AES_3 2022

SCENARI Primo piano 18 Aprile 2022 n Automazione e Strumentazione plessi, incluse le stampe distorte. Alcune applica- zioni possono richiedere entrambe le tecnologie. Ad esempio, la visione tradizionale è la scelta ideale per focalizzare precisamente un’area di interesse, il DL per ispezionarla. Il risultato di un’ispezione basata sul Deep Learning può poi essere affidato alla visione tradizionale per una misurazione precisa della dimensione e della forma del difetto”. In prospettiva Per quanto riguarda le prospettive e i futuri sviluppi del Deep Learning applicato al Machine Vision, un interessante studio pubblicato su ScienceDirect (15 December 2021) da Junyi Chai, Hao Zeng, Anming Li e Eric W.T.Ngai indica quattro linee di ricerca promettenti. La prima riguarda l’esplorazione dei tipi di rete e delle architetture: le tipologie di rete tendono ad essere arricchite ed emergono nuovi tipi come la Siamese neural network (SNN), la Recurrent neural network (RNN), la Generative adversarial network (GAN). Studi recenti per scenari di Machine Vision si sono concentrati sull’apprendimento semi-super- visionato, cioè è in atto un gradualmente processo di evoluzione dall’apprendimento supervisionato all’apprendimento semi-supervisionato. La seconda tendenza punta al potenziamento di sce- nari applicativi più specifici. Via via che maturano le tecniche per il Machine Vision, gli scenari appli- cativi diventano più specifici: come l’applicazione di campioni di GAN (reti generative avversarie) in segmentazione semantica 3D, il riconoscimento fac- ciale, il riconoscimento di azioni, la stilizzazione e la creazione di macchine. Una terza linea vede l’applicazione combinata di Machine Vision con altri domini di Machine Lear- ning: ad esempio, i chatbot possono utilizzare più tecniche di NLP (Natural Language Processing) per migliorare l’accuratezza delle risposte laddove è più difficile rilevare ciò che succede nella conver- sazione. Una grande sfida dei chatbot infatti è simu- lare le reali comunicazioni comprendendo qualcosa dell’interiorità dell’utente: grazie all’analisi dei movimenti e al riconoscimento delle espressioni facciali, i chatbot potrebbero interpretare le microe- spressioni e, in combinazione con le teorie psicolo- giche, capire le emozioni degli interlocutori. Infine, la visione automatica può essere estesa a più ampi domini con applicazioni crossover: si pensi al campo medico, con la individuazione dei tumori tramite la segmentazione semantica; o ad alcuni settori industriali, come la produzione petro- lifera, con l’attività previsionale; o all’esplorazione archeologica. Dal punto di vista più strettamente tecnico, lo studio citato indica due prospettive future. Una è il rafforzamento della visualizzazione e dell’ interpretabilità dei modelli di DL. Le tecniche di Machine Vision tradizionali non potevano elabo- rare in modo efficiente set di dati di grandi dimen- sioni; ciò non accade per il Deep Learning, dove i modelli possono essere addestrati intensamente su dataset molto grandi e quindi utilizzati in scenari applicativi sensibili o irripetibili, come ad esempio in medicina o chirurgia. Un’altra direzione riguarda la scalabilità del modello. Attualmente ci sono molti modelli DL e le loro strut- ture diventano sempre più complesse; inoltre, l’adde- stramento di un modello DL richiede tempo. Perciò il fatto che un modello sia scalabile diventa un utile criterio per la sua valutazione, tenendo conto della esigenza di soddisfare più bisogni e di aumentare il grado di precisione. La scalabilità è quindi una linea di sviluppo degna della massima attenzione per il futuro; da notare che realtà come Facebook e Google hanno già proposto i loro modelli scalabili, rispetti- vamente con RegNet e EfficientNet. n Controllo dosaggio con tecniche di Deep Learning (Videosystems)