Formazione

Moduli di formazione pratica e scenari di ispezione industriale end-to-end.

Benvenuto nella sezione di formazione pratica di BIION-D. Questa sezione propone tre esercizi e test pratici di formazione progressivi, pronti per ambienti di produzione, incentrati sul controllo qualità di dischi in plastica industriali.

Anziché fornire soluzioni già pronte, ciascun caso presenta uno scenario industriale, specifiche tecniche e criteri di valutazione, corredati da suggerimenti pratici di ingegneria per consentire a chi si forma di progettare, configurare e validare le proprie pipeline di ispezione in modo autonomo.

Panoramica degli esercizi di formazione

Caso	Architettura	Tecniche chiave	Link
Caso 0	Conteggio YOLO e rilevamento faccia	Telecamera, Object Detection YOLO, conteggio per faccia su Plugin.	Caso 0: Dischi plastica — Conteggio YOLO e rilevamento faccia
Caso 1	Caso 0 con dashboard e PLC	Riutilizzo del conteggio YOLO, telemetria Webhook e handshaking OPC-UA.	Caso 1: Dischi plastica — Caso 0 con dashboard e PLC
Caso 2	Disco singolo, due pipeline fronte/retro con crop YOLO e anomalia	2 pipeline, crop YOLO, Anomaly Detection, `is_pretrained` durante l'addestramento anomaly.	Caso 2: Dischi plastica — Due pipeline fronte/retro con crop YOLO e anomalia

Concetti di ispezione trattati

1. Strategia ottica e di illuminazione

L’ispezione di dischi in plastica semi-riflettenti o opachi richiede un’illuminazione uniforme e diffusa: i riflessi possono nascondere le caratteristiche delle facce nei Casi 0 e 1, mentre le ombre possono causare falsi allarmi di anomalia nel Caso 2.

2. Anomalia vs. Rilevamento oggetti

Rilevamento anomalie (non supervisionato): nel Caso 2 apprende l’aspetto dei dischi in plastica “conformi” da immagini ritagliate prive di difetti. Evidenzia graffi, ammaccature, bruciature o contaminazioni senza richiedere etichette preliminari dei difetti.
Rilevamento oggetti (supervisionato): individua oggetti discreti, conta gli elementi, classifica l’orientamento/faccia (es. Faccia A con logo impresso vs Faccia B liscia) e fornisce riquadri di delimitazione (bounding box) per la localizzazione e il ritaglio.

3. Integrazione edge e handshaking

PLC industriale (OPC-UA): legge i trigger macchina e scrive in tempo reale i risultati di conformità, i flag di difetto e i conteggi dei pezzi direttamente nei registri del PLC.
Dashboard personalizzate e MES (Webhook): invia payload JSON strutturati in modo asincrono a dashboard di stabilimento, linee di produzione o sistemi di registrazione del controllo qualità.

4. Ritaglio dinamico avanzato e `is_pretrained`

Quando i pezzi si muovono liberamente su nastri trasportatori, combinare il rilevamento oggetti YOLO con uno script Plugin di ritaglio garantisce che il modello di anomalia riceva sempre un’immagine normalizzata e perfettamente centrata sul componente. Impostare is_pretrained: true nel modulo Object Detection garantisce che YOLO esegua l’inferenza anche durante la raccolta dei dataset di anomalia in modalità Acquisition.

Percorso consigliato

Inizia con il Caso 0 per addestrare YOLO a riconoscere le facce e contare i dischi.
Estendi la pipeline nel Caso 1 per inviare i conteggi a una dashboard personalizzata e al PLC.
Completa il Caso 2 ispezionando un disco su entrambi i lati con due pipeline YOLO-crop-anomaly e usando is_pretrained nel modulo Object Detection durante l’addestramento anomaly.