Ogni linea di produzione ha lo stesso problema: gli ispettori umani si lasciano sfuggire qualcosa. Non perché siano disattenti, ma perché il compito è fondamentalmente disumano — fissare migliaia di pezzi identici all'ora, cercando deviazioni sub-millimetriche.

Abbiamo costruito un sistema che non sbatte le palpebre.

Il Problema

Un fornitore automotive europeo gestiva ispezioni manuali su tre turni nella linea di stampaggio. Il tasso di difetti sfuggiti si aggirava intorno al 2,3%, che sembra poco finché non si calcolano i costi di un richiamo. Ogni difetto sfuggito che raggiungeva l'OEM innescava penali, costi di rilavorazione e danni relazionali che si accumulavano trimestre dopo trimestre.

Avevano già provato sistemi di visione basati su regole. I risultati erano deludenti — troppi falsi positivi facevano sì che gli operatori ignorassero completamente gli allarmi.

Il Nostro Approccio

Abbiamo implementato una pipeline di computer vision multi-stadio utilizzando il motore di inferenza di Cognity:

  • Fase 1: Screening ad alta velocità — Un modello leggero in esecuzione su hardware edge classifica i pezzi come passa/revisione/scarto alla velocità della linea (1.200 pezzi/ora). Latenza sotto i 15ms.
  • Fase 2: Analisi dettagliata — I pezzi segnalati per revisione vengono instradati a una stazione secondaria dove un modello a risoluzione maggiore esamina geometria superficiale, uniformità del rivestimento e tolleranze dimensionali.
  • Fase 3: Apprendimento continuo — Ogni override dell'operatore alimenta la pipeline di training. Il sistema migliora ogni settimana.

L'Architettura

I nodi edge eseguono modelli quantizzati su hardware NVIDIA Jetson. I dati grezzi delle immagini vengono trasmessi all'istanza Cognity on-premise per training e analytics, ma l'inferenza avviene interamente all'edge — nessuna dipendenza dal cloud, nessun picco di latenza.

Array Telecamere → Nodo Edge (inferenza) → Integrazione PLC → Controllo Linea
                        ↓
                  Cognity Hub (training, analytics, aggiornamenti modello)

Ci siamo integrati direttamente con l'infrastruttura PLC esistente via OPC-UA, il che ha significato zero modifiche alla logica di controllo della linea. Il sistema di visione agisce come un advisor — segnala, ma il PLC prende la decisione stop/go basandosi su soglie configurabili.

Risultati

Dopo 90 giorni in produzione:

  • Tasso di difetti sfuggiti: 2,3% → 0,14%
  • Tasso di falsi positivi: Sotto lo 0,5% (in calo dal 12% con il precedente sistema basato su regole)
  • Throughput di ispezione: Aumento 3x — un operatore ora copre tre linee
  • Payback ROI: 4,2 mesi

La metrica più significativa non era nella dashboard. Era il cambiamento nel comportamento degli operatori. Invece di ignorare gli allarmi, hanno iniziato a fidarsi del sistema. Quando segnalava qualcosa, indagavano. Quel ciclo di fiducia è ciò che fa la differenza tra una demo tecnologica e un sistema in produzione.

Cosa Abbiamo Imparato

Tre cose ci hanno sorpreso:

  1. L'illuminazione conta più dell'architettura del modello. Abbiamo dedicato più tempo al design dell'array LED e al posizionamento dei diffusori che al tuning della rete neurale. Un'illuminazione consistente ha eliminato il 60% dei falsi positivi prima ancora di toccare il modello.

  2. Gli operatori sono i migliori annotatori. La loro competenza di dominio ha prodotto dati di training di ordini di grandezza migliori rispetto all'annotazione in crowdsourcing. Abbiamo costruito un'interfaccia di etichettatura semplice direttamente nella stazione di ispezione.

  3. La parte difficile è l'integrazione, non l'AI. Far comunicare il sistema di visione con un PLC di 15 anni via OPC-UA con requisiti di timing deterministico è stata la vera sfida ingegneristica. Il training del modello è stata la parte facile.

Guardando Avanti

Stiamo ora estendendo questo sistema per coprire l'ispezione delle saldature e il rilevamento dei difetti di verniciatura. L'architettura è la stessa — inferenza edge, training centralizzato, integrazione PLC. I modelli sono diversi, ma la pipeline è collaudata.

Se la vostra linea di produzione si basa ancora sull'ispezione visiva umana per il controllo qualità, la tecnologia per cambiare questo è matura e implementabile. La domanda non è se la visione AI funziona nella produzione. Funziona. La domanda è quanto velocemente potete integrarla nella vostra infrastruttura esistente senza interrompere la produzione.

Questo è il problema che risolviamo.