AES_3 2022

Primo piano 15 SCENARI Automazione e Strumentazione n Aprile 2022 interessati da nessun genere di contatto di tipo mec- canico. In secondo luogo va menzionata l’assenza di limite alle potenzialità applicative: tutte le infor- mazioni estraibili da un’immagine possono essere recuperate tramite un sistema di visione opportuna- mente programmato. Le funzionalità di un sistema di visione automatica sono quindi essenzialmente rag- gruppabili in tre aree: classificazione degli oggetti; rilevamento e identificazione di oggetti; riconosci- mento ottico dei caratteri. Reti neurali convoluzionali Negli anni recenti l’importanza e le potenzialità del Machine Vision sono notevolmente aumentate grazie all’impiego di tecniche sempre più avanzate di Intel- ligenza Artificiale e in particolare di Machine Lear- ning e più ancora di Deep Learning (DL). Queste ultime si basano su particolari sistemi, le reti neurali, note da tempo nell’ambito dell’AI, ma più specifi- camente sulle reti neurali convoluzionali (CNN o ConvNet), che consentono analisi ancora più accu- rate delle immagini e determinano notevole miglio- ramento delle prestazioni rispetto ai tradizionali algoritmi di elaborazione delle immagini. Rispetto al Machine Learning tradizionale, il DL combina estra- zione di feature e classificazione in un singolo pro- cesso: l’input del modello è un’immagine e l’utente non ha bisogno di estrarre e selezionare le caratte- ristiche rilevanti per la classificazione. Col Deep Learning inoltre i sistemi di Machine Vision possono conservare le informazioni di ogni immagine ana- lizzata imparando quindi (learning) dall’esperienza e aumentando progressivamente la precisione ogni volta che viene impiegato. L’affermarsi dell’approccio basato su DL è favorito da alcuni fattori quali: l’accesso a dataset molto ampi di immagini pre-classificate; gli avanzamenti tec- nologici in termini di velocità di elaborazione delle GPU (Graphics Processing Unit), sviluppate soprat- tutto per elevare le prestazioni dei videogiochi; la disponibilità di risorse computazionali adeguate a supportare la fase di addestramento; la possibilità di utilizzare reti pre-addestrate per apprendere task spe- cifici (transfer learning). Va detto comunque - come ha precisato Marco Olivieri , technical director di Advanced Technologies , intervenendo poco più di un anno fa a Smart Vision Forum, evento organiz- zato da Messe Frankfurt Italia e promosso da Anie Automazione e AIdAM - che il DL “nelle appli- cazioni in ambito visione può essere applicato nei casi in cui il task è riconducibile a un problema di classificazione e risulta particolarmente vantaggioso quando l’oggetto (o il pattern, o il difetto) da identi- ficare non è facilmente associabile a caratteristiche specifiche dell’immagine (forme, colori ecc.)”. Entrando più nel merito delle CNN possiamo dire che si tratta di reti neurali con un’architettura mul- tistrato in grado di apprendere direttamente dai dati e di estrarre feature via via più complesse e ridurre gradualmente dati e calcoli al set più pertinente, otte- Schema di rete neurale convoluzionale