Objlab
PartnerområdeKundeområdeInternt område
← Tilbage til produkterneNiveau 2 - Produktark

VisionControl

Software Objlab da 4.800 €/anno
Niveau 3 - Kommerciel anmodning

Dette ark opsummerer værdi, pricing og use cases. Herfra kan du fortsætte til de dedikerede områder eller til kundeportalen som næste skridt.

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.

Hvad det løser

  • 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

  1. Studio di fattibilita' sui campioni del cliente — si misura la resa sui
    pezzi veri prima di impegnarsi, non su immagini di catalogo.
  2. 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.
  3. Taratura sulla linea — sincronizzazione sul trigger, tempo ciclo,
    illuminazione, comando di scarto.
  4. 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.

Rapporter og dossierer

  • 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.

Prova subito Kundeområde — download Parla con un esperto

Use cases

In produzione su superfici riflettenti

Controllo 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.