Using the YOLOv12 Model for Verifying the Correct Color Sequence of Wires in Network Cables (Patch Cords) on the Production Line

Sintesi Tecnica: Utilizzo del modello YOLOv12 per la verifica della sequenza corretta dei colori dei fili nei cavi di rete

Definizione del problema
Nella produzione industriale di cavi di rete (patch cord), la corretta disposizione degli otto fili all'interno del connettore RJ45 è fondamentale per le prestazioni di rete. Standard come T568A e T568B definiscono sequenze di colori precise; qualsiasi scostamento determina prodotti difettosi e non funzionanti. Il controllo qualità tradizionale si affida all'ispezione visiva manuale tramite microscopi digitali. Gli autori identificano questo metodo come lento, tedioso e soggetto a errori umani dovuti alla fatica dell'operatore, alle condizioni di illuminazione variabili e ai limiti dell'acuità visiva. Tali limitazioni rendono necessario una soluzione automatizzata che possa operare in tempo reale su linee di produzione ad alto volume per garantire una qualità uniforme e ridurre gli scarti.

Metodologia
Lo studio propone un sistema di ispezione intelligente e automatizzato basato sulla dodicesima versione del modello di rilevamento oggetti YOLO, specificamente YOLOv12. La metodologia comprende i seguenti componenti:

• Dataset: Un dataset dedicato di 2.500 immagini ad alta risoluzione (circa 1200×1600 pixel) è stato acquisito utilizzando un microscopio digitale industriale dalla vista frontale dei connettori RJ45. Il dataset include otto classi di colore distinte corrispondenti allo standard T568B (bianco-arancione, arancione, bianco-verde, blu, bianco-blu, verde, bianco-marrone e marrone).
• Preparazione dei dati: Le immagini sono state annotate manualmente con riquadri di delimitazione (bounding boxes) per ogni filo. I dati sono stati suddivisi in 70% per l'addestramento, 15% per la validazione e 15% per il test. Per migliorare la generalizzabilità e prevenire l'overfitting, sono state applicate tecniche di data augmentation, tra cui rotazione, ritaglio, zoom, flipping orizzontale e regolazioni di luminosità e contrasto.
• Architettura del modello: Il sistema utilizza YOLOv12, un rilevatore a stadio singolo potenziato da meccanismi di attenzione. Le caratteristiche architettoniche chiave impiegate includono:
  • Attenzione basata sulla regione nel backbone per concentrarsi sulle aree rilevanti dell'immagine.
  • Strutture Residual-ELAN per l'aggregazione delle caratteristiche al fine di preservare le informazioni alla profondità della rete.
  • Predizione multi-scala per rilevare fili sottili a tre diversi livelli di output.
  • Anchor boxes: Nove anchor box sono stati ottimizzati tramite clustering k-means basandosi sulle dimensioni reali dei fili.
• Configurazione dell'addestramento: Il modello è stato addestrato utilizzando il framework PyTorch su una GPU NVIDIA Tesla T4. La funzione di perdita è una combinazione ponderata di perdite di localizzazione (CIoU), di oggettività (objectness) e di classificazione (pesate rispettivamente 0,5, 0,4 e 0,1). L'addestramento ha utilizzato una dimensione del batch di 16 su 50 epoche con meccanismi di early stopping.
• Logica decisionale: Dopo il rilevamento, un algoritmo di ordinamento dispone i fili rilevati in base alle loro coordinate orizzontali (asse x). Questa sequenza predetta viene quindi confrontata con il modello T568B per determinare se il cavo supera o fallisce il test.

Risultati Chiave
Il sistema è stato valutato su un set di test completamente indipendente di 375 immagini in condizioni variabili (illuminazione, rumore, sfondo). Le metriche di prestazione sono le seguenti:

• Precisione: 99,1%
• Richiamo (Recall): 98,0%
• Mean Average Precision (mAP@IoU 0.5:0.95): 94,6%
• Accuratezza della verifica della sequenza: 98,13% (368 su 375 cavi classificati correttamente come pass/fail).
• Analisi degli errori: Il modello ha mostato un'alta accuratezza per i fili a colore pieno. I pochi errori (meno del 2%) si sono verificati principalmente con fili dotati di isolamento bianco e strisce colorate strette (es. bianco-arancione, bianco-marrone) a causa della somiglianza cromatica e del basso contrasto. Notevolmente, il sistema ha prodotto zero errori di "falso accettato" (cavi difettosi segnati come buoni), con tutti i 7 errori che sono stati "falsi scartati" (cavi buoni segnati come difettosi).
• Velocità: Il sistema elabora le immagini a circa 160 fotogrammi al secondo (5–6 ms per immagine) su una GPU, e circa 8–9 fps su una CPU, superando significativamente i requisiti di velocità delle linee di produzione industriale.

Significatività e Rivendicazioni
L'articolo sostiene che il sistema proposto basato su YOLOv12 offra un'alternativa superiore sia all'ispezione manuale tradizionale che ai metodi automatizzati precedenti (come l'approccio di Tsai & Cheng del 2022, che era limitato dalla dipendenza dall'illuminazione e dalle velocità di elaborazione ridotte).

Gli autori affermano che il sistema affronta con successo il compromesso tra velocità e accuratezza, fornendo prestazioni in tempo reale adatte agli ambienti Industry 4.0. Automatizzando il processo di verifica, il sistema elimina l'errore umano, riduce i colli di bottiglia della produzione e garantisce un controllo qualità al 100%. Lo studio conclude che questo approccio non è solo efficace per i cavi di rete, ma è anche estendibile ad altre attività di ispezione multi-filo, come i cablaggi automobilistici e le connessioni di schede elettroniche, rappresentando un passo significativo verso le fabbriche intelligenti completamente automatizzate.