Il controllo visivo non si ferma al riconoscere il difetto: VisionControl porta l'ispezione su una linea che gira davvero, con acquisizione sul trigger, esito entro il tempo ciclo e scarto automatico. Gira dentro il perimetro di fabbrica: le immagini di produzione non escono dallo stabilimento.
Cosa risolve
- Il controllo a campione lascia passare i difetti fra un campione e l'altro, e il controllo al 100% affidato alle persone non regge il ritmo della linea
- Fra la prova riuscita in laboratorio e l'impianto che scarta da solo c'e' tutto il lavoro vero: sincronizzazione sul trigger, tempo ciclo, illuminazione non controllata, comando di scarto
- I difetti cambiano quando cambia il processo: un modello addestrato una volta si degrada e nessuno se ne accorge finche' non arrivano i resi
- Le suite di visione dei grandi vendor si pagano due volte, licenza di sviluppo piu' licenza di runtime, e nessuno pubblica i prezzi: non ci si fa un'idea del costo senza aprire una trattativa
VisionControl e' un sistema di visione artificiale per il controllo qualita' in
linea: acquisisce l'immagine del pezzo sul trigger della macchina, decide entro
il tempo ciclo e comanda lo scarto del pezzo non conforme. Gira on-premise,
dentro il perimetro di fabbrica: le immagini di produzione non escono dallo
stabilimento.
Il differenziale non e' riconoscere il difetto — lo fa qualunque libreria di
visione — ma arrivare in produzione su una linea che gira: acquisizione
sincronizzata, decisione entro il tempo ciclo, scarto automatico e un modello
addestrato sui difetti veri di quel cliente, non su un dataset di laboratorio.
Cosa fa
| Area |
A cosa serve |
| Acquisizione da campo |
Scatto sincronizzato sul trigger GPIO della macchina, gestione di telecamere singole e di gruppi (griglia, viste multiple, composita) |
| Motore di ispezione |
Confronto con il pezzo master, soglie geometriche, esito passa/scarta entro il tempo ciclo |
| Rilevamento anomalie |
Modelli addestrati sui difetti reali del cliente (PatchCore, PaDiM, EfficientAd) per i difetti che non si descrivono con una regola |
| Plugin di ispezione |
21 plugin caricati a runtime: si aggiunge un controllo senza toccare il motore |
| Pipeline di scarto |
Comando di reject verso la macchina, con backend GPIO reale o simulato per la messa a punto |
| Robustezza alla luce |
Bilanciamento del bianco gray-world, CLAHE e aree di interesse, per reggere l'illuminazione ambientale non controllata |
| Ghosting temporale |
Sovrapposizione master/acquisizione e mappa di calore dei difetti, per capire dove sta sbagliando la linea |
| Analisi di tendenza e deriva |
Rilevamento della deriva sugli esiti con alert automatico via email, soglia per telecamera e cooldown |
| Active learning |
L'operatore marca falsi positivi, falsi negativi e casi borderline: il modello si corregge sui difetti della linea reale |
| Import di dati di processo |
Excel, CSV e database esterni, per correlare l'esito dell'ispezione con i dati di produzione |
| Tracciabilita' |
Registro append-only delle operazioni e storico degli esiti |
Come si mette in linea
- Studio di fattibilita' sui campioni del cliente — si misura la resa sui
pezzi veri prima di impegnarsi, non su immagini di catalogo.
- Addestramento del modello sui difetti reali — e' il lavoro che apre i
progetti, ed e' quello che separa una prova riuscita da un impianto che
produce.
- Taratura sulla linea — sincronizzazione sul trigger, tempo ciclo,
illuminazione, comando di scarto.
- Sorveglianza e ritaratura — i difetti cambiano quando cambia il processo:
il modello va riverificato nel tempo.
Architettura
- Backend: Python 3.11, FastAPI, SQLAlchemy 2 async, Alembic, Pydantic v2.
- Frontend: React 18, Vite, TypeScript, Tailwind, shadcn/ui.
- Elaborazione asincrona: worker Celery per inferenza e import.
- Plugin: moduli Python caricati a runtime dalla cartella dei plugin.
- Dati: PostgreSQL.
Requisiti
- Distribuzione on-premise nello stabilimento; PostgreSQL 14 o superiore.
- Telecamere industriali con trigger disponibile (GPIO), oppure sorgente video
in rete per le configurazioni di sola supervisione.
- Per il comando di scarto: I/O digitali verso la macchina. In assenza, il
backend GPIO simulato permette di tarare tutto il resto.
- Accesso ai pezzi campione, conformi e difettosi, per l'addestramento del
modello: e' il prerequisito che determina la resa del sistema.
Report e dossier
Report di scartoPDF
Documenta il pezzo scartato con l'immagine e il riquadro del difetto sovrapposto: la prova di cosa e' stato scartato e perche'.
Cruscotto di active learningVista applicativa
Falsi positivi, falsi negativi e casi borderline segnalati dall'operatore, per correggere il modello sui difetti della linea reale.
Alert di derivaEmail
Segnalazione automatica quando l'andamento degli esiti si discosta dalla norma, con soglia per telecamera e cooldown.
Storico degli esiti e registro operazioniVista applicativa
Esiti di ispezione nel tempo e registro append-only delle operazioni, per la tracciabilita' interna.
Domande frequenti
Su quali ambiti lavora VisionControl?
Due, con esigenze molto diverse. Biomedicale: analisi della postura e screening della pelle con le caratteristiche ABCDE. Industriale: controllo di difetti superficiali e strutturali su linea di produzione.
Come decide se un pezzo è difettoso?
Con due meccanismi che si completano: il confronto a livello di pixel con un pezzo di riferimento, e il rilevamento di anomalie con modelli addestrati sul buono anziché sul difettoso. L'acquisizione è sincronizzata sul segnale della macchina e lo scarto può essere comandato in automatico.
Funziona se la luce in reparto cambia durante la giornata?
È uno dei problemi che rendono inutilizzabile un sistema di visione, e VisionControl lo affronta con bilanciamento del bianco, equalizzazione adattiva del contrasto e delimitazione della regione da esaminare. Non fa miracoli su un'illuminazione sbagliata, ma tollera la variazione normale di un capannone con le finestre.
Si può correggere quando sbaglia?
Sì, ed è previsto fin dall'inizio. L'operatore segnala gli errori e il sistema li raccoglie in una vista di falsi positivi, falsi negativi e casi incerti: è da lì che si capisce se il modello va riaddestrato o se è cambiato qualcosa in linea.
Si possono incrociare le misure con i dati di produzione?
Sì. VisionControl importa tabelle da Excel, CSV e database esterni, così una misura ricavata dall'immagine si può mettere accanto ai dati di processo o di anagrafica. È il modo in cui una difettosità diventa una correlazione invece di un conteggio.
Casi d'uso
In produzione su superfici riflettentiControllo di superfici verniciate e cromate su linea automotive
Ispezione dall'esterno di prodotti verniciati e cromati, il caso piu' ostile per la visione per via dei riflessi: bilanciamento del bianco gray-world, CLAHE e aree di interesse per reggere la luce ambientale, confronto con il master e rilevamento anomalie addestrato sui difetti reali della linea.
