Automatic Defect Detection and Intelligent Grading System for University Ceramics Integrating Computer Vision

Nel mondo della ceramica, il viaggio dalla materia prima argillosa a un piatto o una piastrella finiti e splendenti è una danza delicata di calore e chimica. L'ultimo passaggio, la cottura, trasforma il materiale, ma introduce anche un nemico persistente: i difetti superficiali. Piccole crepe, bolle d'aria intrappolate o sottili variazioni di colore possono rovinare un pezzo, trasformando un potenziale capolavoro in scarto. Per secoli, l'unico modo per individuare questi difetti è stato l'occhio umano. Un esperto ispettore scansiona la superficie, cercando imperfezioni che potrebbero essere sottili come un capello o piccole come la punta di uno spillo. Tuttavia, questo metodo è lento, stancante e incline all'errore. La fatica si insinua, gli occhi perdono i dettagli più minuti e il giudizio su cosa costituisca un "difetto" può variare da persona a persona. Nei laboratori universitari, dove studenti e ricercatori creano piccoli lotti di ceramiche uniche, artistiche o sperimentali, queste sfide si amplificano. I pezzi sono spesso unici, i cicli di produzione sono minuscoli e la necessità di dati precisi e ripetibili per guidare l'insegnamento e la ricerca è elevata.

È qui che l'intersezione tra l'antico mestiere e la tecnologia moderna offre un nuovo percorso. I ricercatori della Ceramic University di Jingdezhen hanno sviluppato un sistema che agisce come un osservatore instancabile e iper-attento per questi pezzi ceramici. Combinando telecamere specializzate con un'intelligenza artificiale avanzata, hanno creato un modo per vedere ciò che l'occhio umano spesso perde e per classificare la qualità di ogni pezzo con coerenza matematica. L'obiettivo non era sostituire l'artista, ma fornire uno strumento affidabile che possa gestire il compito ripetitivo e ad alta responsabilità dell'ispezione, liberando gli esperti umani affinché possano concentrarsi sugli aspetti creativi ed educativi del loro lavoro. Il risultato è un sistema che vede l'invisibile, conta l'incontabile e prende decisioni con una velocità e un'accuratezza che trasformano il modo in cui viene effettuato il controllo qualità in un contesto accademico a piccoli lotti.

Il viaggio inizia con la telecamera stessa, che affronta una sfida unica: la stessa cosa che rende belle le ceramiche — la loro vetrina lucida e simile al vetro — è la stessa cosa che le rende difficili da ispezionare. Quando la luce colpisce una superficie lucida, rimbalza indietro in un bagliore accecante, nascondendo spesso proprio le crepe e le bolle che il sistema sta cercando di trovare. Per risolvere questo problema, i ricercatori hanno progettato un setup di illuminazione speciale. Hanno utilizzato un anello di luci che emette luce polarizzata, un tipo specifico di onda luminosa che vibra in un'unica direzione. Quando questa luce colpisce la vetrina liscia e lucida, rimbalza indietro senza cambiare direzione. Tuttavia, quando colpisce un difetto come una crepa o una bolla, la luce si disperde e perde la sua direzione. Posizionando un filtro davanti alla telecamera che blocca il bagliore accecante e invariato, ma lascia passare la luce dispersa dai difetti, il sistema crea un'immagine chiara e ad alto contrasto dove i difetti risaltano nettamente rispetto allo sfondo. È come indossare occhiali da sole che bloccano il riverbero del sole ma permettono di vedere i dettagli del paesaggio sottostante.

Una volta che la telecamera ha catturato questa immagine nitida, il computer deve pulirla. Le immagini possono essere leggermente sfocate o distorte a causa della vibrazione del nastro trasportatore o del movimento dell'aria nell'area del forno. Il sistema utilizza un sofisticato filtro digitale per levigare il rumore casuale senza sfocare i bordi netti dei difetti. Analizza poi l'immagine in un modo che separa i motivi regolari e ripetitivi della trama della vetrina dai modelli irregolari e caotici di un difetto. Ciò consente al computer di ignorare la grana naturale della ceramica e concentrarsi interamente sui difetti. Il risultato è un'immagine incontaminata e potenziata, pronta per la fase successiva: l'intelligenza artificiale.

Il cuore del sistema è un modello di deep learning, un tipo di programma per computer addestrato a riconoscere schemi. I ricercatori hanno scelto un'architettura potente nota come YOLO, che sta per "You Only Look Once" (Guardi solo una volta), perché può rilevare oggetti in un'immagine quasi istantaneamente. Tuttavia, le versioni standard di questo modello faticavano con le sfide specifiche delle ceramiche, come le dimensioni minuscole di alcune bolle o le forme complesse delle crepe. Per risolvere il problema, il team ha aggiunto un meccanismo di attenzione speciale che aiuta il computer a concentrarsi sulle parti più importanti dell'immagine, proprio come farebbe un essere umano focalizzando lo sguardo su un punto specifico. Hanno anche ottimizzato il modo in cui il modello osserva l'immagine a diverse scale, assicurando che possa individuare un minuscolo forellino con la stessa facilità di una lunga crepa frastagliata.

Un ostacolo significativo nell'addestramento di un tale sistema è la mancanza di dati. In un laboratorio universitario, si potrebbero produrre solo poche decine di pezzi alla volta, e i difetti sono rari. Ciò significa che ci sono pochissimi esempi di crepe o bolle da cui il computer possa imparare. Per superare questo limite, i ricercatori hanno utilizzato uno strumento di intelligenza artificiale generativa per creare migliaia di immagini sintetiche realistiche di difetti. Queste non sono semplici disegni casuali; sono simulazioni ad alta fedeltà di crepe e bolle che appaiono e si comportano come quelle reali, colmando le lacune nei dati di addestramento. Ciò ha permesso al sistema di apprendere da una vasta libreria di esempi, anche se il laboratorio fisico produceva solo un piccolo numero di pezzi difettosi reali.

Una volta che il sistema ha identificato un difetto, deve decidere quanto sia grave. È qui che entra in gioco il concetto di "classificazione". Inveve di limitarsi a dire "difetto trovato", il sistema calcola un punteggio di gravità basato sulla dimensione, la forma e la posizione del difetto. Una crepa lunga e sottile viene trattata diversamente da una piccola bolla rotonda. Il sistema utilizza una soglia dinamica, il che significa che adatta i propri standard in base al lotto specifico di ceramiche in ispezione. Se le materie prime cambiano o le condizioni di cottura variano leggermente, il sistema ricalibra la sua definizione di ciò che è accettabile, garantendo che la classificazione rimanga equa e coerente indipendentemente dai cambiamenti esterni. Questo approccio dinamico si è dimostrato molto più accurato rispetto all'uso di una regola fissa e immutabile, che spesso porta a errori quando le condizioni variano.

L'intero processo avviene in una frazione di secondo. Il sistema è stato testato su un nastro trasportatore che si muove a una velocità di circa 30 pezzi al minuto, una velocità gestibile per un laboratorio universitario ma impossibile da mantenere con alta precisione per un ispettore umano durante un lungo turno. I ricercatori hanno testato il sistema su 360 pezzi diversi, inclusi piastrelle piatte, stoviglie e persino opere artistici a basso rilievo con motivi in rilievo. I risultati sono stati sorprendenti. Il sistema ha rilevato i difetti con un'accuratezza di quasi il 90 percento, superando di gran lunga le prestazioni degli ispettori umani, che perdevano circa il 12 percento dei difetti visibili. Il sistema automatizzato ha ridotto il tasso di mancata rilevazione a meno del 3 percento. Inoltre, è stato in grado di classificare il tipo di difetto e assegnare un grado con un'accuratezza superiore al 91 percento, eguagliando il consenso di tre esperti umani indipendenti.

Il sistema ha anche dimostrato il suo valore nel mondo reale del laboratorio. È stato integrato in un flusso di lavoro in cui non solo ispezionava i pezzi, ma inviava anche i dati a un computer centrale. Questi dati sono stati utilizzati per generare rapporti che mostravano esattamente dove si verificavano i difetti e con quale frequenza. Analizzando questi dati, i ricercatori sono stati in grado di individuare un modello nascosto: la velocità con cui il forno si riscalda era direttamente collegata al numero di bolle che apparivano nel prodotto finale. Questa intuizione ha permesso loro di regolare il processo di cottura, riducendo il numero di bolle di quasi un terzo nei lotti successivi. Questo ciclo chiuso di ispezione e miglioramento del processo è il vero potere del sistema: non si limita a trovare i pezzi difettosi, ma aiuta a prevenirne la creazione.

Ci sono, naturalmente, i limiti di ciò che questo sistema di visione 2D può fare. Quando il pezzo ceramico ha una forma tridimensionale complessa con solchi profondi o rilievi, il sistema a volte fatica. Le ombre proiettate dalle parti in rilievo possono sembrare crepe alla telecamera, portando a un'accuratezza leggermente inferiore per questi pezzi artistici. I ricercatori riconoscono questo limite e suggeriscono che le versioni future potrebbero utilizzare la tecnologia di scansione 3D per vedere intorno agli angoli e nelle ombre, colmando il divario anche per le forme più complesse. Per ora, tuttavia, il sistema rappresenta un grande passo avanti per la ceramica universitaria. Offre un modo per gestire i lotti piccoli, diversificati e di alta qualità tipici della produzione accademica e artistica con un livello di precisiono e velocità precedentemente irraggiungibile.

In definitiva, questo lavoro riguarda molto più che l'individuare crepe. Si tratta di preservare l'integrità dell'artigianato abbracciando al contempo gli strumenti del futuro. Automatizzando il compito tedioso e soggetto a errori dell'ispezione, il sistema permette agli esperti umani nel laboratorio universitario di concentrarsi su ciò che sanno fare meglio: insegnare, creare e spingere i confini di ciò che è possibile con l'argilla e il fuoco. La tecnologia non sostituisce l'artista; lo supporta, assicurando che il prodotto finale sia perfetto come la visione che l'ha creato. Il sistema è una testimonianza del potere di combinare ottiche specializzate, intelligenza artificiale avanzata e una profonda comprensione del materiale per risolvere un problema che affligge i ceramisti da secoli.