AS_05_2021

INTELLIGENZA ARTIFICIALE tecnica Giugno/Luglio 2021 Automazione e Strumentazione 94 alla riduzione delle operazioni di manutenzione straordinaria con una conseguente riduzione dei tempi operativi di inattività. Per la fase inziale di sviluppo si è scelto di analizzare le operazioni di manutenzione ordinaria di un impianto eolico onshore. Questa condizione permette di ridurre il più possibile le condizioni di difficoltà operative, senza impedire la generalità della soluzione. Infatti, un impianto eolico onshore, se paragonato al suo corrispet- tivo offshore o ad un impianto chimico, presenta minori difficoltà in termini di sicurezza e operatività durante le ispezioni. Per il caso d’uso è stato impiegato un drone quadricottero DJI spark pilotato da operatori specializzati. La Figura 1 mostra lo schema del sistema sviluppato. In partico- lar modo, il funzionamento di questo sistema in grado di estrarre informazioni (come la presenza di una difettosità) da un’imma- gine può essere semplicisticamente diviso in due fasi: l’ allena- mento e la predizione . La fase di allenamento è quella in cui l’ algoritmo supervisio- nato deve essere ‘istruito’ a risolvere il task di interesse, cioè identificare la porzione di foto che corrisponde ad una macchia di ruggine. Per fare questo, è necessario fare analizzare al sistema una grande mole di dati (dataset di allenamento) che dipingano le varie casisti- che di fronte alle quali l’algo- ritmo potrebbe essere messo davanti. Per la creazione del dataset sul quale allenare l’algoritmo, sono state ef- fettuate delle acquisizioni di due pale eoliche. I voli sono stati programmati in modo da scansionare ogni pala in quattro sezioni frontali. Ogni sezione consiste di 250 im- magini georeferenziate e parzialmente sovrapposte. Allenamento dell’algoritmo Le immagini del dataset così costituito necessitano di essere etichet- tate da un esperto di corrosione inmodo da permettere all’algoritmo di imparare a distinguere (cfr. Figura 2) le immagini che presentano parti corrose , (esempi positivi) da quelle senza difettosità (esempi negativi). Nel nostro caso con i termini positivo e negativo ci rife- riamo all’attività che intendiamo risolvere, i.e., l’esempio positivo risulta nel successo della nostra attività di ricerca delle parti corrose. Prima di poter utilizzare il dataset per la fase di allenamento, sono stati sviluppati alcuni passaggi di preelaborazione delle singole immagini per rendere più semplice la fase di allenamento. Come mostrato nelle Figure 3, 4 e 5, è stato utilizzato un algoritmo di ricerca dei contorni della pala per poi procedere con la rimozione dello sfondo. In questo modo il processo di ricerca delle parti corrose viene focalizzato sulla pala eliminando possibili disturbi dovuti allo sfondo. Le immagini elaborate ed etichettate sono la base sulla quale la soluzione di apprendimento profondo impara mediante processi di ottimizzazione a distinguere le immagini positive dalle negative. Terminata la fase di apprendimento, il modello può essere testato su nuove acquisizioni per validarne la bontà ottenuta. Se anche questa fase ottiene un’accuratezza accettabile, il modello è pronto per essere utilizzato in pratica. Conclusioni I risultati dello studio di fattibilità mostrano come sia possibile, nel caso in cui si è in possesso di un cospicuo dataset etichettato correttamente , progettare dei sistemi che siano in grado di effet- tuare una selezione iniziale delle foto da sottomettere ad ispezione visiva dell’operatore esperto per la convalida. In futuro si prevedono ulteriori sviluppi. In particolare, que- sta soluzione potrebbe acquistare grande valore se sostenuta da un’ infrastruttura adeguata e da una corretta gestione del dato . L’infrastruttura dovrebbe considerare temi come il monitoraggio e controllo delle acquisizioni in tempo reale, la possibilità di stori- cizzazione in modo tale da abilitare il monitoraggio delle difetto- sità e la manutenzione predittiva . Figura 4 - Isolamento sfondo Figura 5 - Rimozione sfondo Figura 6 - Risultato positivo