C'è un interesse crescente per i vantaggi derivanti dall'utilizzo della lettura dei codici a barre e delle capacità di visione artificiale, tradizionalmente considerate alle diverse estremità dello spettro. Questo crea soluzioni di deep learning che offrono chiari vantaggi ed efficienze operative.

Le opportunità sono particolarmente rilevanti negli ambienti di produzione di fascia alta, perché le reti neurali e l'apprendimento profondo sono ideali per compiti sofisticati di analisi delle immagini in applicazioni industriali più soggettive.

Il deep learning offre delle differenze

L'uso della visione artificiale può migliorare i processi della linea di produzione e attivare modelli di deep learning in modo efficace e conveniente. Il costo delle telecamere e dei sensori intelligenti è diminuito negli ultimi anni, mentre la potenza di elaborazione e la velocità sono aumentate notevolmente.

L'aggiunta della visione artificiale a qualsiasi ambiente della linea di produzione può offrire vantaggi commerciali immediati, tra cui efficienze operative, migliore produttività e controllo della qualità.

Con il deep learning, i produttori possono trarre vantaggio da un throughput più rapido con tracciamento e analisi ottimizzati, oltre al monitoraggio remoto e alla funzionalità di controllo per la condivisione delle informazioni e le attività di gestione del sistema in più siti.

I manager possono anche riassegnare gli operatori a compiti di maggior valore. Questo aiuta a ridurre i costi e a migliorare la soddisfazione dei dipendenti, migliorando il controllo della qualità e la velocità di produzione.

Come funziona il deep learning

La maggior parte degli algoritmi di deep learning sono basati su reti neurali, permettendo al modello di insegnare e addestrare essenzialmente se stesso. Lo fa attraverso l'analisi intelligente ripetuta di un gran numero di campioni di immagini.

Si tratta di immagini catturate in ogni fase del processo di produzione utilizzando sia scanner industriali fissi che telecamere intelligenti con visione artificiale. Sono tipicamente memorizzate nel cloud per alleviare i limiti di scalabilità della capacità di archiviazione del server locale e dei costi.

Alcune di queste immagini sono classificate come "buone" quando vengono inserite nel modello di deep learning, altre "cattive" a causa di un leggero difetto che il sistema arriverà a riconoscere da solo. Ad un certo punto, il modello ha abbastanza dati per essere in grado di iniziare a determinare indipendentemente la qualità dell'immagine, con i risultati delle sue decisioni che vengono rivisti e reimmessi nel sistema in un ciclo di miglioramento continuo. Questo processo iterativo viene ripetuto con migliaia di immagini.

Alla fine, grazie al modo in cui è stato addestrato e al volume dei dati di addestramento da cui è stato tratto, il modello di deep learning è in grado di classificare le immagini in modo accurato.

Applicazioni adatte al deep learning

Nelle applicazioni industriali, gli algoritmi di deep learning si trovano tipicamente sopra i sistemi di acquisizione delle immagini esistenti, come gli scanner fissi o le telecamere di visione artificiale.

Le applicazioni di deep learning sono ideali per l'analisi di immagini complesse e più soggettive - come i leggeri cambiamenti di colore o di superficie sugli articoli, che l'occhio umano troverebbe difficile da discernere. I prodotti in tessuto su un nastro trasportatore di produzione sono un buon esempio. Poiché i tessuti hanno tutti le loro variazioni naturali in termini di colore e modelli di trama, diventa quasi impossibile per un operatore umano valutare rapidamente se qualcosa è un buco o una leggera variazione nella trama. È un compito manuale lento e fisicamente faticoso.

In questo scenario, il deep learning può ispezionare gli articoli a una velocità molto più veloce, segnalando qualsiasi difetto sospetto a un singolo operatore umano per esaminare e decidere se si tratta di un difetto o meno e andare avanti. Alimentare la decisione di revisione nella rete neurale aiuta a mantenere attivo l'input di apprendimento continuo - per sviluppare e migliorare ulteriormente il modello.

I benefici aziendali qui includono un aumento della produttività, una riduzione dei costi del lavoro manuale, una maggiore accuratezza, una migliore garanzia della qualità e un minore rischio aziendale.

Tre considerazioni per un'efficienza a tutto tondo

Il potenziale delle applicazioni di deep learning è chiaro e convincente. È logico che le aziende di tutto il mondo siano desiderose di trarre vantaggio da questa tecnologia - ma molti non sanno bene da dove cominciare. Per utilizzare efficacemente la visione artificiale e il deep learning nella produzione, ci sono tre considerazioni chiave:

#1 Memorizzare ogni immagine

#2 Sovraspecificare le applicazioni

#3 Investire in dispositivi multiuso

Anche un impianto di produzione minimamente finanziato e con un'automazione limitata può iniziare ad apportare modifiche al modo in cui viene utilizzata la tecnologia esistente.

Iniziare utilizzando la tecnologia Internet of Things per memorizzare ogni immagine catturata in un ambiente cloud conveniente, sicuro e scalabile - ogni codice a barre letto a ogni ispezione di qualità, per creare la banca di immagini utilizzate per addestrare e testare una soluzione di deep learning.

In secondo luogo, prendere la decisione di sovra-specificare tutte le applicazioni, che è essenziale per gli ambienti di produzione oggi. Un imager standard da 640x480 è ottimo per la semplice lettura dei codici a barre, ma non per l'integrazione con una fotocamera da 2 milioni di pixel (MP) che scatta una foto dell'intera parte superiore di una scatola, in modo da aggiungere capacità di visione artificiale oltre alla lettura dei codici a barre di base. Aumentando tutte le risoluzioni delle telecamere all'interno del loro ambiente di produzione a 2MP, 5MP o più, i produttori possono utilizzare quelle immagini a risoluzione più alta in seguito in qualsiasi sistema di rete neurale futuro.

Infine, si consiglia ai produttori di rivedere la tecnologia che stanno usando e considerare aggiornamenti e investimenti ora, consentendo efficienze operative negli anni futuri. In particolare, i produttori trarranno chiari vantaggi dall'implementazione di dispositivi di scansione e di visione artificiale che si connettono senza soluzione di continuità con la loro infrastruttura IT locale e gli ambienti cloud.

Ottimizzazione intelligente degli ambienti di produzione

Decidere di investire in soluzioni di scansione avanzate e in potenti applicazioni di imaging guidate dal deep learning è per molti produttori la chiave per sbloccare il loro pieno potenziale produttivo e nuove opportunità di business - oggi e in futuro.

Zebra dispone di un portafoglio completo di dispositivi a doppia capacità con caratteristiche, durata e affidabilità leader nel settore, che aiuta le aziende a colmare le lacune operative e a promuovere l'efficienza in tutte le applicazioni di imaging.

Conosciute per la loro aggiornabilità, le soluzioni di visione artificiale e di scansione industriale fissa di Zebra sono progettate appositamente per adattarsi alle mutevoli esigenze operative delle aziende in crescita.

Grazie alla facilità e alla convenienza del percorso di aggiornamento, non è necessario acquistare nuovi dispositivi per ottenere nuove funzionalità. È sufficiente investire in un aggiornamento della licenza software per aggiungere la potenza della visione artificiale agli scanner industriali fissi esistenti - il tutto facilmente configurato e gestito in remoto tramite la piattaforma software Zebra Aurora™, di facile utilizzo.

Zebra offre inoltre una suite di strumenti software grafici che consentono agli utenti di sviluppare complesse applicazioni di visione artificiale, comprese funzionalità di deep learning.

Il futuro è dietro l'angolo

La "tecnologia del futuro" non è poi così lontana. Prendendo un sistema di lettura di codici a barre di base, aggiungendo capacità di visione artificiale, applicando un po' di intelligenza e apprendimento profondo, è un modo relativamente semplice per ottenere successi nelle applicazioni di immagini fin dall'inizio.