Controllo qualità con IA: cosa richiederebbe davvero un’ispezione visiva automatizzata
Un pilota di 3,5 mesi ha trasformato le foto già raccolte dall’azienda in un segnale di qualità verificabile e ha stabilito il costo di un’ispezione visiva automatizzata affidabile.
La situazione
L’azienda gestisce operazioni di pulizia per flotte di car sharing in diversi Paesi europei, con una grande rete di lavoratori freelance. Dopo aver pulito ogni auto, i lavoratori dovevano fotografare il veicolo finito. Le foto venivano archiviate ma mai controllate sistematicamente: la revisione manuale avrebbe richiesto ai supervisori di analizzare centinaia o migliaia di immagini al giorno.
Quando emergevano problemi di qualità, di solito venivano rilevati tramite reclami dei clienti o controlli occasionali su singoli lavoratori. La domanda era se un sistema IA potesse analizzare le foto e segnalare un lavoro insufficiente prima che il lavoratore completasse l’incarico.
Il vincolo
La parte difficile non era elaborare un’immagine. Era capire se un modello potesse riconoscere in modo affidabile, in condizioni reali, lo sporco che contava davvero: angolazioni diverse del veicolo, giorno e notte, inverno ed estate e ogni condizione di luce intermedia. I casi importanti raramente erano auto evidentemente sporche; erano piccole aree che il pulitore aveva trascurato.
Nessun dataset pubblico era adatto. I dataset automotive coprono veicoli, danni, ammaccature e graffi, non la qualità sottile della pulizia. Il dataset doveva quindi essere costruito ed etichettato partendo dalle immagini dell’azienda.
Abbiamo testato tre approcci. I modelli generativi di computer vision generalisti sono stati esclusi in circa una settimana perché la stessa immagine poteva ricevere valutazioni diverse tra un’esecuzione e l’altra. Per il controllo qualità non è accettabile. Un servizio di computer vision gestito su Microsoft Azure era più deterministico, ma i suoi bounding box rettangolari rappresentavano male le aree irregolari di sporco. Il modello poteva associare una parte dell’auto, come il paraurti posteriore, allo sporco invece di imparare la forma dell’area sporca.
Un modello personalizzato basato su YOLO in Roboflow permetteva di etichettare lo sporco con poligoni. Offriva il controllo e l’accuratezza specifica del dominio necessari, richiedendo però molto più lavoro su preparazione del dataset, labeling, revisione e iterazione.
Questo era il risultato: un compromesso di progettazione, non una promessa di produzione.
Cosa abbiamo costruito
Abbiamo costruito una pipeline di vision sulle foto che i lavoratori stavano già scattando. Ogni immagine veniva prima classificata in base all’angolazione del veicolo, così il sistema sapeva quale parte dell’auto stava esaminando e i responsabili potevano vedere se erano state catturate tutte le angolazioni richieste. Seguiva una seconda fase di computer vision per analizzare lo sporco visibile e le aree trascurate.
Il dataset utilizzava immagini storiche dell’azienda, riviste ed etichettate manualmente con il supporto dell’auto-labeling, e bilanciate per angolazione, stagione, condizioni di luce e scenario di pulizia. Durante il pilota, l’inferenza girava su un’infrastruttura cloud dedicata invece che sul servizio ospitato di Roboflow, così throughput e costi restavano controllabili.
Abbiamo costruito anche una dashboard gestionale per l’attività di pulizia per sede e lavoratore. I responsabili potevano rivedere il giorno precedente, la settimana o un periodo personalizzato, confrontare la quota di veicoli segnalati e vedere le differenze tra lavoratori. Un modulo mobile ha sostituito il foglio di calcolo usato per controllare i nuovi lavoratori.
Diagramma del processo
Stato attuale
Il pilota è durato diversi mesi. Ha dimostrato che le foto già disponibili potevano diventare un segnale di qualità utilizzabile e che le iterazioni successive del modello producevano risultati su cui i responsabili potevano agire. Ha anche chiarito quanti dati specifici del dominio, quanta attività di labeling e quanto perfezionamento continuo servirebbero per un uso affidabile in produzione.
La classificazione delle angolazioni si è dimostrata affidabile durante il pilota. La rilevazione dello sporco richiedeva più esempi etichettati, quindi il cliente ha messo in pausa lo sviluppo successivo mentre valutava l’investimento rispetto al beneficio operativo.
Progetto successivo
Una ricerca che si aggiorna da sola. Un giudizio che non si delega.
Pronto a migliorare i risultati con l’automazione IA?
Prenota una revisione operativa di 30 minuti. Vedremo dove il lavoro manuale limita le operazioni e se esiste un modo concreto per creare capacità.
Prenota una revisione operativaSwiss precision. Valley speed.