verified produzione & impianti

Controllo
Qualità
Visivo AI

Ispeziona ogni singolo pezzo in produzione con computer vision e deep learning. Rileva difetti superficiali, bolle, graffi e anomalie dimensionali con accuracy del 99.2%, eliminando i resi e proteggendo la reputazione con i tuoi clienti.

camera
Linea 1 — Cam A
ispezione attiva
60 fps
OK
OK
GRAFFIO !
OK
OK
BOLLA !
OK
OK
Feed telecamera industriale HD
bar_chart 847 pezzi ispezionati oggi · 3 difetti rilevati (0.35%)
Dashboard SPC Cpk = 1.42 ✓
−85%
Difetti sfuggiti
99.2%
Accuracy
100%
Pezzi ispezionati
Il contesto

Il problema che risolve

visibility_off

Ispezione visiva umana soggettiva e variabile

Un operatore esperto alle 6 di mattina e uno stanco alle 22 non vedono le stesse cose. La stanchezza, la luce del reparto, la variazione tra turni e tra persone rende l'ispezione manuale fondamentalmente inconsistente. Difetti identici vengono accettati o scartati in modo imprevedibile, generando qualità del prodotto percepita come aleatoria dai clienti.

search_off

Difetti scoperti solo al collaudo finale o dal cliente

Quando il difetto viene scoperto in fase di collaudo finale, l'intero lotto è già prodotto e il costo di rilavorazione o rottamazione è massimo. Peggio ancora: quando il difetto viene scoperto dal cliente, oltre al costo dei resi si aggiunge il danno reputazionale, le penali contrattuali e il rischio di perdere il cliente. Il controllo inline su ogni pezzo risolve tutto questo.

money_off

Costi resi e rilavorazioni che erodono i margini

Una PMI manifatturiera con tasso difettosità del 2% su €5M di fatturato spende €100k l'anno tra resi, rilavorazioni, trasporti di ritorno e gestione amministrativa dei reclami. In settori come automotive o dispositivi medici le penali contrattuali moltiplicano ulteriormente il danno. Portare il tasso difettosità allo 0.2% cambia radicalmente la redditività operativa.

Il processo

Come funziona in concreto

01
camera

Installazione telecamere industriali HD

Installiamo telecamere industriali ad alta risoluzione (2-5 MP) posizionate sulla linea di produzione con illuminazione dedicata (strutturata, coassiale o strobo) per garantire immagini costanti indipendentemente dalle condizioni del reparto. Il sistema di visione è progettato insieme al responsabile qualità per coprire tutti i punti di ispezione critici, sincronizzato con il ciclo macchina.

02
photo_library

Raccolta campioni conformi e difettosi

La fase di raccolta dati richiede almeno 500 immagini per classe di difetto (graffio, bolla, inclusione, dimensione fuori tolleranza, ecc.). I campioni vengono etichettati dal responsabile qualità aziendale, che definisce i criteri accettazione/scarto in accordo con le specifiche cliente. Il dataset viene aumentato artificialmente (rotazioni, variazioni luminosità) per robustezza.

03
model_training

Training modello computer vision

Addestriamo un modello di deep learning (tipicamente basato su architetture YOLO o EfficientDet per object detection, o ResNet per classificazione) specifico per i vostri difetti e il vostro prodotto. Il modello viene validato su un set di test indipendente raggiungendo almeno il 98% di recall (zero o quasi difetti sfuggiti) prima della messa in produzione.

04
precision_manufacturing

Integrazione linea di produzione

Il sistema si integra con la linea di produzione tramite segnali I/O digitali, OPC-UA o protocolli industriali standard. Il modello gira su hardware edge (GPU industriale) per garantire latenza inferiore a 100ms per pezzo. L'integrazione non richiede fermi produttivi significativi: l'installazione avviene tipicamente nel fine settimana.

05
verified

Classificazione real-time pezzo per pezzo

Ogni pezzo che transita davanti alla telecamera viene classificato in meno di 100ms come conforme o difettoso, con indicazione del tipo di difetto, della posizione sull'immagine tramite bounding box e del confidence score. Il risultato è registrato nel database con immagine, timestamp e riferimento all'ordine di produzione per completa traceability.

06
block

Alert e segregazione automatica dei difetti

I pezzi difettosi vengono automaticamente segregati tramite espulsore pneumatico o segnale al convogliatore. L'operatore riceve un alert immediato sul monitor di reparto con immagine del difetto rilevato. Se il tasso di difettosità supera una soglia configurabile (es. 0.5% nell'ultima ora), viene generato un alert a supervisore e responsabile qualità per analisi causa radice.

07
analytics

Statistiche SPC e report qualità

Il sistema genera automaticamente carte di controllo SPC (X-bar, R, Cpk) per ogni linea e turno. I report qualità giornalieri e settimanali vengono inviati automaticamente ai responsabili. La dashboard mostra trend di difettosità per tipologia, correlazioni con parametri macchina e identificazione dei turni/operatori con performance migliori.

08
loop

Feedback alla produzione per causa radice

I dati di difettosità vengono correlati con i parametri di processo (temperatura, pressione, velocità, fornitore materia prima) per identificare le cause radice. Questo chiude il loop dalla qualità alla produzione: non solo rilevare i difetti, ma eliminarli alla fonte. Nel giro di 3-6 mesi il tasso di difettosità scende ulteriormente grazie al miglioramento continuo del processo.

Risultati

Dati e impatto misurabile

−85%
Difetti sfuggiti all'ispezione
99.2%
Accuracy rilevamento
100%
Pezzi ispezionati (vs 10% manuale)
−60%
Costi resi e rilavorazioni

Prima e dopo l'implementazione

MetricaPrimaDopo
% difetti rilevati online 10% 100%
Tasso difettosità cliente 2.3% 0.18%
Costo resi mensili €18k €3k
Ore ispezione manuale/turno 4h 0h

Contesto di settore

Secondo McKinsey, il quality control basato su AI riduce i difetti di produzione del 50% e i costi di ispezione del 25-30% nelle PMI manifatturiere, con un ROI tipicamente raggiunto entro 12-18 mesi dall'implementazione.

Il salto da ispezione al campione (tipicamente 5-10% dei pezzi) all'ispezione al 100% non è solo quantitativo: è qualitativo. Ogni pezzo difettoso intercettato prima della spedizione è un cliente soddisfatto, una penale evitata, una reputazione preservata nel tempo.

In settori come automotive, medicale e alimentare — dove i requisiti di conformità sono stringenti — il controllo qualità AI diventa anche un vantaggio competitivo nella qualificazione come fornitore di primo livello. Le PMI con sistemi di visione artificiale ottengono più facilmente le certificazioni IATF 16949, ISO 13485 e FSSC 22000.

Modalità

Come possiamo implementarlo

bolt
5–8 settimane

Quick Win

  • 1 linea di produzione
  • 3 tipologie di difetto
  • Alert operatore su monitor reparto
  • Dashboard turno con contatori
  • Report qualità giornaliero
  • Archivio immagini difetti
Ideale per

PMI con 1 linea critica e difetti ricorrenti che vogliono eliminare i resi dai clienti principali.

hub
10–16 settimane

Integrazione Standard

  • 3 linee di produzione
  • 15+ tipologie di difetto
  • Segregazione automatica pezzi difettosi
  • SPC integrato con carte di controllo
  • Report qualità automatici
  • 3 mesi supporto post-avvio
Ideale per

Aziende con più linee, clienti esigenti (automotive, medicale) e obiettivo certificazione qualità avanzata.

rocket_launch
16–24 settimane

Enterprise

  • Impianto completo multi-linea
  • Traceability completa per pezzo
  • Correlazione difetti-parametri macchina
  • Predictive quality (previsione difettosità futura)
  • Integrazione SAP QM e MES
  • SLA garantito, supporto dedicato 24 mesi
Ideale per

Grandi impianti con requisiti di traceability totale, clienti OEM e integrazione profonda con sistemi qualità aziendali.

Ecosistema

Si integra con i tuoi strumenti

camera_enhance
Cognex
Machine vision leader per ispezione industriale
sensors
Keyence
Sistemi di visione e misurazione laser
camera
Basler
Telecamere industriali ad alta risoluzione
build
SAP QM
Quality Management SAP integrato
factory
Siemens
Integrazione PLC e sistemi SCADA Siemens
cloud
Microsoft Azure IoT
Cloud IoT e machine learning Azure
bar_chart
Power BI
Dashboard e report qualità interattivi
engineering
MES Aziendale
Integrazione con sistemi MES esistenti
Caso concreto

Uno scenario concreto

Settore
Componentistica automotive
Dimensione
2 linee produzione, 38 dipendenti
Localizzazione
Torino (Piemonte)

! Il problema

Produttore di componenti in alluminio per OEM automotive torinese. Tasso di difettosità al cliente del 2.3%: graffi superficiali e porosità sfuggiti all'ispezione visiva manuale del 10% dei pezzi. Ogni mese mediamente €18.000 di resi con i relativi costi di trasporto, rilavorazione e gestione reclami. Due operatori impegnati 4 ore per turno solo in ispezione visiva. Rischio di perdere la qualificazione come fornitore IATF dopo l'audit annuale.

L'implementazione

Installazione di 4 telecamere industriali HD sulle 2 linee con illuminazione coassiale specifica per rilevare graffi e porosità su superfici metalliche. Raccolta di 800 immagini per tipo difetto, training del modello con validazione sul dataset reale aziendale. Integrazione con espulsori pneumatici esistenti e sistema SAP QM. Messa in produzione in 12 settimane, inclusi 3 di collaudo parallelo con ispezione manuale.

Risultati dopo 8 mesi

2.3%→0.18%
Tasso difettosità
Zero
Resi per difetti (8 mesi)
€180k
Risparmio/anno
IATF ✓
Certificazione mantenuta
Pronto a partire?

Quanti difetti sfuggono
all'ispezione visiva ogni giorno?

Ti mostro come non perderne nemmeno uno. In una call gratuita analizziamo le tue linee, i tipi di difetto e il potenziale di risparmio su resi e rilavorazioni.

Inizia la tua trasformazione AI
Ciao! Sono Keo 👋