Anomaly Detection con tecniche di Computer Vision

L’anomaly detection con Computer Vision è l’uso di modelli di Machine Learning per individuare difetti, oggetti fuori posto o pattern visivi anomali su immagini e video di produzione. In ambito industriale serve a rendere il controllo qualità più rapido, scalabile e continuo, riducendo ispezioni manuali e intercettando anche anomalie rare o mai viste prima.

Cos’è l’anomaly detection con tecniche di Computer Vision e quando conviene usarla

L’anomaly detection visiva (rilevamento anomalie su immagini) è un approccio di Computer Vision (analisi automatica di immagini) in cui un sistema di Deep Learning (reti neurali addestrate su grandi quantità di dati) impara cosa è “normale” e segnala deviazioni. Rispetto a regole statiche (soglie, template) o ispezione manuale, scala meglio su volumi elevati e variazioni reali di linea (illuminazione, riflessi, piccoli shift di camera).

L’adozione di AI in fabbrica sta accelerando: secondo McKinsey nella Global Survey on AI, l’uso dell’AI in almeno una funzione aziendale è ormai diffuso e continua a crescere (McKinsey, 2025). In manufacturing, la Computer Vision è tra i casi d’uso più “operativi” perché collega direttamente dati e qualità.

AI e Machine Learning abilitano applicazioni reali come il rilevamento di anomalie tramite computer vision per migliorare la qualità produttiva.

— Databricks, guida “AI vs Machine Learning”

Esempi tipici: manifattura (difetti superficiali), logistica (colli fuori posto), sicurezza (intrusioni/zone interdette), manutenzione visiva (usura o surriscaldamento visibile).

Quali tecniche di anomaly detection visiva funzionano meglio: supervised, unsupervised e confronto tra i due approcci della demo

La scelta migliore dipende dai dati disponibili: la supervised anomaly detection (addestrata su difetti etichettati) conviene quando gli errori sono ricorrenti e ben classificabili; la unsupervised/one-class anomaly detection (addestrata quasi solo su “normale”) conviene quando i difetti sono rari, costosi da etichettare o imprevedibili. In pratica, molte linee ottengono il massimo combinando entrambe.

Approccio 1 - Modello sugli errori più comuni

Questo approccio è supervised: il modello impara a riconoscere difetti noti e a classificarli. In pratica è una classificazione (assegnazione di una classe) con localizzazione tramite bounding box (rettangoli che delimitano l’area difettosa), tipica di modelli come YOLO11 (famiglia di detector real-time). È ideale quando sottoestrusione, layer saltati o stringing si ripetono e servono alert “prescrittivi”: dove è il problema e che tipo è.

In produzione, il valore è l’interpretabilità: un operatore vede subito l’area e l’etichetta. La robustezza si ottiene lavorando su variabilità reale (rotazioni lievi, cambi luce) con data augmentation e controlli di drift.

Approccio 2 - Modello sul prodotto ideale

Questo approccio è one-class: il modello apprende il “prodotto ideale” e segnala qualsiasi deviazione significativa. L’output tipico è una heatmap (mappa di calore che evidenzia intensità dell’anomalia) e una segmentazione binaria (maschera 0/1 che isola le aree oltre soglia). In librerie come Anomalib (framework open-source per anomaly detection visiva in PyTorch) sono comuni metodi come PatchCore e PaDiM, che sfruttano feature extraction (estrazione di descrittori) da reti pre-addestrate.

È la scelta giusta quando i difetti sono rari o non catalogabili. La contropartita è la gestione dei falsi positivi: servono soglie, calibrazione e dataset “normale” davvero rappresentativo.

Metriche pratiche per valutare un modello

• Precision: quante segnalazioni sono corrette (riduce allarmi inutili).
• Recall: quante anomalie reali vengono trovate (riduce difetti che passano).
• F1 score: equilibrio tra precision e recall.
• False Positive Rate: quota di falsi allarmi per lotto/ora.
• AUROC: separazione “normale vs anomalo” su soglia variabile.

Dalla teoria alla pratica: la nostra demo di Anomaly Detection

Per passare dal concetto alla realtà, abbiamo realizzato una demo che mostra come la Computer Vision possa aiutare in un contesto produttivo concreto. La demo dimostra come combinare due modelli complementari per coprire difetti noti e anomalie impreviste nelle stampe 3D: un “assistente” per il controllo qualità che lavora in tempo reale su immagini di linea, utile in pre-validazione industriale prima del go-live.

Per affrontare il problema abbiamo testato due approcci complementari.

Approccio 1 - Modello sugli errori più comuni
In questo caso il modello viene addestrato sui difetti più frequenti delle stampe 3D: sottoestrusione, layer saltati, stringing, deformazioni dovute a variazioni termiche. Il sistema imparara a riconoscere questi pattern ricorrenti e a segnalarli via via che emergono. È un metodo diretto, orientato alla classificazione dei guasti già noti e particolarmente utile nelle situazioni in cui il processo produttivo presenta errori ricorrenti.

Approccio 2 - Modello sul prodotto ideale
Il secondo approccio ribalta la prospettiva. Qui il modello apprende esclusivamente dalla versione “perfetta” del prodotto, stampata in condizioni ottimali. L’algoritmo costruisce una rappresentazione statistica e geometrica dell’oggetto corretto, e utilizza questa conoscenza per individuare qualsiasi deviazione significativa: un’asperità fuori posto, un layer non allineato, un’omogeneità compromessa. È il classico paradigma dell’anomaly detection non supervisionata, che permette di scoprire anche difetti rari o mai osservati in precedenza.

Le due strategie rispondono a esigenze diverse ma si rafforzano a vicenda: la prima è efficace nel riconoscere rapidamente gli errori ricorrenti, la seconda amplia la copertura rilevando tutto ciò che si discosta dal comportamento ideale. Insieme offrono una visione più completa della qualità del processo.

In Smart Shaped Software progettiamo demo “production-oriented” per verificare fin da subito dati, output e integrazione: l’obiettivo è ridurre il rischio quando si passa dal prototipo alla linea.

Cosa c’è dietro: tecnologie, dati e strumenti per addestrare un sistema di anomaly detection

Per costruire questa demo abbiamo combinato tre componenti principali, pensati per lavorare bene insieme e restare scalabili:

1. Anomalib per i modelli di anomaly detection,
2. l’ML Runner del framework chaM3Leon,
3. e una web app sviluppata con Gradio.

Il cuore della soluzione è Anomalib, una libreria open-source che raccoglie molti degli algoritmi più solidi oggi disponibili per l’Anomaly Detection in Computer Vision. Offre modelli basati su feature extraction, ricostruzione, modelli generativi e tecniche self-supervised, già ottimizzati per essere addestrati con dataset limitati e in scenari non supervisionati. Da sola, però, non basta quando si vuole trasformare un prototipo di laboratorio in un componente utilizzabile in un ambiente produttivo.

Qui entra in gioco chaM3Leon, e in particolare il suo modulo ML Runner, che funge da collante operativo dell’intera pipeline. Basandosi su Metaflow, consente di orchestrare in modo chiaro e ripetibile ogni fase del ciclo di vita del modello. È in questo livello che vengono gestiti elementi fondamentali per qualsiasi progetto ML industriale:

• tracking degli esperimenti;
• packaging e versionamento del modello;
• gestione del registro modelli;
• deployment automatizzato tramite MLflow.

Il risultato è una pipeline completa e aderente alle buone pratiche MLOps: non solo addestramento, ma anche controllo, riproducibilità e un percorso di deploy standardizzato.

Per rendere la demo accessibile e immediata, abbiamo infine realizzato una web app con Gradio. L’interfaccia consente di caricare immagini, osservare in tempo reale il comportamento dei modelli e visualizzare immediatamente le anomalie rilevate. Questo rende la tecnologia comprensibile anche a chi non ha dimestichezza con i dettagli tecnici, facilitando la sperimentazione e la condivisione dei risultati.

Per una visione più ampia su delivery e dati industriali, vedi servizi AI e Big Data per l'industria e trasformazione dei dati multi-sorgente per decisioni operative.

Un’architettura pensata per la produzione: deployment, integrazione con MES/IIoT e alerting

L’integrazione tra Anomalib, chaM3Leon e Gradio ci ha permesso di costruire una soluzione completa e modulare, pensata non solo per mostrare un concetto ma per avvicinarsi a un utilizzo reale. In produzione, un sistema di anomaly detection visiva deve coprire un flusso end-to-end: acquisizione (camera/PLC), inferenza (edge o cloud), storage (immagini + metadati), dashboard, alert e integrazione con sistemi di stabilimento.

Il punto chiave è l’integrazione: un MES (Manufacturing Execution System, gestione operativa di fabbrica) raccoglie eventi e KPI; uno SCADA (Supervisory Control And Data Acquisition, supervisione impianto) gestisce controllo e allarmi; un ERP (Enterprise Resource Planning) collega qualità e supply chain; una piattaforma IIoT (Industrial Internet of Things) trasporta segnali via MQTT o REST API.

Il controllo di processo è l’insieme delle attività che garantiscono stabilità, qualità e continuità nei processi produttivi.

— Bravo Manufacturing Team, Esperti MES per produzione

Per architetture industriali coerenti, vedi anche architettura model-driven per sistemi industriali e workflow visuale per pipeline di machine learning.

Quanto costa implementare l’anomaly detection industriale e quali problemi bisogna risolvere prima del go-live

Il costo di un progetto di anomaly detection computer vision industriale dipende soprattutto da quattro driver: hardware (camera/illuminazione/edge), qualità e quantità del dataset, complessità del processo (varianti prodotto) e integrazione software (MES/SCADA/ERP). Il modo più efficace per ridurre rischio e TCO è un pilot iterativo, con sprint e metriche chiare.

Problemi tipici e contromisure

• Falsi positivi: calibrare soglie, usare “golden set” per turno/lotto, rivedere illuminazione.
• Variazioni di luce: illuminatori stabili, enclosure, augmentation mirata.
• Concept drift (cambio del “normale”): monitorare metriche, retraining pianificato, dataset continuo.
• Difetti rari: combinare one-class + supervised su difetti noti, active learning.
• Throughput insufficiente: ottimizzare pipeline, batching, edge (es. Jetson) o cloud (AWS/Azure).

Il software funzionante è il principale metro di misura del progresso.

— Asana Experts, Specialisti in metodologie Agile

Per decisioni di implementazione e governance: innovazione e metodologie agili in ambito AI industriale.

Oltre la demo: nuovi casi d’uso dell’Anomaly Detection con Computer Vision

L’approccio sperimentato nella demo ha un vantaggio evidente: non è legato al dominio delle stampe 3D. La stessa combinazione di modelli di visione artificiale, orchestrazione MLOps e interfacce leggere può essere trasferita in altri settori cambiando i dati o aggiungendo moduli specializzati.

• Manifattura: anomalie di superficie, micrograffi, difetti di colore; output: heatmap o box per scarto/rilavorazione.
• Logistica: colli mancanti o fuori posizione su pallet; output: conteggio + alert in tempo reale.
• Sicurezza: intrusioni, DPI mancanti, accessi in zone interdette; output: evento + clip video.
• Retail analytics: scaffali vuoti o prodotti fuori facing; output: score di conformità.
• Healthcare imaging: pattern anomali su immagini diagnostiche come triage (contesto regolato, validazione clinica necessaria).
• Infrastructure inspection: crepe e corrosione su ponti o impianti; output: segmentazione e trend nel tempo.

In sintesi: l’anomaly detection non è solo controllo qualità, ma un layer trasversale di osservabilità visiva che collega dati, processo e decisioni operative.

FAQ sull’anomaly detection con Computer Vision

Quanto tempo serve per avviare un pilot di anomaly detection in fabbrica?

Un pilot ben delimitato richiede in genere 4–8 settimane. Il tempo dipende soprattutto da acquisizione immagini, stabilizzazione dell’illuminazione, definizione delle metriche (precision/recall) e integrazione minima per alert o dashboard. Un perimetro chiaro riduce ritardi e rework prima del go-live.

Quante immagini servono per addestrare un modello di anomaly detection visiva?

Per partire servono spesso centinaia o migliaia di immagini rappresentative di turni, lotti e condizioni reali. Per supervised servono anche esempi di difetti etichettati; per one-class è più importante coprire la variabilità del normale. La qualità del dataset pesa più del numero assoluto.

Qual è la differenza tra defect detection e anomaly detection?

La defect detection cerca difetti specifici già definiti (classi note) e di solito produce box o label. L’anomaly detection segnala deviazioni dal normale, anche senza sapere “che difetto” sia, spesso con score e heatmap. In industria, la prima è più prescrittiva; la seconda è più esplorativa e copre l’ignoto.

Si può usare l’anomaly detection senza un dataset di difetti?

Sì: i metodi one-class/unsupervised si addestrano principalmente su campioni “buoni” e poi segnalano deviazioni. È utile quando i difetti sono rari o costosi da raccogliere. Serve però un dataset “OK” veramente rappresentativo e una calibrazione delle soglie per limitare i falsi positivi.

Come si riducono i falsi positivi in produzione?

Si riducono stabilizzando il setup ottico (illuminazione e camera), definendo soglie per turno/lotto, e monitorando la false positive rate come KPI operativo. In molti casi serve un ciclo MLOps con retraining periodico per concept drift. L’AI in azienda cresce rapidamente (McKinsey, 2025), quindi la governance è parte del progetto.