AS_04_2020

VISIONE E ID speciale Automazione e Strumentazione Maggio 2020 83 dei costi di manodo- pera e manutenzione. Importanti driver per l’evoluzione dei siste- mi MV sono le espor- tazioni di macchine e linee di produzione nei mercati emergen- ti e l’affermazione di tecnologie emergenti come la realtà aumen- tata, le misure tridi- mensionali, i sistemi di illuminazione LED di nuova generazione, i sistemi embedded ad alte prestazioni. C’è poi un tema lega- to all’ organizzazione della Produzione che vede nei sistemi di visione uno strumento al ser- vizio di filosofie di tipo Six Sigma, Kaizen e Le- an Production, accomunate dall’obiettivo di por- tare i processi aziendali sotto controllo statistico e di renderli più efficaci ed efficienti. La maggioranza delle telecamere progettate per applicazioni di Machine Vision opera nell’in- tervallo della radiazione elettromagnetica nel visibile, sfruttando la grande varietà di sensori CCD e CMOS . Alternative interessanti alle telecamere CCD e CMOS sono quelle termiche con sensori LWIR (Long Wavelenght Infra- Red), MWIR (Medium Wavelength InfraRed), SWIR (Short Wavelength InfraRed) e VISNIR (Visible Near Infrared), oltre alle le tecnologie non intrusive come l’ olografia conoscopica (utilizzata per controlli dimensionali in abbina- mento a microscopi ottici) e i sistemi di visione a raggi X , in grado di effettuare scansioni tridi- mensionali dei componenti. L’uso delle telecamere vede oggi confrontarsi soluzioni embedded e PC-based . Le prime sono basate su telecamere intelligenti (Smart Camera) impiegate laddove considerazioni di ingombro, costo o affidabilità rendono impra- ticabile l’impiego di architetture basate su PC o elaboratori esterni. La visione artificiale è anche uno dei driver di Industria 4.0 . Con il progredire dei Big Data Analytics, l’elevato volume dei dati accessibili attraverso i dispositivi di visione sarà usato per identificare e contrassegnare i prodotti difettosi, analizzare le anomalie e intervenire rapidamente negli impianti. Attualmente l’innovazione di maggiore interesse è costituita dai primi utilizzi di tecniche di Deep Learning , area del Machine Learning che fa uso delle Reti Neurali . Tali tecniche presuppongono l’utilizzo di unità di elaborazione visiva ( VPU ), ovvero un tipo di microprocessore che accelera l’apprendi- mento automatico e le tecnologie di Intelligenza Artificiale (AI). Le VPU supportano alcune attività, quali l’elaborazione e il riconoscimento delle immagini. In questo scenario va segnalato il ruolo chiave giocato dall’ inferenza ovvero dall’utilizzo di una rete neurale addestrata al Deep Learning per effettuare previsioni sui nuovi dati in prossimità della loro fonte. Ciò elimina la dipendenza del sistema da un server centrale per l’analisi delle immagini; con conse- guenti tempi di attesa inferiori, maggiore affi- dabilità e sicurezza. Un altro fattore di innovazione è dato dalla visione tridimensionale e delle tecniche stereoscopiche con una crescita continua dovuta alla disponibilità di sistemi in grado di acquisire agglomerati di punti tridimensio- nali pronti all’uso. Nel mondo automotive, e in particolare nel settore della guida auto- noma , i sistemi basati sulla tecnologia Lidar (Light Detection and Ranging) si prospettano la soluzione più promettente. Tracciabilità e Identificazione Oggi lo standard GS1 è il sistema per la codifica a barre dei prodotti più diffuso per identificare unità commerciali, unità logistiche, servizi, luoghi e funzioni in maniera univoca in tutto il mondo. In ambito industriale sono molto dif- fusi anche i codici 128, 2/5 interleaved, EAN Sistema Machine Vision per il controllo qualità (fonte: Keyence)