AES_3 2022

SCENARI Primo piano 16 Aprile 2022 n Automazione e Strumentazione nendo una significativa riduzione degli errori di clas- sificazione rispetto ai metodi tradizionali. Vengono solitamente impiegate per individuare pattern nelle immagini nei sistemi di visione artificiale, ma possono essere applicate per la classificazione di dati anche in processi di analisi dei testi e di analisi dell’audio. Una CNN, come molte reti neurali, è costituita da una serie di strati (layer): uno di input, uno di output e numerosi (anche centinaia) layer intermedi nasco- sti; ogni layer esegue una serie di operazioni attra- verso le quali impara a individuare i dati più rilevanti e ad estrarre dalle immagine le feature da trasmet- tere allo strato successivo. Ogni strato apprende fea- ture diverse di un’immagine, applicando dei filtri a diverse risoluzioni: i filtri possono riguardare inizial- mente feature molto semplici, ad esempio la lumi- nosità o il contorno di un oggetto, per poi diventare sempre più complessi fino a includere feature che definiscono in modo univoco l’oggetto. Il procedi- mento viene ripetuto parecchie volte (a seconda del numero di strati convoluzionali dell’architettura) fino a quando le caratteristiche finali estratte dal processo convoluzionale vengono inviate a un livello comple- tamente connesso che genera le previsioni. Un’interessante analisi comparativa tra le tecniche classiche e il DL applicato al controllo di qualità è stata offerta - sempre a Smart Vision Forum - da Ales- sandro Liani , Ceo e R&D Manager di Videosystems . L’approccio classico ha dalla sua l’immediatezza ope- rativa unitamente al fatto di essere parametrizzabile dall’ operatore e di non avere necessità di uno storico; per contro richiede un numero elevato di parametri, presenta un livello di falso scarto piuttosto importante, ha una bassa tolleranza alle modifiche ambientali e richiede la personalizzazione dei parametri per ogni applicazione. Il Deep Learning invece offre i vantaggi di un minor tasso di falso positivo, di un’alta tolle- ranza alle modifiche ambientali e della possibilità di generalizzazione delle modalità di utilizzo; a sfavore vede la necessità di storico importante e dell’attività preliminare di classificazione, oltre a risultare meno controllabile dall’operatore e ad esigere una elevata potenza di calcolo. Sempre in tema di confronto tra tecnologie, è signi- ficativa anche la valutazione proposta da Cognex che considera l’analisi di immagine basata su DL e la visione industriale tradizionale come tecnologie complementari, con capacità che si sovrappongono e ambiti in cui ciascuna eccelle. “Le tradizionali tec- nologie di programmazione basate su regole offrono prestazioni migliori in termini di misurazione e allineamento di precisione. L’analisi di immagine basata sul Deep Learning eccelle in termini di: ispe- zione estetica complessa, classificazione di texture e materiale, verifica di assemblaggi, localizzazione di caratteristiche deformate e variabili, OCR com- Fotocamera industriale smart potenziata con Deep Learning (Cognex)