Finanziato da
All’interno della produzione industriale del settore automotive, il controllo qualità delle ruote rappresenta una fase critica per garantire sicurezza, affidabilità e prestazioni. Nel caso specifico di Honda, la linea legata al controllo qualità delle ruote non era ancora operativa al momento dell’avvio del progetto. Questo ha posto la sfida di sviluppare un sistema di controllo qualità efficace in assenza di un dataset reale, tipicamente ricavato da dati acquisiti in linea.
Per rispondere a questa esigenza, il progetto ha previsto lo sviluppo di un sistema di visione basato su sistemi di intelligenza artificiale in grado di eseguire un controllo qualità avanzato sulle ruote: in particolare sulla presenza/assenza dei bulloni sul disco e del verso di quest’ultimo e dello pneumatico. In mancanza di dati reali, è stato costruito un dataset sintetico, generando immagini e scenari di difetti tramite simulazioni e modelli digitali, ottenendo così in automatico anche le etichette dei componenti su cui fare il controllo. Su questi dati, sono stati allenati algoritmi AI basati su deep learning per rilevare anomalie e difetti tipici di produzione. Il sistema è stato progettato per integrarsi nativamente con la linea di produzione futura, assicurando la sua prontezza operativa sin dal primo avvio.
Il progetto ha dimostrato che l’uso di dataset sintetici può rappresentare un’alternativa concreta e scalabile per addestrare modelli AI quando non è ancora disponibile una linea produttiva. La soluzione consente a Honda di implementare un sistema di controllo qualità già maturo e adattabile fin dall’entrata in funzione dell’impianto, riducendo i tempi di sviluppo e ottimizzando le performance sin dall’inizio della produzione. Inoltre, il metodo può essere riutilizzato per future linee o nuovi modelli, riducendo i costi e aumentando l’efficienza della messa in produzione.
Finanziato da
"*" indica i campi obbligatori