Il problema: rilavorazioni invisibili che erodono il margine
Nel comparto della carpenteria metallica, ogni pezzo difettoso che supera il controllo visivo manuale e arriva al cliente rappresenta un doppio danno: il costo della rilavorazione o del reso, e la perdita di fiducia del committente. Per una PMI da trenta dipendenti nel distretto bresciano, questo problema era diventato strutturale.
L’azienda — specializzata in carpenteria saldata e piegatura di lamiera per il settore automotive — registrava un tasso di non conformità interno del 4,2% e un tasso di reso esterno dello 0,9%. Numeri apparentemente contenuti, ma che su un volume di 18.000 pezzi al mese traducevano in oltre 750 rilavorazioni e circa 160 pezzi restituiti ogni trenta giorni. Il margine operativo ne risentiva in modo diretto.
Il collo di bottiglia era chiaro: il controllo qualità a fine linea era affidato a due operatori che eseguivano ispezioni visive su campioni statistici. Stanchezza, variabilità soggettiva e ritmi produttivi crescenti rendevano il processo inaffidabile.
La soluzione: una telecamera intelligente sopra il nastro trasportatore
La direzione ha scelto di non stravolgere il layout produttivo. L’investimento è stato mirato: un sistema di visione artificiale industriale composto da due telecamere ad alta risoluzione, un illuminatore a LED a luce strutturata e un software di analisi delle immagini basato su algoritmi di machine learning, addestrato su un dataset di pezzi conformi e non conformi costruito internamente in otto settimane.
L’hardware è stato integrato direttamente sul nastro trasportatore esistente, a valle della stazione di saldatura. Ogni pezzo viene fotografato da entrambe le angolazioni nel momento in cui transita sotto le telecamere. Il software analizza l’immagine in meno di 200 millisecondi e confronta il profilo rilevato con il modello di riferimento: se rileva un difetto — cricca, cordone di saldatura irregolare, deformazione geometrica oltre tolleranza — attiva uno scarto automatico tramite un deflettore pneumatico.
Il tutto senza fermare la linea e senza richiedere un operatore dedicato all’ispezione continua.
I risultati dopo sei mesi di operatività
I dati raccolti nei primi sei mesi di esercizio mostrano risultati concreti e misurabili:
- Riduzione delle rilavorazioni interne del 35%, grazie all’intercettazione precoce dei difetti prima che il pezzo prosegua nelle fasi successive di lavorazione.
- Azzeramento quasi totale dei resi esterni: il tasso è sceso dallo 0,9% allo 0,1%, con un impatto diretto sulla soddisfazione del cliente e sulla reputazione commerciale.
- Risparmio stimato di circa 48.000 euro annui tra costi di rilavorazione, materiale scartato e gestione dei resi.
- ROI raggiunto in undici mesi dall’installazione, considerando un investimento totale di circa 42.000 euro comprensivo di hardware, software e formazione degli operatori.
Un dato inatteso è stato l’effetto positivo sul morale del reparto: i due operatori precedentemente impegnati nell’ispezione manuale sono stati ricollocati in attività a maggior valore aggiunto, come la verifica delle prime serie e la gestione delle non conformità dei fornitori. Il sistema ha eliminato il lavoro ripetitivo e alienante, non i posti di lavoro.
Cosa ha reso possibile il progetto: scelte tecniche e organizzative
Non è stata la tecnologia in sé a fare la differenza, ma il metodo con cui è stata implementata. Tre fattori hanno determinato il successo:
- Dataset di addestramento costruito in casa. L’azienda ha dedicato otto settimane alla raccolta e classificazione di immagini di pezzi reali, buoni e difettosi. Un dataset proprietario, specifico per le proprie tolleranze e geometrie, ha reso il modello molto più preciso rispetto a soluzioni standard.
- Coinvolgimento degli operatori fin dall’inizio. I tecnici di linea hanno partecipato alla fase di etichettatura delle immagini e alla validazione del sistema prima del go-live. Questo ha ridotto la resistenza al cambiamento e ha generato un senso di proprietà del progetto.
- Integrazione con il gestionale di produzione. I dati di scarto vengono registrati automaticamente nel MES aziendale, permettendo di correlare i difetti rilevati con i parametri di saldatura (corrente, velocità, temperatura) e di intervenire sulla causa radice, non solo sull’effetto.
Vale la pena sottolineare che l’investimento è rientrato nei parametri previsti dal piano Transizione 4.0 del MIMIT, beneficiando del credito d’imposta per beni strumentali tecnologicamente avanzati. Un incentivo che ha abbassato significativamente la soglia di rischio percepita dalla proprietà.
Cosa possono imparare le altre PMI metalmeccaniche
Il caso di questa carpenteria bresciana dimostra che la visione artificiale non è una tecnologia riservata alle grandi aziende o ai settori ad altissimo valore aggiunto. È una soluzione matura, accessibile e con tempi di ritorno sull’investimento compatibili con le logiche di una PMI.
Alcune condizioni abilitanti sono però necessarie: avere almeno una certa ripetitività nella produzione (la visione artificiale funziona meglio su geometrie standardizzate), disporre di dati storici sulle non conformità, e soprattutto essere disposti a investire tempo nella fase di addestramento del sistema. Non esistono scorciatoie: un algoritmo mal addestrato genera falsi positivi e falsi negativi che possono rendere il sistema peggiore del controllo manuale.
Per le PMI che producono anche tramite lavorazioni correlate come la marcatura laser o la brocciatura, la visione artificiale può essere estesa a verificare la leggibilità dei codici marcati o la geometria dei profili brocciati, moltiplicando il valore dell’investimento su più stazioni.
Se stai cercando fornitori di sistemi di visione artificiale o vuoi confrontarti con altre PMI che hanno già percorso questa strada, DGItal Mec Show è la fiera digitale B2B dove trovare espositori specializzati e casi studio verificati, senza dover attendere le prossime manifestazioni fisiche. La piattaforma permette di filtrare per tecnologia e di richiedere demo direttamente agli espositori in pochi clic.
Il futuro del controllo qualità nelle officine italiane non è nell’assumere più ispettori. È nel far lavorare le macchine al posto degli occhi, e le persone al posto del giudizio.
Domande frequenti
Quanto costa implementare un sistema di visione artificiale per il controllo qualità in una PMI metalmeccanica?
Il costo varia in base alla complessità del sistema e al numero di stazioni. Per una linea singola con due telecamere e software di analisi, si parte da circa 20.000-25.000 euro fino a 60.000-80.000 euro per soluzioni più integrate. Con gli incentivi Transizione 4.0, il credito d’imposta può ridurre significativamente l’esborso effettivo, portando il ROI sotto i dodici mesi in molti casi reali.
La visione artificiale funziona anche per produzioni metalmeccaniche con molti codici diversi?
Sì, ma con alcune limitazioni. I sistemi moderni basati su machine learning possono gestire famiglie di pezzi diversi, purché ciascun codice abbia un dataset di addestramento sufficiente. Per produzioni con alta variabilità e lotti piccoli, è preferibile valutare sistemi configurabili rapidamente tramite CAD o modelli 3D di riferimento, che riducono i tempi di setup tra un codice e l’altro.
Quali difetti riesce a rilevare un sistema di visione artificiale nella carpenteria saldata?
I sistemi di visione artificiale industriale rilevano difetti superficiali come cricche, porosità, schizzi di saldatura, cordoni irregolari, deformazioni geometriche e mancanza di materiale. Con illuminazione a luce strutturata è possibile rilevare anche difetti di profondità limitata. Non sostituiscono i controlli non distruttivi per difetti interni come inclusioni o cricche sub-superficiali, per cui restano necessari metodi come ultrasuoni o radiografia.
È necessario un tecnico specializzato per gestire e mantenere un sistema di visione artificiale in officina?
Non necessariamente. Le soluzioni moderne sono progettate per essere gestite da personale di produzione con una formazione di base di pochi giorni. La manutenzione ordinaria riguarda principalmente la pulizia delle ottiche e la verifica periodica dell’illuminazione. Per aggiornare il modello di rilevamento su nuovi codici è utile avere almeno una figura interna formata, oppure appoggiarsi al supporto remoto del fornitore.
Approfondisci su DGItal Mec Show
Questo articolo è stato realizzato con il supporto di sistemi di intelligenza artificiale ed è pubblicato sotto la responsabilità editoriale della redazione di DGItal Mec Show.
