Guide

Visione artificiale per i guasti: come riconosce le anomalie

Redazione Manutentya 09 novembre 2026 14 min di lettura
Visione artificiale per i guasti: come riconosce le anomalie

La visione artificiale individua i guasti dei macchinari analizzando immagini e video con modelli di intelligenza artificiale. Le immagini arrivano da telecamere fisse o dalle foto scattate dagli operatori. Il modello confronta ciò che vede con lo stato normale del componente e segnala crepe, perdite d’olio, corrosione, usura e deformazioni. Funziona bene a tre condizioni: immagini di buona qualità, dati di addestramento presi dal tuo impianto e un flusso chiaro che trasformi ogni anomalia in un intervento tracciato. In questa guida trovi come funziona il riconoscimento dei guasti da foto, cosa può vedere una telecamera, quante immagini servono, come tenere sotto controllo i falsi allarmi e come misurare i risultati su fermi e costi.

Manutentya
Trasforma le anomalie in interventi tracciati
Con Manutentya, gli operatori aprono ticket dai QR code dei macchinari e monitorano gli interventi in tempo reale.
Scopri Manutentya

In breve

  • La visione artificiale replica e automatizza l’ispezione visiva, che resta uno dei controlli più diffusi in fabbrica.
  • Riconosce guasti visibili: crepe, abrasioni, perdite d’olio, umidità, corrosione, componenti deformati o mancanti.
  • Servono immagini rappresentative, anche dei casi dubbi, e condizioni di ripresa stabili: luce, angolazione e nitidezza contano quanto il modello.
  • I falsi allarmi si gestiscono con una soglia calibrata e con la conferma del tecnico prima dell’intervento.
  • Il valore arriva quando l’anomalia diventa subito un ticket nel CMMS, con storico, ricambi e KPI come MTBF e MTTR.

Indice

Che cos’è la visione artificiale applicata ai guasti

L’ispezione visiva è uno dei controlli più antichi della manutenzione: il tecnico guarda, confronta con l’esperienza, decide. La visione artificiale porta questo controllo nel software. Secondo un’ampia rassegna sui metodi di rilevamento dei difetti basati su immagini pubblicata nel 2020, l’ispezione visiva è tra le procedure più comuni nell’industria, e i sistemi automatici si basano su tecniche di elaborazione delle immagini che imitano o sostituiscono la vista e il giudizio umano.

Nella manutenzione l’obiettivo è leggermente diverso dal controllo qualità sul prodotto. Non si cerca il pezzo scartato a fine linea: si cerca il segnale che anticipa il guasto della macchina. Un tubo idraulico che si screpola, una macchia d’olio sotto un cilindro, un punto di ruggine su una staffa, una cinghia sfilacciata. Sono dettagli che un operatore nota solo se passa nel momento giusto e sa cosa guardare.

Con la visione artificiale questo sguardo diventa continuo, se usi telecamere fisse, oppure più rapido e uniforme, se analizzi le foto scattate durante i giri di ispezione o al momento della segnalazione.

Che cos'è la visione artificiale applicata ai guasti

Come funziona il riconoscimento dei guasti da foto e video

Il percorso è lo stesso sia per una telecamera fissa sia per la foto scattata con lo smartphone. Cambia solo la frequenza con cui arrivano le immagini.

  1. Acquisizione. La telecamera o l’operatore riprende il componente. Distanza, angolo e luce devono essere il più possibile ripetibili.
  2. Pre-elaborazione. Il sistema ritaglia l’area di interesse, corregge esposizione e contrasto e scarta le immagini troppo mosse o buie.
  3. Analisi con il modello. Una rete neurale elabora l’immagine e produce un risultato: una classe (“perdita d’olio”), un riquadro attorno al difetto o una mappa che evidenzia le zone anomale.
  4. Punteggio e soglia. Ogni risultato ha un livello di confidenza. Sopra la soglia scatta la segnalazione, sotto resta un dato registrato.
  5. Azione. L’anomalia arriva al responsabile o al tecnico, che la verifica e apre l’intervento.

Due approcci: riconoscere il difetto o riconoscere la deviazione

Esistono due famiglie di modelli, spesso combinate.

  • Rilevamento supervisionato. Il modello impara da immagini etichettate con il tipo di difetto. Uno studio del 2025 sulla manutenzione predittiva con deep learning ha usato modelli come YOLOv11, RT-DETR e YOLO-World per individuare usura dei tubi, guasti ai pistoni, umidità e corrosione su immagini raccolte in ambienti industriali reali. Il vantaggio: il sistema dice quale guasto vede.
  • Rilevamento di anomalie. Il modello impara com’è il componente in buono stato e segnala tutto ciò che se ne discosta. È utile quando i guasti sono rari e hai poche foto di difetti. Per confrontare questi metodi la ricerca usa dataset di riferimento come MVTec AD, con oltre 5.000 immagini ad alta risoluzione in quindici categorie di oggetti e superfici.

La stessa rassegna del 2020 ricorda il compromesso: per classificare i singoli difetti serve un archivio descrittivo dei difetti possibili, mentre il principio della deviazione dal normale richiede un’analisi attenta delle texture. Nella pratica si parte spesso dall’anomalia generica e si aggiungono le classi specifiche man mano che lo storico cresce.

Quali guasti e anomalie si vedono in un’immagine

La visione artificiale lavora su ciò che è visibile. Per vibrazioni, temperature interne o assorbimenti elettrici servono altri sensori. Per tutto ciò che lascia un segno in superficie, invece, l’immagine è spesso il dato più immediato.

Componente o area Anomalia visibile Cosa può indicare
Tubi e raccordi idraulici Crepe, abrasioni, deformazioni Rottura imminente, perdita di pressione
Pistoni e cilindri Trafilamenti e macchie d’olio, crepe Guarnizioni usurate, calo di efficienza
Strutture, staffe, carter Corrosione, umidità, ossidazione Degrado del materiale, infiltrazioni
Cinghie, catene, nastri Sfilacciamenti, allentamenti, disallineamenti Usura, tensionamento errato
Assiemi e protezioni Componenti mancanti o spostati Montaggio errato, rischio sicurezza
Pezzi in uscita dalla macchina Bave, inclusioni, variazioni dimensionali Deriva dello stampo o del processo

Le prime tre righe corrispondono ai guasti trattati nello studio sulla manutenzione predittiva con deep learning. L’ultima riga è interessante per la manutenzione anche se nasce dal controllo qualità: un difetto che compare sul pezzo spesso dice qualcosa sulla macchina. Secondo Plastix, nello stampaggio a iniezione i sistemi basati su reti neurali rilevano bave, inclusioni e variazioni dimensionali con una precisione superiore a quella dell’operatore e sono integrati a valle della pressa con un riscontro in tempo reale.

Anche il trasporto ferroviario si muove in questa direzione. Il bando ARTES 4.0 per Trenitalia del 2025 chiede algoritmi che rilevino crepe, deformazioni e componenti mancanti con accuratezza superiore al 99% e tempi di ispezione sotto i 12 minuti per veicolo.

Telecamera fissa o foto dell’operatore: due modi di usarla

Non serve cablare tutto l’impianto per iniziare. Le strade sono due, e molte aziende le usano insieme.

Visione continua con telecamere fisse

Le telecamere osservano un punto critico e analizzano il flusso video senza interruzioni. Il CNR ha documentato questo approccio di “pervasive vision” nei casi studio di SI-Lab sull’Industria 4.0: sensori con telecamera e logica integrata forniscono dati quantitativi sul processo, e le anomalie che anticipano un guasto vengono registrate nello SCADA o notificate direttamente ai dispositivi mobili degli operatori.

È la scelta giusta per macchine critiche, zone difficili da raggiungere e difetti che evolvono in fretta.

Diagnosi da foto durante segnalazioni e ispezioni

L’operatore nota qualcosa di strano, scatta una foto e la allega alla segnalazione. Un assistente AI analizza l’immagine insieme alla documentazione della macchina e propone una diagnosi al tecnico. Qui la visione artificiale non sostituisce il giro di ispezione: lo rende più veloce e più uniforme tra turni e persone diverse.

È la scelta giusta per parchi macchine ampi e vari, dove installare una telecamera per ogni asset non ha senso, e per aziende che vogliono partire subito con strumenti che hanno già in mano.

Quali immagini e dati servono

Un modello vale quanto le immagini con cui lo alleni e lo verifichi. Questi sono i punti da curare prima di metterlo in produzione.

  • Immagini del componente in buono stato. Definiscono la condizione corretta e sono la base del rilevamento di anomalie.
  • Immagini dei difetti, casi dubbi compresi. Una crepa evidente si riconosce facilmente. Il valore sta nei casi al limite, quelli su cui anche due tecnici discuterebbero.
  • Qualità di ripresa costante. Una ricerca del 2024 evidenzia che rumore, immagini mosse, luce variabile e angolazioni errate possono degradare in modo drastico le prestazioni del modello. Per questo servono procedure di acquisizione guidata o filtri che scartino le foto inutilizzabili.
  • Dati sintetici quando i guasti sono rari. La stessa ricerca indica che tecniche di generazione come le GAN permettono di addestrare modelli anche con pochi esempi di guasti reali.
  • Validazione su dati del tuo impianto. Uno studio presentato al CVPR 2025 sottolinea che i buoni risultati sui benchmark accademici non garantiscono la prontezza industriale: servono prove su dati reali ed eterogenei, non solo su immagini di laboratorio pulite.

Un consiglio pratico: inizia a raccogliere foto da subito, anche prima di avere un modello. Ogni ticket con un’immagine allegata è un esempio etichettato in più, con data, macchina, causa e soluzione. Lo storico degli interventi diventa così il tuo dataset.

Falsi allarmi: come tenerli sotto controllo

Un sistema che segnala troppo viene ignorato in poche settimane. Gestire i falsi allarmi fa parte del progetto fin dal primo giorno.

Da dove nascono

Un lavoro del 2023 sui falsi positivi nel rilevamento non supervisionato li collega a riflessi luminosi, scritte e timbri sulle superfici e sfondi complessi. Lo stesso studio propone un passaggio di post-elaborazione che riconosce questi casi usando caratteristiche semantiche dell’immagine. In officina i casi tipici sono simili: un faro che riflette sull’acciaio lucido, un’etichetta nuova, un attrezzo appoggiato nel campo visivo.

Come ridurli

  1. Stabilizza la ripresa. Illuminazione controllata e inquadratura fissa eliminano gran parte delle false segnalazioni.
  2. Calibra la soglia sui dati normali. Secondo una ricerca del 2026 sulla calibrazione dei falsi allarmi, per garantire con il 95% di confidenza un tasso di falsi positivi dell’1% servono almeno 299 campioni normali e indipendenti di calibrazione.
  3. Tieni il tecnico nel ciclo. L’anomalia è una proposta da confermare. Una ricerca sull’ispezione intelligente della qualità osserva che l’automazione totale si raggiunge di rado e che serve sempre una partecipazione umana per gestire le eccezioni.
  4. Registra l’esito. Ogni segnalazione confermata o scartata va salvata. Questo riscontro migliora il modello e la soglia nel tempo.

Il punto 4 è quello che fa la differenza nel lungo periodo, ed è il motivo per cui la visione artificiale rende al massimo dentro un CMMS.

Dal rilevamento al ticket: il ruolo del CMMS

Un’anomalia rilevata ha valore solo se diventa un intervento: qualcuno la prende in carico, sa cosa fare, trova il ricambio, chiude il lavoro e lascia traccia. Senza questo passaggio resta una notifica in più su uno schermo.

Un flusso efficace funziona così:

  1. Segnalazione. L’operatore scansiona il QR code sulla macchina con lo smartphone, scatta la foto e apre il ticket. In alternativa l’allarme arriva dai sistemi di linea: con l’integrazione MES via API REST fermi e allarmi entrano direttamente nel CMMS.
  2. Diagnosi assistita. L’assistente AI analizza foto e manuali della macchina e propone al tecnico le cause probabili e le verifiche da fare.
  3. Presa in carico. Il responsabile vede il ticket di manutenzione in tempo reale, assegna il tecnico e la priorità.
  4. Ricambi. Il tecnico controlla la disponibilità a magazzino prima di andare in macchina. Se stai impostando questa parte, una guida sul controllo dell’inventario manutentivo aiuta a definire giacenze, prelievi e tracciabilità dei materiali.
  5. Chiusura e storico. L’intervento si chiude con tempi, costi, foto e firma digitale. Quel dato alimenta statistiche e analisi predittiva.

Quando lo stesso difetto si ripete, lo storico ti dice ogni quanto succede. A quel punto puoi spostarlo nella manutenzione programmata e intervenire prima del guasto. Se vuoi approfondire il passaggio dal dato alla previsione, trovi i dettagli nella nostra guida alla manutenzione predittiva.

Come misurare i risultati su fermi e costi

Un progetto di visione artificiale si giudica dai numeri della manutenzione, non dall’accuratezza del modello in laboratorio. Questi sono gli indicatori da seguire prima e dopo l’introduzione:

Indicatore Cosa misura Cosa ti aspetti di vedere
MTBF Tempo medio tra due guasti Cresce se intercetti i guasti prima che fermino la macchina
MTTR Tempo medio di riparazione Scende se la diagnosi arriva con foto e cause probabili
Fermi macchina Ore di produzione perse Calano se più guasti diventano interventi programmati
Costo di manutenzione Manodopera, ricambi, fermi Si sposta dalle urgenze agli interventi pianificati
Tasso di falsi allarmi Segnalazioni non confermate Resta basso e stabile nel tempo

I dati delle aziende italiane che hanno investito sul digitale vanno in questa direzione. Nello stabilimento Vhit, secondo Industria Italiana, le soluzioni di smart factory basate sui dati hanno aumentato la produttività del 13% e ridotto i fault di macchina del 20% in tre anni.

Per leggere questi KPI ti serve una base di partenza. Misura MTBF e MTTR per almeno qualche mese prima di introdurre la visione artificiale, sulle stesse macchine che vuoi monitorare. Solo così il confronto è onesto.

Il nostro punto di vista

Nelle fabbriche che seguiamo il problema raramente è vedere il guasto. Spesso qualcuno lo ha già visto: un operatore ha notato la perdita, ha avvisato a voce il capoturno, e l’informazione si è persa tra un turno e l’altro.

Per questo pensiamo che la visione artificiale renda al massimo quando parte dalle persone che sono già in macchina. Con Manutentya l’operatore scansiona il QR code, scatta una foto e apre il ticket in pochi secondi. L’assistente AI propone una diagnosi partendo dai manuali e dalle foto, e il tecnico arriva sapendo cosa cercare.

Ogni foto, ogni causa confermata e ogni intervento chiuso restano nello storico della macchina. È questo storico che rende possibile l’analisi predittiva dei guasti: non un progetto separato, ma il risultato naturale di una manutenzione gestita bene ogni giorno.

Quando poi vuoi aggiungere telecamere o sensori di linea, l’integrazione MES porta i loro allarmi nello stesso sistema. Un solo posto per segnalazioni, interventi, ricambi e statistiche: è così che i responsabili tengono il controllo del parco macchine.

Ufficio

Prova la diagnosi da foto con Manutentya

Manutentya è il CMMS che unisce QR code e intelligenza artificiale: ogni macchina ha la sua anagrafica e il suo codice, l’operatore apre il ticket dallo smartphone con una foto e il chatbot IA per i guasti aiuta il tecnico nella diagnosi. Puoi provarlo gratis per 7 giorni, senza costi di attivazione.

Manutentya

Il canone base costa 69 € al mese, con utenti illimitati inclusi. Ai macchinari si aggiunge un costo per asset, a partire da 10 € al mese per macchinario dal 1° al 10°, che scende fino a 2 € dal 151° in poi. Il modulo Assistente AI costa 39 € al mese, più 4 € al mese per ogni macchinario con l’assistente oltre il quinto. Trovi tutti i moduli e le fasce nella pagina prezzi di Manutentya. Prova gratis 7 giorni →

Domande frequenti

La visione artificiale sostituisce i sensori di vibrazione e temperatura?

No, li completa. La visione artificiale vede ciò che lascia un segno in superficie: crepe, perdite, corrosione, componenti mancanti. Vibrazioni, temperature e assorbimenti richiedono sensori dedicati. In un CMMS con integrazione MES/IoT entrambe le fonti finiscono nello stesso storico della macchina.

Quante foto servono per iniziare?

Per cominciare ti servono soprattutto foto del componente in buono stato e una raccolta costante di foto dei difetti, casi dubbi compresi. Per calibrare una soglia con un tasso di falsi allarmi dell’1% al 95% di confidenza, la ricerca indica almeno 299 campioni normali. Il modo più semplice per accumularle è allegare una foto a ogni ticket.

Si può riconoscere un guasto da una foto fatta con lo smartphone?

Sì, se la foto è nitida, ben illuminata e inquadra il componente giusto. Un assistente AI può analizzarla insieme ai manuali della macchina e proporre al tecnico le cause probabili. La conferma finale resta al tecnico, che verifica in macchina prima di intervenire.

Come evito che il sistema generi troppi falsi allarmi?

Stabilizza luce e inquadratura, calibra la soglia su un numero adeguato di immagini normali e fai confermare ogni segnalazione dal tecnico. Registra l’esito di ogni allarme, confermato o scartato: questo riscontro migliora il sistema nel tempo.

Serve un progetto grande per partire?

No. Puoi iniziare dalle foto allegate ai ticket tramite QR code e app mobile, senza installare telecamere. Le telecamere fisse si aggiungono dopo, sulle macchine critiche, quando lo storico ti mostra dove si concentrano i guasti.

Fonti

Raccomandati

#riconoscimento guasti da foto #visione artificiale manutenzione #rilevamento anomalie macchinari #visione artificiale guasti

Prova Manutentya

Manutentya sui tuoi macchinari.

7 giorni di prova, nessun costo di attivazione, utenti illimitati.