Cresce l'interesse per i vantaggi derivanti dalla combinazione della scansione dei codici a barre e della visione artificiale, tradizionalmente considerate agli antipodi. Questa combinazione crea soluzioni di deep learning che garantiscono efficienza operativa e vantaggi evidenti. Offre opportunità particolarmente rilevanti negli ambienti di produzione di fascia alta, in quanto le reti neurali e l'apprendimento profondo sono adatti a compiti sofisticati di analisi delle immagini nelle applicazioni industriali più soggettive.

Deep Learning per fare la differenza

L'uso della visione artificiale può migliorare i processi delle linee di produzione e consentire l'applicazione efficiente ed economica dei modelli di deep learning. Negli ultimi anni il costo delle telecamere e dei sensori intelligenti è diminuito, mentre la potenza e la velocità di elaborazione sono aumentate drasticamente. L'aggiunta della visione industriale a una linea di produzione può avere un impatto positivo immediato sull'azienda, soprattutto in termini di efficienza operativa, produttività e controllo della qualità.

Il deep learning consente ai produttori di accelerare il flusso di produzione ottimizzando la tracciabilità e l'analisi e utilizzando il monitoraggio e il controllo da remoto per condividere le informazioni e le attività di gestione del sistema tra più siti. Inoltre, consente ai manager di riassegnare gli operatori a compiti a più alto valore aggiunto. Questo riduce i costi e migliora la soddisfazione dei dipendenti, aumentando al contempo il controllo della qualità e la velocità di produzione.

Come funziona il deep learning?

La maggior parte degli algoritmi di deep learning si basa su reti neurali che consentono al modello di apprendere e perfezionarsi attraverso l'analisi intelligente e ripetuta di un gran numero di immagini tipiche. Si tratta di immagini acquisite in ogni fase del processo produttivo mediante scanner industriali fissi e telecamere intelligenti per la visione artificiale. Di solito vengono archiviati nel cloud per soddisfare i vincoli di scalabilità della capacità di archiviazione e il costo dei server locali.

Alcune immagini vengono classificate come "buone" quando arrivano al modello di deep learning, altre come "cattive" a causa di un leggero difetto che il sistema finirà per riconoscere da solo. A un certo punto, il modello dispone di dati sufficienti per iniziare a determinare autonomamente la qualità delle immagini, e le sue decisioni vengono riviste e reinserite nel sistema in un ciclo di miglioramento continuo.

Applicazioni adatte al deep learning

Nelle applicazioni industriali, gli algoritmi di deep learning vengono tipicamente aggiunti ai sistemi di acquisizione delle immagini esistenti, come gli scanner fissi o le telecamere per la visione artificiale. Le applicazioni di deep learning sono ideali per l'analisi di immagini complesse e più soggettive, come ad esempio lievi variazioni di colore o di superficie sugli oggetti, che l'occhio umano ha difficoltà a distinguere. L'apprendimento profondo può ispezionare gli articoli molto più rapidamente, segnalando eventuali difetti sospetti a un operatore umano che li esaminerà e determinerà se si tratta effettivamente di un difetto. L'immissione delle decisioni dell'operatore nella rete neurale favorisce l'apprendimento continuo, per sviluppare e migliorare il modello.

I vantaggi per l'azienda sono numerosi: aumento della produttività, riduzione dei costi di manodopera, maggiore precisione, maggiore garanzia di qualità e riduzione dei rischi operativi.

I 3 fattori di efficienza da considerare

Il potenziale delle applicazioni di deep learning è innegabile. È logico che le aziende vogliano sfruttare questa tecnologia, ma molte non sanno da dove cominciare. Per utilizzare efficacemente la visione artificiale e l'apprendimento profondo nell'industria manifatturiera, è necessario che si uniscano tre fattori:

1. Memorizzare ogni immagine;

2. Sovraspecificare le applicazioni;

3. Investite in attrezzature versatili.

Qualsiasi impianto di produzione, indipendentemente dal livello di finanziamento o di automazione, può iniziare a cambiare il modo in cui utilizza la tecnologia.

Iniziate utilizzando l'Internet degli oggetti per memorizzare ogni immagine catturata (ogni lettura di codice a barre e ogni controllo di qualità) in un ambiente cloud economico, sicuro e scalabile per creare la banca di immagini che verrà utilizzata per addestrare e testare una soluzione di deep learning. In questo modo si sovraspecificano tutte le applicazioni, un must in qualsiasi ambiente di produzione odierno. Un imager standard da 640x480 va bene per la lettura di semplici codici a barre, ma non per integrare una fotocamera da 2 megapixel (MP) che catturerà l'intera superficie del cartone, aggiungendo così funzionalità di visione artificiale alla lettura dei codici a barre. Aggiornando la risoluzione delle telecamere in un ambiente di produzione a 2 MP, 5 MP o superiore, i produttori saranno in grado di sfruttare queste immagini ad alta risoluzione in un futuro sistema di rete neurale. Infine, si consiglia ai produttori di rivalutare la tecnologia in uso e di prendere in considerazione aggiornamenti e investimenti ora per ottenere efficienze operative in seguito. In particolare, potranno trarre vantaggio dall'implementazione di apparecchiature di scansione e visione artificiale che si connettono senza problemi all'infrastruttura IT locale e all'ambiente cloud.

La tecnologia del futuro non è così lontana. Se si parte da un semplice sistema di scansione di codici a barre, si aggiunge la capacità di visione artificiale e si applica un po' di intelligenza e di apprendimento profondo, si è pronti a sfruttare efficacemente le applicazioni di immagini di domani.