Computer vision industriale • Edge AI • Ispezione visiva automatizzata
Se il tuo obiettivo è scoprire difetti in tempo reale (senza aspettare il cloud), la visione artificiale in edge è una delle leve più efficaci per aumentare la qualità, ridurre gli scarti e mantenere la linea stabile anche quando la connettività non è perfetta.
Nota: niente moduli. Se ci scrivi info@bastelia.com con 3 righe sul processo (prodotto, difetto, velocità linea), ti rispondiamo con i prossimi passi più sensati.
In breve: cosa ottieni con l’Edge Vision
La differenza non è “fare AI”, ma mettere l’ispezione dove serve: nel punto in cui nasce il dato (camera/sensore), con regole operative chiare e una pipeline robusta che non rallenta la produzione.
Cos’è la visione artificiale edge (Edge Vision)
Con visione artificiale edge intendiamo un sistema di computer vision che esegue l’analisi delle immagini direttamente in fabbrica, su un dispositivo vicino alla linea (PC industriale, gateway, GPU edge o hardware specializzato). In pratica:
- le telecamere industriali acquisiscono immagini o video di ogni pezzo;
- l’edge device elabora (pre-processing) e fa inferenza con modelli di visione (classificazione, detection, segmentazione, anomaly detection);
- il sistema produce un output operativo: OK/NOK, classe difetto, posizione difetto, codice letto (OCR), conteggio, misura, ecc.;
- l’output attiva azioni sul campo (scarto automatico, fermo linea, allarme, deviazione su binario, aggiornamento tracciabilità).
Rispetto a un approccio solo “cloud”, l’edge riduce dipendenze e tempi di risposta. Rispetto alla machine vision tradizionale basata su regole rigide, l’uso di modelli moderni permette di gestire meglio variabilità reale (materiali, riflessi, micro-difetti, tolleranze, cambi lotto) — purché imaging e criteri di accettazione siano impostati bene.
Un punto spesso trascurato
Nella pratica, “AI” non salva un setup di imaging debole. In molte linee, la parte che sblocca davvero l’accuratezza è la triade: ottica (campo visivo e risoluzione), illuminazione (contrasto dei difetti) e stabilità meccanica (posizione/velocità). Il modello viene dopo, e rende scalabile ciò che è già “visibile”.
Perché conviene in fabbrica (e quando non conviene)
In produzione, la qualità non è un report a fine turno: è una decisione che deve arrivare durante il ciclo. L’edge computing applicato alla visione artificiale è particolarmente utile quando ti servono:
- Tempi di risposta rapidi: scarto o stop devono avvenire subito, non dopo upload e round-trip.
- Continuità operativa: se la rete va e viene, l’ispezione non può fermarsi.
- Riduzione del traffico dati: inviare tutto al cloud è costoso (e spesso inutile).
- Maggiore controllo e governance: meno dati sensibili in transito, più controllo sui flussi.
Quando ha senso un approccio ibrido
Spesso la soluzione migliore è edge per l’operatività + cloud/on-prem centrale per miglioramento: l’edge decide in tempo reale; un livello centrale aggrega statistiche, campioni e log per analisi qualità, retraining e reporting.
Quando l’edge non è la priorità
Se la tua ispezione non è time-critical (es. audit offline, campionamento lento) o se l’impianto non può ospitare hardware aggiuntivo, può avere senso partire con un sistema centrale. Ma se la linea è veloce e l’azione deve essere immediata, l’edge diventa quasi inevitabile.
Casi d’uso: ispezioni istantanee ad alto impatto
Qui sotto trovi i casi d’uso più comuni per la ispezione visiva automatizzata in fabbrica, dove l’edge è spesso la scelta più pragmatica. L’obiettivo non è “fare un demo”, ma ridurre problemi reali in linea.
1) Difetti superficiali e finitura
- graffi, ammaccature, crepe, porosità, bolle, macchie, delaminazioni
- verniciatura: zone scoperte, colature, differenze cromatiche
- tessuti e materiali: strappi, pattern incoerenti, difetti di trama
2) Verifica assemblaggio e presenza/assenza
- componenti mancanti, disallineati o montati al contrario
- viti/clip non presenti, guarnizioni fuori sede, connettori non inseriti
- controllo di corretto posizionamento con toleranze visive
3) OCR, codici e tracciabilità
- lettura di seriali, DataMatrix/QR, etichette e marcature laser
- verifica corrispondenza lotto/variante (riduzione errori di etichettatura)
- aggiornamento automatico di log e sistemi di tracciabilità
4) Packaging e integrità prodotto
- sigilli, chiusure, livelli di riempimento, contaminazioni visibili
- etichette: posizione, completezza, lingua corretta, barcode leggibile
- difetti di confezionamento prima che diventino reclami e resi
5) Sicurezza e conformità operativa (quando rilevante)
- zone interdette, DPI (casco/guanti) in aree specifiche
- accessi e comportamenti pericolosi in prossimità di macchine
Architettura consigliata: dalla camera al PLC (senza colli di bottiglia)
Una buona architettura di computer vision industriale non è solo modello + telecamera. Deve essere un sistema completo, pensato per la produzione. Ecco i blocchi che, nella pratica, fanno la differenza.
1) Imaging: camera, ottica, illuminazione
- Telecamere industriali (risoluzione e fps coerenti con velocità linea e difetto minimo rilevabile).
- Ottiche scelte per campo visivo e distanza di lavoro (evitare “troppo zoom” che rende instabile la messa a fuoco).
- Illuminazione progettata per far “saltare fuori” il difetto (diffusa, retroilluminazione, campo scuro, luce strutturata… a seconda del caso).
2) Edge compute: dove gira l’inferenza
Il punto non è scegliere “la GPU più grande”, ma scegliere l’hardware giusto per la linea: ambiente, vibrazioni, temperature, manutenzione, consumi, spazio a quadro, requisiti di latenza e throughput.
3) Pipeline robusta
- acquisizione sincronizzata (trigger/encoder quando serve)
- pre-processing (normalizzazione, correzione illuminazione, ROI)
- inferenza e regole operative (soglie, classi difetto, severità)
- decisione e azione (OK/NOK, scarto, stop, allarme)
4) Integrazione OT/IT
Perché l’ispezione sia utile, deve “parlare” con ciò che già usi: PLC per azioni immediate, e quando utile MES/SCADA per qualità, tracciabilità e analisi.
Consiglio pratico per evitare falsi scarti
Oltre al modello, definisci bene criteri di accettazione e gestione delle eccezioni: cosa succede su bassa confidenza? Quando si manda a rework invece di scartare? Qual è la tolleranza reale accettabile? Queste regole, concordate con qualità e produzione, spesso valgono quanto il modello.
KPI e ROI: come misurare il valore (prima di costruire)
Un progetto di ispezione visiva ha senso quando impatta KPI chiari. Prima di parlare di “accuratezza”, conviene definire: che cosa stiamo riducendo e quanto vale per la tua fabbrica.
Una formula semplice (per ragionare subito)
ROI potenziale ≈ (costo difetti evitati + costo rilavorazioni evitate + costo reclami evitati) − (costo sistema + manutenzione + miglioramento continuo)
La parte “facile” è comprare hardware. La parte che crea vantaggio è rendere il sistema usabile ogni giorno: criteri chiari, integrazione stabile, monitoraggio e un modo semplice per gestire nuovi difetti e nuove varianti.
Metodo pratico per partire (senza progetti infiniti)
Il modo più efficace per iniziare non è “automatizzare tutto”, ma scegliere un caso d’uso con: alto volume, difetto ben definito, azione chiara (OK/NOK o classe difetto) e valore economico misurabile.
Step 1 — Obiettivo e criteri di accettazione
- Qual è il difetto che costa di più? (scarto, rilavorazione, reclami)
- Qual è la soglia accettabile? (tolleranze reali, non “ideali”)
- Qual è l’azione in linea? (scarto, rework, fermo, allarme)
Step 2 — Imaging e fattibilità
Si verifica se il difetto è effettivamente visibile in modo stabile. Spesso basta una prova ben fatta per capire se serve cambiare illuminazione, angolo, distanza o trigger.
Step 3 — Pilot controllato
Si parte con una porzione di linea o una variante prodotto, con metriche chiare: falsi scarti, difetti sfuggiti, throughput, stabilità.
Step 4 — Integrazione e operatività
L’obiettivo è che il sistema diventi “normale” per gli operatori: segnali chiari, escalation definite, log consultabili, e una gestione semplice di eccezioni e nuove varianti.
Step 5 — Miglioramento continuo
La qualità non è statica: cambiano materiali, lotti, fornitori, illuminazione, usura. Serve una routine leggera per aggiornare e mantenere il sistema affidabile.
Checklist prima di iniziare (per evitare sorprese)
- Velocità linea: quanti pezzi/minuto e che tempo hai per decidere?
- Difetto: è visibile sempre? cambia con riflessi, polvere, vibrazioni?
- Ambiente: luce variabile, temperatura, vibrazioni, sporco, condensa?
- Azioni: scarto automatico, deviazione, fermo linea, allarme… cosa serve davvero?
- Integrazione: PLC/MES/SCADA: quali segnali, protocolli e responsabilità?
- Qualità: chi decide la “verità” (golden set) e come si gestiscono i casi borderline?
- Dati e governance: cosa si salva (immagini, log, KPI) e per quanto tempo?
- Manutenzione: chi controlla camera/illuminazione e con che frequenza?
Se vuoi partire subito
Mandaci una mail con: tipo prodotto, difetto principale, foto/video se disponibili, velocità linea e cosa vuoi fare quando trovi il difetto. È il modo più veloce per capire se conviene edge, ibrido o un’altra strategia.
Approfondisci con Bastelia
Se stai valutando un progetto di visione artificiale industriale (edge o ibrido), questi percorsi ti aiutano a inquadrare bene obiettivi, metodo e priorità:
Approccio orientato a KPI, integrazione nei processi e governance: ideale per impostare un progetto “che produce risultati”.
Una panoramica dei servizi, dal supporto strategico all’implementazione operativa.
Per capire dove l’IA genera valore concreto e come impostare correttamente i primi casi d’uso.
Se l’ispezione impatta flussi, scorte, qualità e tempi, qui trovi esempi e metriche operative utili.
Preferisci un percorso guidato? Trovi tutti i modi per raggiungerci (senza moduli lunghi).
FAQ sulla visione artificiale edge
Che differenza c’è tra machine vision “a regole” e computer vision con AI?
La machine vision classica usa regole e soglie (contrasto, bordi, misure) ed è efficace quando l’oggetto è molto stabile e il difetto è “semplice”. La computer vision con AI impara da esempi e gestisce meglio variabilità reale (riflessi, cambi lotto, micro-difetti), ma richiede un setup di imaging solido e criteri di qualità ben definiti.
Edge o cloud: quale scegliere per l’ispezione in linea?
Se devi decidere subito (OK/NOK, scarto, stop) l’edge è spesso la scelta più pragmatica. Il cloud è utile per analisi aggregate, report, miglioramento modelli, gestione centralizzata multi-sito. Molti impianti ottengono il meglio con un approccio ibrido.
Serve internet per far funzionare l’ispezione edge?
No: l’inferenza può avvenire localmente. La connettività può servire per aggiornamenti, report, monitoraggio o miglioramento continuo, ma l’operatività in linea non dovrebbe dipendere da una rete “perfetta”.
Che hardware serve per iniziare?
Dipende da velocità linea, risoluzione, complessità del modello e condizioni ambientali. In molti casi si parte con un PC industriale o un edge device adeguato, dimensionato su throughput e stabilità, senza sovra-investire. La scelta corretta si fa partendo da requisiti reali.
Come si evitano falsi scarti (false reject)?
Oltre a migliorare imaging e modello, è fondamentale definire soglie operative, gestione dei casi borderline e un flusso di rework. Un sistema utile non è quello che “vede tutto”, ma quello che riduce costi complessivi senza creare instabilità in produzione.
Si può integrare con PLC, scarto automatico e tracciabilità?
Sì: l’integrazione OT/IT è spesso il cuore del progetto. L’edge produce decisioni (OK/NOK, classe difetto) che possono attivare scarto o allarme via PLC e, quando utile, alimentare sistemi di qualità e tracciabilità con log e KPI.
Quanto tempo serve per vedere risultati concreti?
Dipende dalla complessità e dalla disponibilità di campioni/immagini. In generale, si ottengono risultati più rapidamente scegliendo un caso d’uso ben definito e misurabile, con un pilot controllato e criteri chiari fin dall’inizio.
Da dove si parte se ho più linee e molte varianti prodotto?
Si parte da un caso ad alto volume e valore (dove un miglioramento anche piccolo vale molto), poi si standardizza: setup imaging, pipeline, criteri, monitoraggio. Una volta stabilizzato il primo, la scalabilità diventa un tema di metodo, non di “reinventare tutto” ogni volta.
Vuoi capire se l’Edge Vision è adatto alla tua linea?
Scrivici a info@bastelia.com con il contesto (prodotto, difetto, velocità linea, azione desiderata). Ti rispondiamo con un percorso concreto: cosa serve, cosa evitare e quali KPI impostare per misurare risultati.