Visione 3D AI per il controllo qualità in linea

Ogni componente difettoso che supera il collaudo finale costa più di quanto sembri: rilavorazioni, resi, contestazioni contrattuali e, nei settori regolati, rischi di non conformità. Le ispezioni manuali a campione, o le telecamere 2D con soglie fisse, faticano a intercettare difetti volumetrici come deformazioni, bave, mancanza di planarità o saldature fuori quota, soprattutto quando le linee accelerano e i lotti diventano sempre più eterogenei. Per chi decide investimenti in automazione, la visione 3D AI per il controllo qualità in linea è oggi una delle leve più concrete per ridurre scarti e fermi senza rallentare la produzione.

La promessa è semplice: misurare la geometria reale di ogni pezzo mentre transita, e affidare a un modello di intelligenza artificiale la decisione conforme/non conforme direttamente a bordo macchina, con latenze compatibili con il tempo ciclo. Il resto dell'articolo entra nel dettaglio di come si costruisce un sistema di questo tipo.

Visione 3D AI per il controllo qualità: dalla geometria alla decisione

Il primo nodo architetturale è la scelta del sensore. Le due famiglie principali sono la luce strutturata e la triangolazione laser. Secondo la documentazione di un costruttore di sensori come LMI Technologies, la luce strutturata è la soluzione ottimale quando il pezzo è fermo nel punto di ispezione e cattura il dato 3D completo in un singolo scatto; la triangolazione laser è invece la scelta indicata quando il pezzo è in movimento, come su un nastro o una linea di trasferimento, e richiede l'integrazione di un encoder nelle applicazioni a velocità variabile. Inoltre i laser, lavorando su lunghezze d'onda strette filtrabili, tollerano meglio l'illuminazione ambientale, mentre i sistemi a LED non presentano i rischi per la vista tipici della luce laser.

Per una linea continua, quindi, il profilo tipico è: sensore a triangolazione laser, encoder per sincronizzare l'acquisizione con l'avanzamento del nastro, e ricostruzione di una nuvola di punti (point cloud) o di una mappa di profondità per ogni pezzo. Il dato geometrico è poi normalizzato: allineamento rispetto a un riferimento, rimozione del piano di appoggio e filtraggio del rumore.

Dalla point cloud al modello: approcci di analisi

Sul dato 3D si possono applicare tre famiglie di tecniche, spesso combinate. La prima è la metrologia classica: confronto con il modello CAD, calcolo di quote, planarità e volumi, con tolleranze esplicite. È deterministica e tracciabile, ma non generalizza ai difetti imprevisti. La seconda è la classificazione supervisionata: una rete neurale addestrata su esempi etichettati di difetti noti. Funziona bene quando i difetti sono frequenti e ben definiti, ma richiede dataset ampi e costosi da etichettare.

La terza, particolarmente adatta alla produzione reale dove i difetti sono rari, è il rilevamento di anomalie non supervisionato: il modello viene addestrato esclusivamente su pezzi buoni, impara che cosa significa «normale» e segnala qualsiasi scostamento, anche mai visto prima. Anomalib, libreria open source mantenuta nell'ambito dell'Open Edge Platform di Intel e distribuita con licenza Apache 2.0, offre un'interfaccia unificata a 23 algoritmi di questo tipo, tra cui PatchCore, PaDiM ed EfficientAd. PatchCore, ad esempio, memorizza in una memory bank le feature di patch estratte da una CNN pre-addestrata e valuta ogni immagine in base alla distanza dal vicino più prossimo.

Sul fronte 3D, il dataset di riferimento per la ricerca è MVTec 3D-AD, un benchmark che fonde immagini RGB ad alta risoluzione con scansioni 3D precise (nuvole di punti) per valutare il rilevamento di anomalie non supervisionato. Combinare colore e geometria è un punto chiave: un graffio superficiale si vede meglio nel canale RGB, una deformazione o una bava emergono dal canale di profondità. Un sistema multimodale riduce sia i falsi negativi sia i falsi positivi.

Edge computing: inferenza a bordo linea

Portare i dati 3D in cloud per ogni pezzo non è sostenibile: banda, latenza e continuità operativa lo impediscono. L'inferenza va eseguita sull'edge, vicino al sensore. Per ambienti industriali una piattaforma di riferimento è NVIDIA Jetson AGX Orin Industrial: secondo NVIDIA offre fino a 248 TOPS di prestazioni AI con potenza configurabile tra 15 e 75 W, un intervallo di temperatura operativo esteso da -40 °C a 85 °C, una vita operativa di 10 anni e memoria DRAM con ECC in linea per la protezione dell'integrità dei dati. Il software di contorno comprende JetPack e lo stack Metropolis con DeepStream.

Lato modelli, Anomalib supporta l'esportazione verso OpenVINO per ottimizzare l'esecuzione su hardware Intel all'edge; per le piattaforme NVIDIA si ricorre tipicamente a formati di interscambio e a runtime di ottimizzazione specifici del vendor, da validare caso per caso sul carico reale. Tecniche come quantizzazione e pruning permettono di ridurre latenza e consumi, con una verifica sistematica della perdita di accuratezza.

Integrazione con PLC, MES e ciclo di vita del modello

Un sistema di ispezione utile non si limita a generare un punteggio di anomalia. Il risultato deve arrivare al PLC in tempo utile per comandare l'espulsore o deviare il pezzo, e deve essere registrato, insieme all'immagine e alla point cloud, nel sistema MES o nel data lake di stabilimento per garantire tracciabilità e analisi dei trend. Questo abilita il controllo statistico di processo: se la frequenza di un certo scostamento geometrico cresce, l'usura di uno stampo o una deriva di processo può essere intercettata prima che produca scarti.

Il modello, inoltre, non è un asset statico. Cambi di materiale, di fornitore o di illuminazione introducono deriva dei dati. Serve un processo di MLOps minimo: monitoraggio delle soglie e della distribuzione dei punteggi, raccolta dei casi dubbi da far rivedere a un operatore, riaddestramento controllato e rilascio versionato, con possibilità di rollback. La calibrazione periodica del sensore con artefatti di riferimento completa il quadro, perché un modello accurato su dati geometricamente distorti produce comunque decisioni sbagliate.

Vantaggio competitivo per il decision maker

Il valore della visione 3D AI per il controllo qualità non sta solo nel difetto trovato, ma nella decisione anticipata: meno scarti, meno reclami, dati oggettivi per documentare la conformità ai clienti e agli auditor, e un processo produttivo che si corregge prima di degradare. L'approccio non supervisionato abbassa la barriera d'ingresso, perché non richiede di raccogliere centinaia di difetti prima di partire, mentre l'inferenza edge protegge la riservatezza dei dati di produzione e garantisce tempi di risposta deterministici.

Il consiglio operativo è partire da una linea pilota: definire i difetti che pesano di più economicamente, scegliere il sensore in funzione del movimento del pezzo, validare il modello su pezzi reali e misurare falsi positivi e falsi negativi prima di scalare. Approfondire oggi la scelta di sensori, modelli e hardware edge significa arrivare alla prossima revisione dei costi di qualità con un vantaggio misurabile.