Anomalies Detector con ML nelle linee di produzione

Scenario

Rilevare difetti e anomalie all’interno delle linee di produzione è spesso fondamentale per prevenire l'insoddisfazione dei clienti e perfino danni alle linee stesse.

Per garantire un elevato standard qualitativo si effettua quindi un monitoraggio costante dei processi. In passato questo lavoro era svolto manualmente mentre oggi può avvienire in modo automatizzato grazie a strumenti di elaborazione immagini e algoritmi di Machine Learning.

Il passaggio dai controlli manuali a quelli automatizzati consente di ridurre tempi e costi: mentre un addetto può eseguire le ispezioni solo ad una determinata velocità, con l’ausilio di tecniche di Machine Learning i controlli sono eseguiti in maniera molto più rapida.

Le tecniche di elaborazione immagini e di Machine Learning che permettono di automatizzare il controllo qualità richiedono un’altissima precisione di classificazione.

SFIDA E SOLUZIONE

Una classificazione errata potrebbe permettere a un prodotto non idoneo di proseguire nel processo di lavorazione portando a un prodotto finale scadente o addirittura a danni alla linea di produzione stessa.

Gli algoritmi utilizzati ai fini della classificazione sono di tipo Deep Learning e, per ottenere risultati soddisfacenti, necessitano di lunghi tempi di ‘allenamento’.

Le reti neurali costruite con algoritmi quantistici, denominate Quantum Neural Network (QNN), sono estremamente più veloci.

Benefici del Quantum

Le tecnologie quantistiche vengono utilizzate per accelerare la formazione di reti neurali profonde, che solitamente rappresentano un collo di bottiglia a causa del tempo di elaborazione richiesto dai computer classici.

Un Deep Neural Network ‘allenato’ con uno stadio computazionale quantistico è in grado di individuare le anomalie sui prodotti provenienti da una linea di produzione.