Un connettore montato al contrario, una vite assente, un’etichetta sbagliata: per intercettare un difetto prima della spedizione serve un controllo ripetibile. Raspberry Pi 5 con AI locale è una piattaforma da valutare per costruire un primo sistema di ispezione visiva, elaborando le immagini vicino alla macchina.
Il 5 ottobre 2026 Raspberry Pi ha dedicato un approfondimento a Sixfab AI HAT+, una scheda di accelerazione con NPU DEEPX. Lo spunto per le aziende è concreto: collegare acquisizione, riconoscimento ed esito del controllo in un’applicazione che possa lavorare anche senza una connessione al cloud. Leggi la notizia sul sito Raspberry Pi.
La copertina è un’illustrazione concettuale generata con AI. Lo schema e l’esempio che seguono descrivono un progetto possibile; non rappresentano un impianto collaudato da Silicon LogiX.
Che cosa cambia con Sixfab AI HAT+ e DEEPX
La versione da 25 TOPS usa la NPU DEEPX DX-M1M, un processore dedicato all’esecuzione dei modelli. Secondo la documentazione Sixfab, queste sono le caratteristiche principali:
| Calcolo AI | Fino a 25 TOPS con precisione INT8 |
|---|---|
| Memoria NPU | 2 GB LPDDR4x dedicati |
| Collegamento | PCIe Gen 3 ×1 verso Raspberry Pi 5 |
| Potenza tipica | Circa 3 W per la sola NPU |
| Elaborazione | Inferenza sul dispositivo, anche offline dopo l’installazione |
I 3 watt non sono il consumo dell’intera postazione. Nel bilancio energetico vanno inclusi Raspberry Pi, telecamera, illuminazione, memoria di archiviazione e interfacce. Anche i TOPS, cioè migliaia di miliardi di operazioni al secondo, descrivono una capacità di calcolo: il tempo per controllare un pezzo si misura sull’applicazione completa.
Quali controlli qualità può fare una telecamera con AI locale?
Il punto di partenza è scegliere un difetto visibile, definito e riconoscibile alla risoluzione disponibile. Tre casi aiutano a capire il tipo di progetto:
- Assemblaggio: verificare presenza e orientamento di un connettore o di un componente, con una posizione di acquisizione controllata.
- Confezionamento: individuare un accessorio mancante o una disposizione errata dei prodotti prima della chiusura.
- Finitura: valutare un sistema che segnali graffi o anomalie superficiali, dopo aver verificato ottica, contrasto e illuminazione.
Una telecamera non vede sotto un componente opaco e non sostituisce una misura elettrica. Per una scheda elettronica può affiancare il collaudo funzionale: l’immagine controlla l’assemblaggio, le misure verificano il comportamento. Se il controllo consiste nel leggere un codice o verificare una geometria stabile, conviene provare anche algoritmi di visione tradizionale.
Dal pezzo al risultato: un esempio di ispezione
Immaginiamo una postazione per controllare un connettore su un piccolo modulo elettronico. Il pezzo viene posizionato in una dima; un segnale avvia l’acquisizione; il software analizza l’immagine e presenta l’esito. Il collegamento alla macchina passa attraverso un’interfaccia progettata per il controllore utilizzato.
Per questa applicazione progetteremmo tre esiti: conforme, difetto rilevato e da verificare. Una foto sfocata, un pezzo fuori posizione o un punteggio insufficiente devono portare a una nuova acquisizione o alla revisione dell’operatore. L’incertezza va gestita nell’applicazione prima di comandare uno scarto.
Ogni controllo dovrebbe registrare identificativo del pezzo, orario, versione del modello ed esito. Le immagini da conservare e i tempi di conservazione si definiscono in funzione del processo. In questo modo è possibile risalire alle condizioni di un controllo e confrontare due versioni del software sugli stessi casi.
Serve davvero una NPU su Raspberry Pi 5?
La scelta dipende dal carico reale. Prima di acquistare un acceleratore, misuriamo una soluzione sulla CPU con il modello previsto. La NPU diventa interessante quando il tempo di inferenza, il numero di immagini o il carico dell’applicazione richiedono più margine. Per approfondire il ruolo dell’acceleratore, leggi la guida alle NPU nei sistemi embedded.
Un esempio di dimensionamento: con 60 pezzi al minuto arriva un pezzo ogni 1.000 millisecondi. Una proposta di budget potrebbe assegnare 100 ms alla foto, 150 ms all’elaborazione e 100 ms a decisione e comunicazione. Resterebbero 650 ms di margine. Sono numeri illustrativi, non prestazioni misurate sulla scheda. Inoltre va rispettata la finestra utile del pezzo davanti alla telecamera, che può essere più breve dell’intervallo tra due pezzi.
La prova deve misurare anche i tempi peggiori mentre il sistema salva immagini, aggiorna l’interfaccia e comunica con la macchina. Una media favorevole può nascondere ritardi sporadici, code di immagini o acquisizioni perse.
Come si porta un modello AI sulla scheda
Nel percorso documentato da Sixfab, un modello supportato viene esportato in ONNX, compilato con DX-COM su una macchina Ubuntu x86_64 e distribuito come file .dxnn. Sul Raspberry Pi il runtime esegue il modello attraverso API C++ o Python. L’addestramento e la compilazione sono attività separate dall’inferenza sul dispositivo.
Per un difetto specifico del prodotto servono immagini rappresentative e annotazioni coerenti. Se si fotografano più volte gli stessi pezzi, occorre evitare che immagini quasi identiche finiscano sia nell’addestramento sia nel test. Separare i campioni per pezzo o lotto rende la valutazione più vicina all’impiego reale.
Il passaggio a INT8 richiede una verifica sul modello effettivamente distribuito: eventuali variazioni nei risultati vanno misurate sui propri difetti. Per preparare casi ripetibili, il progetto SLX SynthForge mostra un percorso con scene e dati sintetici; una linea produttiva richiede comunque immagini reali e condizioni di acquisizione validate.
Quanto costa un sistema di controllo qualità con Raspberry Pi?
La pagina Sixfab indica 90 dollari per AI HAT+ da 25 TOPS, alla data di consultazione. È il prezzo della scheda aggiuntiva: Raspberry Pi e la postazione completa vanno conteggiati separatamente. Valuta prezzo finale, imposte e spedizione con il fornitore per il mercato di destinazione.
Il budget del progetto dovrebbe comprendere:
- Acquisizione: telecamera, obiettivo, illuminazione, supporti e dima del pezzo.
- Elettronica: computer, alimentazione, raffreddamento, contenitore e collegamento al controllore.
- Dati e modello: raccolta dei campioni, annotazione, addestramento e valutazione.
- Software: interfaccia operatore, gestione degli esiti, registrazioni e integrazione con il gestionale.
- Messa in servizio: prove su lotti reali, soglie di accettazione e manutenzione.
Per stimare il valore della postazione, confronta il costo totale con il processo attuale: minuti dedicati all’ispezione, rilavorazioni, scarti e difetti sfuggiti. Un prototipo permette di raccogliere i dati per questa valutazione prima di estendere il sistema alla produzione.
Cinque verifiche prima di portare l’AI sulla linea
- Difetti sfuggiti: misura quanti pezzi difettosi vengono accettati e quali difetti restano difficili.
- Falsi scarti: verifica quanti pezzi conformi vengono respinti o richiedono una revisione manuale.
- Condizioni reali: prova lotti diversi, variazioni di posizione, riflessi e cambi di illuminazione.
- Continuità operativa: verifica riavvii, telecamera scollegata, spazio di archiviazione esaurito e comunicazione interrotta.
- Aggiornamenti: conserva modello e software approvati, un insieme di test fisso e una procedura per ripristinare la versione precedente.
Definisci questi criteri prima del test. Se un modello viene scelto dopo molte prove sugli stessi campioni, serve un ulteriore insieme indipendente per verificare il risultato. Per linee con più telecamere, la guida alla visione industriale via Ethernet affronta anche banda e architettura di acquisizione.
Domande frequenti su Raspberry Pi e controllo qualità AI
Il controllo può funzionare senza Internet?
L’inferenza è locale dopo l’installazione. Il funzionamento offline della postazione dipende anche dalle scelte del software: modelli, licenze, autenticazione e registrazione degli esiti devono essere disponibili nel luogo di utilizzo.
Un modello già pronto riconosce i difetti del mio prodotto?
Un esempio preaddestrato aiuta a verificare che il sistema elabori immagini. Per un difetto specifico bisogna misurare il comportamento su campioni del proprio prodotto e, se necessario, preparare un modello dedicato.
La scheda può accelerare anche modelli linguistici?
Le fonti consultate non sono concordi: il post Raspberry Pi descrive anche modelli linguistici, mentre Sixfab indica la visione come ambito attuale. Questo articolo considera il controllo visivo; un progetto con modelli linguistici richiede conferma del supporto per hardware, modello e runtime scelti.
Da un difetto concreto a una prova di fattibilità
Silicon LogiX può affiancare il progetto collegando AI e machine learning, Linux embedded e software su misura. Il primo passo è definire cosa osservare, con quali tempi e come usare l’esito nel processo aziendale.
Vuoi capire se l’AI può intercettare un difetto del tuo prodotto? Descrivi il controllo che vuoi automatizzare, i campioni disponibili e la cadenza della linea: sono le informazioni utili per impostare una prova di fattibilità.
Fonti tecniche consultate il 12 ottobre 2026. Specifiche e prezzo sono dichiarazioni dei produttori; l’esempio temporale e i criteri di valutazione sono elaborazioni progettuali Silicon LogiX.
