Gestire pezzi meccanici alla rinfusa con rapidità e precisione è una delle sfide più complesse dell’automazione industriale. Smart Factory, realtà del Gruppo Mondial, risponde con un sistema che unisce deep learning, visione classica e robotica SCARA in un’architettura integrata e adattabile, senza i limiti dei tradizionali sistemi di orientamento meccanico.
Nel panorama dell’automazione industriale, la gestione flessibile dei componenti rappresenta una delle sfide più rilevanti, soprattutto quando si tratta di particolari meccanici di dimensioni medio-piccole presentati alla rinfusa. Il sistema qui presentato introduce una soluzione avanzata che integra un nastro trasportatore con ricircolo, un sistema di visione intelligente e robotica SCARA in grado di inseguire e prelevare i pezzi in movimento, depositandoli con precisione in una canalina per le successive fasi di assemblaggio.
Questa architettura è stata progettata e sviluppata da Smart Factory, società del Gruppo Mondial che costruisce impianti di automazione “chiavi in mano”, per rispondere alle specifiche esigenze di un cliente industriale del settore manifatturiero. L’obiettivo era realizzare un sistema di feeding flessibile ad alte prestazioni: la soluzione fornita da Smart Factory consente di superare i limiti dei tradizionali sistemi vibranti o orientatori meccanici, introducendo un livello di adattabilità e rapidità di cambio formato che risponde alle esigenze della produzione moderna.
Dalla visione semantica alla geometria operativa
Il cuore tecnologico della macchina risiede nel sistema di visione, progettato secondo un paradigma innovativo che separa chiaramente due livelli di analisi: semantico e geometrico. Il primo livello è affidato a una rete neurale basata su YOLO, progettata per l’object detection in tempo reale. Questa rete è in grado di identificare e localizzare contemporaneamente gli oggetti all’interno dell’immagine, restituendo bounding box associate a classi specifiche e a un livello di confidenza. In pratica, il sistema è in grado di riconoscere diverse tipologie di componenti e di individuare rapidamente le aree di interesse sul nastro in movimento.
A questo punto interviene il secondo livello, basato su OpenCV. Le regioni individuate dalla rete neurale vengono utilizzate come ROI (Region of Interest), all’interno delle quali vengono applicati algoritmi di visione classica: estrazione dei contorni, analisi morfologica, calcolo del centro di massa e determinazione dell’orientamento. Questo approccio ibrido migliora significativamente la robustezza: YOLO riduce il problema globale a una ricerca localizzata, mentre OpenCV fornisce una descrizione geometrica accurata e utilizzabile per l’azione fisica. L’intero sistema è integrato direttamente nell’ambiente TwinCAT di Beckhoff, grazie al Machine Learning Server che sfrutta la potenza di calcolo di una GPU integrata nel controllore. Ciò significa che i risultati dell’inferenza non sono esterni al PLC, ma diventano parte integrante della logica di controllo. Il robot SCARA può quindi adattare dinamicamente traiettoria e strategia di presa in funzione della classe e della posizione del pezzo.
Un sistema innovativo per il feeding flessibile
L’innovazione della macchina non si limita alla visione artificiale, ma riguarda l’intero concetto di feeding. Il sistema utilizza un nastro trasportatore con ricircolo continuo, sul quale i pezzi vengono distribuiti alla rinfusa. A differenza dei sistemi tradizionali, non è necessario orientare preventivamente i componenti: il sistema di visione e il robot gestiscono direttamente la variabilità. Il robot SCARA è in grado di inseguire i pezzi in movimento sincronizzandosi con il nastro, effettuando prese dinamiche senza fermare il flusso. Questo consente di mantenere elevate produttività anche con componenti complessi o difficili da orientare. Un altro elemento distintivo è la capacità di gestire più tipologie di pezzi senza modifiche meccaniche. Grazie alla classificazione basata su rete neurale, il sistema può distinguere automaticamente tra diversi componenti e adattare la strategia di picking.
Questo rappresenta un cambio di paradigma rispetto alle soluzioni tradizionali, spesso rigide e dedicate a un singolo formato. L’integrazione completa tra visione, controllo e robotica elimina inoltre la necessità di sistemi esterni o middleware complessi, riducendo latenza e aumentando l’affidabilità complessiva.
Benefici concreti per l’utilizzatore finale
Dal punto di vista dell’utente, i vantaggi sono immediati e tangibili. In primo luogo, la flessibilità: la macchina può essere riconfigurata rapidamente per nuovi prodotti, riducendo drasticamente i tempi di cambio formato e i costi associati. In secondo luogo, la produttività. La capacità di prelevare pezzi in movimento senza fermare il nastro consente di ottenere throughput elevati, mantenendo al contempo precisione e ripetibilità.
Un ulteriore beneficio è la riduzione degli scarti e degli errori. La combinazione tra classificazione semantica e analisi geometrica garantisce una presa affidabile anche in condizioni difficili, minimizzando i pezzi non correttamente gestiti ed eliminando completamente la dipendenza degli algoritmi di visione da condizioni di luce ambientale, riflessi e colore dei pezzi. Dal punto di vista economico, la semplificazione dell’impianto – grazie all’eliminazione di orientatori meccanici complessi – si traduce in minori costi di manutenzione e maggiore affidabilità nel lungo periodo.
Infine, l’integrazione nativa nel PLC offre un vantaggio strategico: tutte le informazioni sono disponibili in tempo reale all’interno del sistema di controllo, facilitando diagnostica, ottimizzazione e integrazione con il resto della linea produttiva. Questo sistema, costruito da Smart Factory, rappresenta un esempio concreto di come l’unione tra intelligenza artificiale e automazione industriale possa generare soluzioni realmente innovative. La sinergia tra YOLO e OpenCV, integrata in TwinCAT, dimostra che la visione artificiale non è più solo uno strumento di ispezione, ma diventa un elemento attivo e determinante nel controllo del processo. Il risultato è una macchina capace di adattarsi, apprendere e operare con elevata efficienza, aprendo nuove prospettive per il feeding flessibile e per l’automazione del futuro.
