GN Quality Assurance è il sistema di Intelligenza Artificiale realizzato da GN Techonomy per l’individuazione, il riconoscimento e la classificazione dei difetti di produzione

Il controllo qualità è stato un fattore chiave nella produzione fin da quando Henry Ford ha introdotto per la prima volta la catena di montaggio. L’idea era che, se ogni individuo avesse fatto la sua parte nel processo di produzione in modo ottimale, il prodotto finale sarebbe stato di qualità.

Oggigiorno, questa convinzione è cambiata, anche perché i macchinari hanno sostituito molti processi manuali. Tuttavia, il controllo della qualità rimane una delle maggiori problematiche: molte aziende sostengono costi legati alla qualità che, a causa di difetti di produzione, arrivano fino al 15-20% del fatturato. La Commissione europea ha inoltre stimato che in alcuni settori il 50% della produzione viene scartato, mentre in complesse linee di produzione questo tasso può raggiungere addirittura il 90%.

Per le aziende produttrici, la problematica più grande in merito alla qualità risiede nel fatto che una leggera variazione nei processi o nei materiali utilizzati – spesso invisibile all’occhio umano – può rendere difettosa l’intera produzione. Quindi, per garantire che prodotti difettosi non raggiungano l’utente finale, le aziende si sono dotate di estese procedure per il controllo di qualità post-produzione. Tuttavia, affidarsi a pratiche manuali di ispezione dei difetti post-realizzazione del prodotto implica che, per migliaia di articoli, il difetto viene scoperto solo dopo aver sostenuto significativi costi di produzione.

In questo contesto, si inseriscono le moderne tecnologie che offrono alle imprese molteplici opportunità per migliorare processi routinari ormai non più al passo con i tempi. Un’applicazione delle tecniche di Machine Learning è legata all’analisi di immagini per il riconoscimento e la classificazione di oggetti. A tal proposito GN Techonomy ha realizzato sistemi di Artificial Intelligence specializzati nell’individuare eventuali difetti di fabbricazione con maggiore anticipo nella catena produttiva. Tale approccio unisce avanzate tecniche di Computer Vision, per analisi e pre-processing delle immagini, all’utilizzo di Reti Neurali per riconoscimento e catalogazione dei difetti: l’intervento umano può essere così ridotto anche di oltre il 90%. In questo modo, l’impresa non sarà più legata all’occhio esperto dell’operatore, ma avrà a disposizione un sistema di monitoraggio della qualità che analizzerà e catalogherà in automatico eventuali errori e parti difettose.

In aggiunta, tecniche di auto-apprendimento supervisionato guidano l’evoluzione del prodotto nel tempo, affinandone la precisione. La flessibilità dell’approccio rende questo sistema adattabile ed applicabile a differenti tipologie di prodotto, assicurando un monitoraggio capillare della produzione con conseguenti vantaggi in termini di costi, tempi e tutela della qualità del prodotto.

I vantaggi di un’Ispezione Ottica Automatizzata sono pertanto molteplici:

• Questo sistema consente il riconoscimento tempestivo dei veri difetti nei processi di produzione, garantendo l’alta qualità dell’articolo prima che passi da una fase di produzione all’altra.
• Migliora il processo di riconoscimento dei veri difetti, con possibilità di identificare l’esatto pezzo difettato e la possibilità di replicare il modello estendendolo su più linee di produzione.
• Limita in maniera considerevole l’intervento umano.
• Aiuta a raccogliere statistiche storiche e di produzione utilizzate per migliorare l’intera linea di produzione.
• Contribuisce a ridurre gli sprechi di materiale, i costi di riparazione e rilavorazione, nonché i tempi e le spese di manodopera per la produzione.

Il processo di identificazione del difetto è costituito da due fasi.

1. INDIVIDUAZIONE DEL DIFETTO

In prima battuta, vengono utilizzate sofisticate tecniche di Computer Vision e Machine Vision al fine di individuare, all’interno dell’immagine originaria, un’area sospetta che potrebbe considerarsi “anomala”, ritagliare tale dettaglio e operare una prima classificazione in base alla grandezza dell’errore. 
Si procede all’estrazione del dettaglio per le immagini che soddisfano i requisiti minimi, in termini di dimensioni, in modo tale da poterle considerare un possibile difetto.
Le immagini così estratte sono pronte per il secondo passo del processo di analisi, ovvero la classificazione vera e propria.

2. CLASSIFICAZIONE

In seconda battuta, una Rete Neurale Convoluzionale (CNN) viene utilizzata per la classificazione dell’immagine ritagliata come difetto o come non difetto. Le immagini ritagliate al primo step vengono date in input alla rete che valuta a quale delle due classi (difetto/non difetto), ciascuna immagine appartiene. La CNN restituisce in output un vettore di due elementi, ognuno dei quali rappresenta la probabilità di appartenenza a ciascuna delle due classi. 
Le immagini catalogate in difetti/non difetti vengono divise in tre data set:

1. Data set di Training (60%)
2. Data set di Validation (20%)
3. Data set di Test (20%)

Si utilizza il data set di training per addestrare la rete neurale a distinguere tra i veri difetti e quelli che non lo sono. Successivamente, si testa la validità del modello, in termini di errore e accuratezza, confrontando i risultati ottenuti sui data set di training e di validazione. Si procede modificando gli iper-parametri della rete finché non si raggiungono i risultati desiderati.
In conclusione, si verifica l’efficacia del modello risultante dal data set di test.

GN Quality Assurance è quindi il punto di partenza per avvicinarsi sempre di più al “Golden Lot” ed arrivare così ad ottimizzare il proprio processo di produzione in modo misurabile. Questo può poi dare il via a scenari di servitizzazione del prodotto e nuovi modelli di business.