elementi, che devono garantire la protezione delle batterie dagli agenti esterni, l’azienda ha avviato una collaborazione con un system integrator. Esperto in soluzioni di machine vision, il professionista ha sviluppato un sistema in grado di migliorare la qualità produttiva di questi componenti critici. Il sistema impiegato è composto da una soluzione robotizzata guidata da visione, composta da un software di machine vision no-code basato su diagrammi di flusso e da tecnologie di deep learning. Una forma avanzata di intelligenza artificiale che abilita funzionalità evolute come l’OCR (riconoscimento ottico dei caratteri), il rilevamento delle anomalie, la classificazione e la segmentazione di istanze.
Migliorare la qualità attraverso una soluzione che evolve continuamente
Durante tutto il processo di ispezione, i tappi vengono movimentati da un braccio robotizzato guidato da un sistema di telecamere ad alta precisione. Questa soluzione, infatti, è in grado di rilevare anche le più minime imperfezioni superficiali, che potrebbero compromettere le performance del prodotto. I system integrator hanno apprezzato l’elevata velocità di sviluppo e l’efficienza del software nell’analizzare simultaneamente grandi volumi di immagini.
Oltre alla capacità della soluzione di evolvere continuamente grazie a un addestramento avanzato del modello tramite dei grandi dataset di immagini. Ciò permette al software di imparare a riconoscere e classificare difetti specifici. I set di dati visivi utilizzati in precedenza vengono caricati nel sistema, riaddestrato per introdurre nuovi criteri di ispezione o affinare il riconoscimento dei difetti. Questo consente alla soluzione di evolversi costantemente tramite il deep learning, rappresentando un vantaggio rispetto agli strumenti tradizionali. Spesso meno flessibili o scalabili in ambienti produttivi dinamici.
Cosa serve a costruttori, integratori e utenti
Questo esempio evidenzia come costruttori di macchinari, system integrator e engineers siano alla ricerca di soluzioni con tempi di sviluppo, implementazione e adozione rapidi. È fondamentale, inoltre, disporre di risorse di formazione, certificazione e supporto adeguate. Poiché le soluzioni di nuova generazione integrano sempre più spesso livelli di AI embedded in hardware e software per automatizzare in modo intelligente i processi.
Zebra Technologies, ecco i principali ostacoli alla trasformazione digitale
Tuttavia, secondo il Manufacturing Vision Studydi Zebra, il 67% dei responsabili nel settore manifatturiero dichiara di non sapere quali siano i primi passi per digitalizzare la produzione. Le principali sfide nella gestione della qualità riguardano la visibilità in tempo reale (28%), l’adeguamento a nuovi standard e normative (28%), l’integrazione dei dati (26%) e la tracciabilità (23%). Tra gli ostacoli alla trasformazione digitale: l’aggiornamento tecnologico continuo, la disponibilità delle risorse e la scalabilità delle soluzioni, dal progetto pilota all’implementazione su scala.
Come digitalizzare la produzione – Il valore del cloud per il deep learning
Per questo i responsabili delle tecnologie operative si affidano sempre di più ai costruttori di macchinari e ai system integrator per consulenza, proof of concept, test pilota e supporto, in modo da ridurre i rischi e accelerare l’adozione su larga scala. L’esempio descritto dimostra quanto sia cruciale acquisire dati relativi a difetti e anomalie mediante telecamere per machine vision, sensori intelligenti o soluzioni di scansione 3D per migliorare processi di ispezione visiva nel settore automotive.
Il ruolo del cloud in questo processo secondo Zebra Technologies
Con costruttori e systems integrators sempre più orientati a operare come esperti di dati e AI, cresce l’interesse verso il potenziale del cloud per abbattere silos informativi, agevolare la condivisione e l’annotazione dei dati. Oltre a supportare l’addestramento e la validazione di modelli di deep learning. Il cloud può abilitare livelli più alti di accuratezza nell’ispezione visiva, modelli di intelligenza artificiale più evoluti e nuove possibilità di scalare i dati e le soluzioni AI-ready tra flussi di lavoro, stabilimenti e regioni.
Alcune soluzioni
Le soluzioni di machine vision consentono agli utenti di gestire in modo sicuro i dati provenienti da diverse sedi produttive. I modelli di deep learning possono così usufruire di un bacino di dati più ampio, diversificato e aggiornato, migliorando la collaborazione tra i team. Inoltre, le piattaforme permettono il deployment dei modelli anche in locale, su PC o dispositivi edge, per automatizzare i processi ovunque si trovino operatori.
