Home · Blog

Computer Vision per il controllo qualità in fabbrica

22 giugno 2026 · Computer Vision

Ispezionare ogni pezzo che esce dalla linea è un lavoro logorante, soggettivo e costoso. La computer vision lo trasforma in un processo automatico e oggettivo, attivo ventiquattro ore su ventiquattro, senza fermare la produzione.

Il problema: il controllo qualità manuale non scala

In molte fabbriche, il controllo qualità si basa ancora sull'occhio umano: un operatore osserva i pezzi in transito, cerca graffi, crepe, misure fuori tolleranza, componenti mancanti. È un metodo che funziona fino a un certo punto. Con l'aumentare dei volumi, però, emergono limiti strutturali: la velocità di ispezione non segue quella della linea, la stanchezza introduce variabilità nei giudizi, e i difetti sottili (quelli millimetrici o nascosti in zone difficili da vedere) sfuggono sistematicamente. Il risultato sono resi, reclami e costi di garanzia che erodono il margine.

Cosa fa la computer vision

Un sistema di computer vision posiziona una o più telecamere lungo la linea e analizza ogni pezzo in tempo reale. Il modello, addestrato su immagini di pezzi conformi e difettosi, classifica ogni unità come "OK" o "NOK" in poche decine di millisecondi, ben prima che il pezzo raggiunga la stazione successiva. I difetti vengono catalogati per tipologia (graffi, bolle, deformazioni, componenti mancanti), registrati con timestamp e immagine allegata, e possono attivare automaticamente uno scarto o un allarme in linea. Il giudizio è sempre lo stesso: non dipende dall'ora, dall'operatore o dalla stanchezza di fine turno.

Come si parte: dal dato al modello in produzione

Il percorso tipico si articola in quattro fasi:

• Raccolta immagini: si fotografano i pezzi già ispezionati manualmente, sia conformi sia difettosi, in condizioni di illuminazione controllata. Anche poche centinaia di esempi per difetto sono sufficienti per iniziare.
• Etichettatura: un tecnico o un esperto di qualità contrassegna le aree difettose nelle immagini. Esistono strumenti che accelerano molto questa fase.
• Training del modello: il modello viene addestrato, validato su un set di test separato e ottimizzato fino a raggiungere la soglia di accuratezza richiesta.
• Integrazione su linea o su edge: il modello viene deployato su un dispositivo edge (spesso una GPU compatta) collegato alle telecamere e al sistema MES o SCADA della fabbrica. Nessuna dipendenza da connessione cloud in produzione.

Non servono milioni di immagini per iniziare

Uno degli ostacoli percepiti più comuni è la mancanza di dati. In realtà, per un proof-of-concept su un difetto specifico è spesso sufficiente partire con qualche centinaio di immagini per classe, purché ben rappresentative. Tecniche come il data augmentation (rotazioni, variazioni di luminosità, ritagli) moltiplicano il dataset senza nuove acquisizioni. Latentia accompagna il cliente dalla prima raccolta immagini fino al go-live, con un approccio iterativo: si parte piccoli, si valida sul campo, si estende. Lo stesso metodo incrementale che applichiamo nei nostri progetti di automazione con agenti AI funziona egregiamente anche in ambito industriale.

Se stai già lavorando con dati strutturati e vuoi capire come integrarli con modelli predittivi, può interessarti anche il nostro approccio al forecasting con Machine Learning: i principi di raccolta dati, training e validazione sono gli stessi.

I risultati concreti

• Meno difetti al cliente: l'ispezione automatica cattura categorie di difetti che l'occhio umano trascura, riducendo i resi e i costi di garanzia.
• Ispezione 24/7: il sistema lavora senza pause e senza cali di attenzione. Ogni pezzo viene ispezionato con gli stessi criteri a qualsiasi ora.
• Dati oggettivi sul processo: la registrazione sistematica dei difetti consente di risalire alle cause radice (un utensile usurato, una variazione di materiale, un parametro di processo fuori range) e di agire prima che il problema si amplifi.
• Riduzione del costo di qualità: meno operatori impegnati in ispezioni ripetitive, meno scarti a fine linea, meno rilavorazioni.

Se vuoi capire se la computer vision è applicabile alla tua linea, il punto di partenza è un check-up gratuito con il nostro team: analizziamo il processo, stimiamo la complessità del modello e definiamo un piano di proof-of-concept realistico.

Articoli correlati

← Tutti gli articoli