ANALISI

Pervasive AI: come applicare Computer vision e Intelligent automation nel manufacturing



Indirizzo copiato

L’intelligenza artificiale può risultare decisiva in ambiti come la gestione della complessità, la manutenzione e la qualità predittiva, fino alla produttività della forza lavoro e all’ottimizzazione della logistica

Pubblicato il 4 gen 2024

Luca Gaia

Manager di Iconsulting



AI manufacturing

AI e manufacturing, un’alleanza perfetta. Le aziende del settore manifatturiero hanno un obiettivo sempre più stringente: portare vantaggi tangibili in termini di efficienza e automazione, abbassando di conseguenza molteplici costi. Le sfide per raggiungere questo risultato sono tante.

AI e manufacturing, gli ambiti di applicazione

L’intelligenza artificiale può risultare decisiva in diversi ambiti: dalla gestione della complessità alla manutenzione e qualità predittiva fino alla produttività della forza lavoro e all’ottimizzazione della logistica.

  1. Complexity management: l’AI è un facilitatore per eccellenza della gestione della complessità, sia in accezione tecnologica che di processo. Per quanto riguarda la parte tecnologica, l’AI si pone tra l’uomo e la macchina, colmandone il gap tecnico. In merito, invece, al processo, ne agevola diverse mansioni e attività. Ecco perché sempre più spesso si parla di Digital Twin, un modello di rappresentazione digitale e dinamica di un’intera linea produttiva o di un singolo impianto che offre l’opportunità di misurare effettivamente lo stato di salute delle macchine, intercettare eventuali problematiche, effettuare delle simulazioni e gestire un grande numero di casistiche.
  2. Predictive maintenance e Predictive quality: l’intelligenza artificiale permette di accedere e creare valore a partire da tutti quei dati che l’impianto, la macchina e la sensoristica producono. Attraverso un’attenta analisi dei dati e l’identificazione di pattern all’interno di essi, si è poi in grado di individuare con anticipo ipotetici guasti o malfunzionamenti e quindi di intervenire nella maniera più opportuna per scongiurare fermi produttivi. Con la Predictive quality, ci si sposta dalla macchina al prodotto finito per efficientare il processo di controllo qualità.
  3. Workforce productivity: con l’intervento dell’AI, che implica automazione, è possibile alleggerire gli operatori umani da task ripetitivi, a basso valore aggiunto e fortemente time consuming spostando il loro focus su attività di maggior rilievo.
  4. Stock & logistic: modelli di Machine learning consentono di ottimizzare tutto il processo di tracciabilità del prodotto nei magazzini, gli spazi e la logistica. Immaginiamo fabbriche nella cui parte di logistica non sono coinvolti esseri umani, ma macchinari che si muovono autonomamente e che, grazie all’AI, riescono a gestire il dispatch e l’organizzazione nello stabilimento di tutti i prodotti in maniera molto più efficiente e ordinata di quanto possibile mediante l’operatività umana, gestendo gli spazi in maniera più efficace.

Image Metadata Tagging e Defect Detection, come funzionano

Per affiancare le aziende del settore manifatturiero nell’ottimizzazione di costi, tempi e risorse, realizziamo soluzioni di Computer vision che generano numerosi benefici nel processo produttivo a partire dall’analisi di immagini.

Combinando tecniche di Object Detection, Text Extraction e Object Positioning, creiamo soluzioni di Image Data Tagging capaci di efficientare la tracciabilità del prodotto all’interno di stabilimenti industriali e magazzini. Sviluppate con i servizi messi a disposizione dei principali cloud vendor presenti sul mercato (es: Rekognition e Textract di AWS), tali soluzioni consentono ad esempio di automatizzare il recupero di ogni informazione e metadato codificati nelle etichette affisse sopra i prodotti.

Come? Attraverso l’Object Detection vengono identificate in ogni immagine fotografica tutte le occorrenze di prodotto finito e tutte le relative etichette affisse. Successivamente, nella fase di Text extraction si estrae il contenuto informativo dei metadati che poi vengono fatti “metabolizzare” dalla data platform del cliente. Infine, con l’Object positioning si procede alla connotazione posizionale di ogni singolo oggetto all’interno dell’immagine. Quest’ultima fase è particolarmente importante per superare criticità frequenti nei processi di fabbrica come il riconoscimento di eventuali etichette non correttamente applicate ai prodotti. Una volta individuato l’errore, l’operatore umano può intervenire direttamente sul caso specifico.

Soluzioni di Defect detection, invece, permettono per esempio di automatizzare il processo di catalogazione dei prodotti finiti e indentificare quelli difettosi, anche e soprattutto laddove i difetti sono quasi impercettibili all’occhio umano. Una soluzione come questa, realizzata con i servizi AWS di Rekognition e Lookout For Vision, coglie rapidamente e con estrema precisione ogni difettosità, distinguendo il singolo prodotto come “corretto” o “difettato”, e si concentra sul prodotto difettato per segmentare ulteriormente le tipologie di errore in maniera completamente automatica.

AI manufacturing

AI e manufacturing, un approccio analitico in cinque fasi

L’approccio analitico che utilizziamo per realizzare questo tipo di soluzioni è riassumibile in cinque fasi:

  1. raccolta delle immagini per un buon dataset di partenza;
  2. pre-processing dell’immagine: per capire quali azioni eseguire al fine di rendere le immagini omogenee e pronte agli step successivi della filiera;
  3. annotazione dei difetti: insegniamo alla macchina a riconoscere le imperfezioni, come un buco da una cricca, ottenendo così una moderazione di intervento umano sopra il modello;
  4. allenamento del modello sottoponendo nuove immagini;
  5. inferenza: una volta allenato, sarà il modello a fornire la risposta.

Tra gli elementi differenzianti che ci hanno permesso di creare una soluzione di AI in grado di aumentare l’efficienza, generare un forte risparmio di tempo e impiegare gli operatori umani in attività a valore aggiunto, c’è l’approccio “end-to-end”. Una metodologia che impieghiamo sia per la componente hardware sia per quella software, anche grazie a numerose partnership.

A questo, si aggiungono gli approcci open architecture e vendor independent, così come una serie di acceleratori di progetto, tra cui tecniche di data augmentation o data profiling che, in base all’esperienza maturata sul campo, caliamo sistematicamente e opportunamente nel contesto progettuale su cui stiamo lavorando.

Articoli correlati