Controllo automatico delle saldature a punti grazie alla visione artificiale

A cura di Stefano Grulli

Condividi

Edicola web

visione

Gli autori di questa ricerca mostrano un’interessante applicazione di visione artificiale per identificare il corretto fissaggio della cinghia d’imballaggio sulle bobine di lamiera. Sebbene ulteriori migliorie possano essere applicate al sistema sperimentale, i risultati sono promettenti.

Negli ultimi anni, l’industria manifatturiera ha sperimentato un’evoluzione senza precedenti grazie alla nuova rivoluzione industriale: Industria 4.0. Questa rivoluzione ha introdotto nuove tecnologie digitali e l’interconnessione di dispositivi intelligenti, aprendo le porte ad una nuova era nella produzione anche per la lamiera.

Le tecnologie digitali hanno introdotto un nuovo livello di automazione e controllo nei processi di produzione, migliorando l’efficienza e la precisione dei prodotti finali. Uno degli aspetti chiave di Industria 4.0 è la raccolta e l’analisi in tempo reale dei dati provenienti dai vari dispositivi e macchinari presenti in fabbrica. Questi dati vengono utilizzati per ottimizzare la produzione, identificare anomalie e migliorare la qualità. Inoltre, la tecnologia dell’Internet of Things (IoT) è diventata un elemento fondamentale nella produzione.

I dispositivi IoT possono essere utilizzati per monitorare e controllare le macchine e gli strumenti in tempo reale, consentendo un coordinamento più efficiente delle attività. Queste innovazioni stanno trasformando radicalmente il settore, aprendo nuove opportunità e consentendo alle aziende di rimanere competitive in un mercato sempre più globale e tecnologicamente avanzato.

Visione artificiale

Il controllo qualitativo è un passo chiave per ogni processo produttivo. Diverse metodologie sono utilizzate per esaminare i prodotti dal punto di vista funzionale o fisico, a partire dal controllo visivo da parte di un personale esperto. Tuttavia, l’efficienza del controllo umano può dipendere da diversi fattori come, ad esempio, la formazione dell’operatore o l’affaticamento durante la giornata lavorativa. I sistemi di visione artificiale utilizzano immagini digitali per riprodurre la vista umana.

Per visione non si intende solamente l’acquisizione di una fotografia, ma la vera e propria interpretazione del contenuto e l’informazione estrapolata così da poter compiere scelte in autonomia (es. scarto di un componente).

Solitamente i sistemi di visione artificiale sono composti dall’illuminazione, dalle camere, dalla stazione di processamento e dall’unità di controllo. Le fotocamere acquisiscono un segnale digitale che viene inviato ad un computer per l’interpretazione. Tramite algoritmi di analisi automatici, spesso basati su intelligenza artificiale, l’informazione viene estratta dall’immagine e in base ad essa è effettuata una decisione. Gli autori della ricerca mostrano un’interessante applicazione di visione artificiale per identificare il corretto fissaggio della cinghia d’imballaggio sulle bobine di lamiera.

Architettura del sistema

Il controllo della qualità su una cinghia di imballaggio per una bobina di lamiera è particolarmente importante sia per il fornitore che per l’utilizzatore. Questo per evitare problemi di sicurezza, anche durante il trasporto, e per agevolare le fasi di trasformazione. I ricercatori asiatici hanno quindi sviluppato un sistema di visione artificiale per controllare il numero di punti di saldatura e l’allineamento del supporto (“pad” in inglese) sulla cinghia d’imballaggio.

visione

Il sistema (Figura 1) è composto da due camere da 4 MP e da un apposito sistema di illuminazione. L’intelligenza del sistema è data da un computer con algoritmi in grado di interpretare le immagini e fornire informazioni all’operatore tramite un’interfaccia. È inoltre presente un PLC come interfaccia in grado di notificare all’addetto eventuali anomalie durante la produzione. Questo processo viene ripetuto ogni volta che il sensore laser, connesso al PLC, rileva l’arrivo di una nuova bobina.

Algoritmi intelligenti

Per valutare la qualità, è necessario creare un algoritmo in grado di identificare le regioni d’interesse ed analizzarle prima di effettuare una decisione in autonomia. I ricercatori hanno sviluppato un codice Python in grado di effettuare questa analisi. Per identificare il “pad” è stato impiegato una metodologia di deep learning. Si tratta di un algoritmo di intelligenza artificiale che, tramite diversi livelli di neuroni digitali collegati, simula l’intelligenza umana. Questi algoritmi sono chiamati “supervisionati”, hanno quindi bisogno di compiere una fase di addestramento in cui imparano il compito da eseguire.

Gli autori hanno quindi effettuato questa fase per permettere al sistema di imparare a riconoscere gli oggetti desiderati nelle immagini. Un altro algoritmo è stato invece sviluppato per individuare e contare i punti di saldatura. Le immagini sono quindi filtrate e trasformate in bianco e nero, così da aiutare l’identificazione dei punti. Successivamente un algoritmo apposito è stato impiegato per identificare i cerchi. L’obiettivo è infatti quello di contare i punti di saldatura che, solitamente, dovrebbero essere almeno due ben riconoscibili. Se i punti non sono ben identificabili o sono troppo piccoli, si potrebbe trattare di un difetto.

Interfaccia

Per controllare il funzionamento del sistema in tempo reale, adeguare i parametri e monitorare i risultati è stata creata un’interfaccia grafica. L’interfaccia (Figura 2) mostra i video da entrambe le camere in tempo reale, inoltre è possibile configurare alcune variabili di controllo e monitorare il processo. La valutazione del risultato viene rappresentata a destra: l’allineamento del “pad” e il numero di saldature viene mostrato insieme ad un giudizio sintetico relativo al passaggio del controllo qualitativo.

visione

I risultati sembrano essere molto interessanti. Il sistema è stato testato in un reale ambiente industriale ed è in grado di identificare diverse anomalie (Figura 3). In oltre il 90 % delle analisi sono stati identificati almeno due punti di saldatura. Invece i “pad” sono stati identificati in più dell’80% delle immagini analizzate. La sfida di applicare questo sistema di visione artificiale in un contesto reale è particolarmente complessa vista l’influenza di variabili non controllabili come, ad esempio, l’illuminazione. Per superare questo problema, data la variazione dell’illuminazione ambientale durante il giorno, è stata introdotta una soglia adattativa nell’analisi delle immagini. Questo permette di meglio gestire immagini più chiare a causa di fattori esterni, assicurando performance costanti per l’algoritmo.

I sistemi di visione artificiale sono ormai diventati indispensabili in ambiente industriale. Essi permettono di offrire performance di rilievo, specialmente su compiti specialistici e ripetitivi. In un contesto dove la qualità è fondamentale e deve essere coniugata con una riduzione dei costi, l’ausilio tecnologico è fondamentale. Oggi più che mai, gli algoritmi di intelligenza artificiale e machine learning permettono di aumentare la precisione di questi sistemi, ben adattandosi anche a compiti particolarmente complessi. Il risultato mostrato dagli autori della ricerca è di notevole interesse, soprattutto data l’installazione ed il funzionamento in un reale ambiente industriale.

visione

Questo poiché molte variabili non possono essere controllate e devono quindi essere gestite dal sistema. Le immagini sono state raccolte per più di un mese di produzione. Sebbene ulteriori migliorie possano essere applicate al sistema sperimentale, i risultati sono promettenti. Questo caso è esemplare anche per mostrare la possibile varietà di applicazioni di un sistema digitale innovativo in grado di aiutare la produzione assicurando la qualità dei componenti.

Fonte: Wiangtong, T., Wongkharn, S., & Sirisuk, P. (2023). Deployment of machine vision platform for checking spot welds on metal strap belts. 2023 International Electrical Engineering Congress (iEECON). https://doi.org/10.1109/ieecon56657.2023.10126530

Articoli correlati