De’Longhi ha digitalizzato il controllo qualità delle macine destinate alle macchine da caffè automatiche con il progetto AI Grinder Control, introducendo un sistema di ispezione basato su computer vision ad alta risoluzione, algoritmi di deep learning e gestione industriale del ciclo di vita dei modelli. L’intervento ha trasformato un controllo manuale a campione in una verifica automatizzata sull’intera produzione, con una riduzione del 30% degli scarti di linea, un incremento dell’OEE di reparto e un ritorno dell’investimento dichiarato in meno di dodici mesi.
La macina è un componente determinante nelle macchine da caffè superautomatiche perché la sua geometria influenza la granulometria del caffè macinato, la regolarità dell’estrazione e quindi la qualità della bevanda finale. Difetti molto piccoli nelle superfici di taglio, nei profili, nell’accoppiamento o nelle dimensioni possono produrre variazioni che non sempre risultano evidenti a occhio nudo, ma che incidono sul comportamento del macinacaffè durante i test di funzionamento.
Prima della digitalizzazione, il controllo veniva svolto su campioni della produzione. Questo metodo consente di intercettare una parte delle anomalie, ma lascia inevitabilmente fuori una quota di componenti non verificati e rende più difficile individuare rapidamente una deriva di processo. AI Grinder Control è stato progettato per spostare l’ispezione dal controllo statistico a valle a un controllo completo dei pezzi prodotti, rendendo disponibile un dato di qualità per ogni singola macina.
L’architettura utilizza una visione telecentrica da 64 megapixel. In un sistema di visione convenzionale, la prospettiva può introdurre deformazioni: oggetti più lontani dalla camera appaiono più piccoli e le misure cambiano in funzione della posizione. Un obiettivo telecentrico riduce questo effetto, perché acquisisce i raggi quasi paralleli all’asse ottico e mantiene una scala più stabile nell’immagine. Per un controllo dimensionale su componenti meccanici, questa caratteristica permette di misurare profili e dettagli con maggiore ripetibilità, senza dover compensare continuamente gli effetti della distanza o dell’orientamento del pezzo.
Le immagini ad alta risoluzione vengono elaborate da modelli di deep learning addestrati a distinguere le macine conformi da quelle che presentano difetti o anomalie geometriche. Il sistema non si limita quindi a cercare una soglia fissa di luminosità, una semplice differenza di contorno o un valore dimensionale isolato. Il modello può analizzare combinazioni di elementi visivi, come irregolarità delle superfici, discontinuità, anomalie dei denti, bordi non coerenti, imperfezioni localizzate e variazioni rispetto ai campioni di riferimento.
Il deep learning è utile soprattutto quando il difetto non ha una forma unica e perfettamente prevedibile. In una linea produttiva, lo stesso problema può manifestarsi con intensità, posizione o aspetto leggermente diversi. Un approccio tradizionale basato su regole esplicite richiederebbe molte soglie e numerosi parametri da regolare; un modello addestrato su immagini etichettate può invece riconoscere pattern più complessi, purché il dataset includa esempi sufficienti sia di componenti conformi sia delle diverse tipologie di non conformità.
Il progetto integra anche una pipeline MLOps, cioè un insieme di procedure per portare il modello dalla fase sperimentale alla produzione e mantenerlo sotto controllo nel tempo. In un impianto, un algoritmo non può essere installato una sola volta e considerato definitivo. Cambiamenti nelle condizioni di illuminazione, nell’usura degli utensili, nella finitura del componente, nel lotto di materiale o nelle regolazioni della macchina possono modificare la distribuzione delle immagini e ridurre l’affidabilità del riconoscimento. La pipeline MLOps serve a versionare dati e modelli, monitorare le prestazioni, raccogliere casi dubbi, aggiornare il dataset e rilasciare nuove versioni con procedure verificabili.
L’effetto del controllo totale non riguarda soltanto l’eliminazione dei pezzi difettosi. Quando ogni macina viene associata a un esito di ispezione, la qualità diventa un flusso dati utilizzabile anche per individuare le cause di scarto. Se il sistema rileva un aumento di anomalie su una specifica macchina, in un preciso turno, dopo la sostituzione di un utensile o su un lotto di materiale, il reparto può intervenire prima che il problema produca una quantità significativa di componenti non conformi. L’ispezione diventa quindi un sensore di processo, collegato al miglioramento continuo della linea.
De’Longhi indica che il progetto ha consentito anche di risparmiare circa 300 tonnellate di caffè all’anno. Il dato è legato alla riduzione dei test e delle rilavorazioni necessari quando una macina non rispetta le specifiche: intercettare prima il componente difettoso evita di consumare caffè nelle prove funzionali di macchine che non possono essere immesse sul mercato o che richiedono ulteriori controlli. Il gruppo aveva già segnalato, in precedenti programmi di efficientamento, l’obiettivo di ridurre il consumo di caffè utilizzato nelle fasi di calibrazione e test delle macchine automatiche.
AI Grinder Control mostra un’applicazione industriale concreta dell’intelligenza artificiale nella qualità di produzione. Il valore non risiede soltanto nella telecamera o nel modello di classificazione, ma nell’integrazione tra ottica, raccolta dati, deep learning, tracciabilità del componente e procedure operative di reparto. In questo modo il controllo qualità smette di essere una verifica limitata a una quota di campioni e diventa un sistema continuo capace di misurare ogni pezzo, ridurre gli scarti e fornire dati utili per intervenire direttamente sulla stabilità del processo.