Consigliamo il miglior sistema di visione per le esigenze del cliente

Dal 1999, Imagina progetta, sviluppa e produce soluzioni di visione per il mondo industriale, con un alto livello di personalizzazione che segue le necessità specifiche di ogni cliente. L’azienda propone soluzioni che si possono definire più tradizionali, sia sistemi di visione dotati di intelligenza artificiale: a seconda dell’applicazione, Imagina propone la soluzione migliore e più adeguata.

Grazie ai propri ingegneri, Imagina progetta e installa soluzioni di ispezione ottica in grado di svolgere i tipici compiti della visione artificiale: misurazione, controllo difetti e classificazione. Imagina si dedica allo sviluppo di progetti di complessità medio alta le cui soluzioni non sono direttamente fruibili sul mercato consumer e industriale. Particolare attenzione viene posta, in fase di progettazione, alle scelte dell’architettura hardware per l’acquisizione di immagine e dell’architettura software per l’elaborazione e all’integrazione del sistema nell’impianto produttivo del cliente. L’utilizzo dell’intelligenza artificiale ha recentemente aperto le porte a soluzioni difficilmente raggiungibili attraverso soluzioni algoritmiche tradizionali. “L’utilizzo delle reti neurali ha prodotto effetti di discontinuità culturale rispetto al passato – afferma Andrea Varisco, ingegnere di Imagina – Infatti la soluzione al problema non passa dallo sviluppo di un programma specifico, ma è il problema stesso, presentato in tutte le forme che può assumere, che consente la configurazione della rete neurale in modo tale che diventi essa stessa una soluzione ottimale. Allo stato attuale, sono le reti supervisionate a garantire il maggior utilizzo efficace in ambito industriale”. Questo tipo di reti viene configurato attraverso la fase di apprendimento che consiste nel fornire ingressi noti (tipicamente immagini già classificate da una o più persone) e lasciare che la rete si configuri affinché le risposte siano quelle attese come farebbe l’operatore umano. È proprio questa fase di training, che avviene in modo completamente automatico, ad avere alcune analogie con quanto avviene nel cervello umano quando apprende come riconoscere oggetti mai visti prima. L’ambito più naturale dove può operare la AI è la classificazione di immagini, la cui informazione è ben presente ma fortemente variabile e casualmente inserita nell’immagine durante il processo di acquisizione. La visione tradizionale è rigida e analitica, può essere molto accurata e avere una matematica rivolta ai particolari di una immagine. Può fornire indicazioni sui singoli pixel e addirittura sulle frazioni degli stessi. Il processo di acquisizione in generale influenza fortemente il risultato. La visione con AI è molto flessibile con la matematica rivolta all’intera intera immagine o a una buona parte di essa. Generalmente necessita di un gruppo rilevante di pixel per essere attivata in modo corretto. Il processo di acquisizione è meno importante e non influenza in modo determinante il risultato.

Visione tradizionale versus AI

“Si può dire che quando sussistono esigenze di misurazione quantitativa la visione tradizione è lo strumento corretto. Quando si hanno esigenze di classificazione, invece, è l’approccio AI ad essere molto più performante. Esistono poi delle applicazioni dove entrambe le tecnologie posso portare alla soluzione, si tratta generalmente di problematiche di localizzazione”, spiega Andrea Varisco. Nella misurazione 2D/3D di lunghezza, area volume, luminosità, velocità e posizione, gli algoritmi tradizionali danno risultati molto analitici, mentre la AI non può molto in questo caso. Per quanto riguarda la localizzazione di oggetti noti 2D/3D, in posizione e rotazione, oltre che analisi della completezza, sia l’intelligenza artificiale che gli algoritmi tradizionali possono dare dei risultati soddisfacenti, benché con tecniche differenti: nel primo caso la localizzazione è possibile in modo indiretto con tecniche denominate sliding windows oppure o di clustering; nel secondo, invece, è possibile con tecniche di correlazione basate sui livelli di grigio o sulle geometrie. Ancora, nel caso della classificazione di oggetti di varia natura acquisiti con differenti dispositivi e risoluzioni è la AI a dare i migliori risultati: infatti è possibile effettuare la classificazione anche senza controllo della acquisizione, e inoltre supporta deformazioni non lineari. Al contrario, gli algoritmi tradizionali, sebbene siano in grado di effettuare la classificazione con tecniche morfologiche, presentano molti vincoli sul processo di acquisizione.

Veloce integrazione al sistema produttivo e capacità di analisi dei dati storici

Buona parte del successo che la AI sta ottenendo è dovuto ai seguenti fattori: la diponibilità a basso costo di hardware in grado di eseguire il training delle reti; la disponibilità di librerie open source per la configurazione delle reti; la facile fruibilità di queste librerie attraverso linguaggi di alto livello come Python. Per riportiamo degli esempi pratici. Un sistema di visione, grazie alla scansione 3D, è in grado di verificare che non ci siano residui sporgenti o errori di produzione. Un esempio di applicazione di localizzazione è, invece, la verifica del corretto assemblaggio e della presenza di un seeger meccanico. Infine, grazie ai sistemi OCR, sono in grado di eseguire operazioni di classificazione anche su marcature particolarmente danneggiate o mal eseguite. Le applicazioni di Imagina sono state sviluppate utilizzando librerie commerciali per quanto riguarda l’approccio tradizionale, mentre sono state utilizzare librerie open source per lo sviluppo AI. Alcuni aspetti di queste soluzioni, quali una buona capacità di integrazione con il sistema produttivo esistente e la capacità di eseguire analisi su dati storici, restano punti chiavi che forniscono valore aggiunto anche quando non strettamente legati al sistema di visione e alle modalità con il quale questo è stato implementato.