Azienda motoveicoli - Banner pagina case

Azienda Motoveicoli Implementazione di un sistema di riconoscimento automatico dei difetti di cablatura

Azienda motoveicoli - azienda leader e incipit case

Il cliente - Azienda motoveicoli
L’azienda è una delle principali realtà nel settore della produzione di motoveicoli, che cerca costantemente di mantenere la sua leadership migliorando i suoi prodotti e i processi di produzione.
AZIENDA
eLabor è una cooperativa di produzione e lavoro con una forte vocazione all'innovazione e alla tecnologia in particolare nel campo dell’informatica.
eLabor in RIOS

Esigenze

Per l’assemblaggio dei motoveicoli l’azienda ha manifestato la necessità di implementare un sistema di riconoscimento automatico dei difetti di cablatura del sistema di alimentazione, frenante ed elettrico, partendo da delle fotografie scattate direttamente sulla linea di produzione.

Soluzione

Il sistema di riconoscimento automatico dei difetti di cablatura è stato realizzato utilizzando ADR-Flow, il nostro sistema sviluppato per questo scopo, suddiviso in due moduli: quello edge e quello cloud. Il modulo edge, cioè la parte del sistema che si trova a diretto contatto con la linea di produzione, è stato configurato con la presenza di:

  • una stazione di controllo, che gestisce l’interazione con l’operatore tramite un’interfaccia utente grafica e sonora e un barcode scanner che permette di identificare il veicolo; questa organizza anche l’invio delle foto e dei metadati al server remoto (modulo cloud);
  • tre telecamere “intelligenti”, che sono veri e propri calcolatori (Raspberry in questo caso) con delle potenti funzionalità incorporate che permettono di effettuare il riconoscimento automatico dei difetti in tempo reale.
Il modulo cloud, invece, è costituito da una macchina virtuale che ha il compito di:
  • ricevere, registrare ed analizzare le immagini;
  • consentire a dei tecnici specializzati di ricercare le immagini, visualizzarle e classificarle manualmente, cioè dire se rappresentano un difetto oppure no, al fine di utilizzarle per l’addestramento e la verifica continua delle prestazioni delle reti neurali;
  • supportare i data scientist nell’attività di addestramento delle reti neurali;
  • fornire al responsabile del sistema un cruscotto per tenerlo sotto controllo tramite semplici grafici e tabelle con la ripartizione dei difetti nel tempo, la sequenza di acquisizione delle immagini su scala giornaliera, settimanale o mensile, l’analisi della velocità della linea nel tempo e quella della bontà dei riconoscimenti effettuati.
Una volta addestrata, la rete neurale viene inviata alla telecamera perché effettui il riconoscimento in tempo reale.

Risultato

Le esigenze dell’azienda per la produttività industriale sono state soddisfatte ottenendo grandi risultati e vantaggi, come:

  • miglioramento della qualità in uscita;
  • maggiore efficienza e quindi minor costo del processo produttivo;
  • possibilità di attivare processi di miglioramento continuo nella produzione, grazie alla capacità di apprendimento portate da queste tecniche;
  • possibilità di eseguire analisi approfondite sulle cause dei difetti con l’opportunità quindi di meglio ingegnerizzare il processo stesso.