Visione artificiale 3D basata su IA per l'ispezione di qualità automatizzata

SICK presenta nuove funzionalità di visione artificiale 3D basate su IA all'interno del suo software di base Nova, combinando algoritmi di deep learning con una precisa analisi dei dati spaziali di altezza. Questa soluzione di ispezione intelligente risponde a complesse esigenze di automazione nei settori della logistica, dell'elettronica, della produzione di batterie, dell'automotive e dei beni di consumo.

Integrazione di reti neurali con imaging spaziale 3D
I framework tradizionali di visione artificiale basati su regole mostrano limiti quando si tratta di rilevare difetti a basso contrasto o altamente variabili. Il software Nova aggiornato acquisisce un valore di altezza distinto per ogni pixel tramite sensori spaziali ad alta precisione, consentendo la ricostruzione di dati topologici 3D. Una rete neurale integrata direttamente nel software analizza questo dataset per eseguire controlli di qualità indipendenti da colore e contrasto. Unendo la comprensione spaziale all'intelligenza artificiale, il sistema isola anomalie che sfuggono alle convenzionali configurazioni di imaging 2D, mappando i difetti strutturali rilevati su una mappa di calore (heatmap) visiva delle anomalie.

Settori di applicazione industriale e casi d'uso tecnici
L'applicazione del deep learning all'analisi dell'altezza 3D consente il rilevamento dei difetti in ambienti automatizzati in cui il contrasto ottico standard non è sufficiente. Nei settori alimentare, delle bevande e dei beni di consumo, il sistema esegue l'ispezione delle deformazioni degli imballaggi misurando le deviazioni di altezza sulle superfici dei cartoni per identificare anomalie strutturali ad elevate velocità operative. Le operazioni logistiche utilizzano i dati spaziali per la verifica degli imballaggi a matrice, rilevando scatole vuote o oggetti mancanti all'interno dei contenitori (tote). Ulteriori applicazioni tecniche includono la verifica dell'assemblaggio e l'ispezione superficiale nella produzione di elettronica e batterie, oltre a controlli di completezza e riconoscimento ottico dei caratteri 3D (OCR) per la classificazione degli pneumatici nel settore automotive.




Addestramento on-device e installazione del sistema
L'architettura di visione artificiale utilizza una metodologia "teach-by-example", consentendo agli ingegneri di addestrare modelli di deep learning mediante dataset di esempio specifici del sito. La raccolta dati, l'addestramento del modello e l'esecuzione dell'ispezione avvengono interamente on-device, velocizzando i cambi lotto di produzione senza richiedere hardware di elaborazione esterno supplementare. Il pacchetto di strumenti si attiva tramite licenza software su hardware predefinito e mantiene gli strumenti tradizionali di visione artificiale basati su regole accanto alle funzioni di IA. Diego Quintana Tukasaki, Market Product Manager, ha sottolineato l'utilità tecnica del sistema, evidenziando come l'integrazione delle funzionalità di rete neurale nella piattaforma ampli i parametri di ispezione e "offra un maggiore controllo su dati e analisi per fornire soluzioni di ispezione intelligenti personalizzate, altamente accurate, configurabili e facili da addestrare."

Contesto aggiuntivo
Questa sezione illustra le specifiche tecniche e il benchmarking competitivo non inclusi nell'annuncio originale del prodotto.

L'integrazione del deep learning nei sensori di profilatura 3D è un segmento in evoluzione nel mercato dei sistemi di visione artificiale, che posiziona piattaforme come Nova in concorrenza con soluzioni ottiche industriali consolidate come Cognex In-Sight 3D-L4000 e la serie Keyence LJ-X8000. Mentre i profilatori 3D tradizionali si basano su rigidi algoritmi geometrici basati su regole (come l'analisi dei blob, il rilevamento dei bordi e l'intersezione dei piani), le architetture IA integrate consentono un rilevamento dei difetti localizzato e indipendente dalle caratteristiche geometriche predefinite. Il benchmarking di questi sistemi commerciali comporta in genere la valutazione della latenza nell'elaborazione della nuvola di punti, della ripetibilità lungo l'asse Z e delle capacità di elaborazione neurale integrate. Le soluzioni che eseguono sia l'addestramento della rete neurale sia l'inferenza direttamente sulla testa del sensore riducono la latenza di rete ed eliminano la dipendenza da PC industriali esterni, rappresentando un parametro di prestazione critico per le linee di produzione ad alta velocità.

Edito da Aishwarya Mambet, redattrice di Induportals, con il supporto dell’IA.

www.sick.com