AS_06_2021

speciale Settembre 2021 Automazione e Strumentazione 80 AUTO-ID & VISIONE Innovazione Negli ultimi anni i produttori di componenti per visione industriale hanno investito nello sviluppo di sensori e telecamere sensibili all’ ultravioletto (UV), all’ infra- rosso (IR), al vicino infrarosso (NIR), rendendole mag- giormente selettive nel discriminare il colore. Sono cre- sciuti anche sistemi in grado di sfruttare la luce del laser anche come sorgente d’illuminazione in dispositivi a triangolazione per il rilievo 3D. La disponibilità di que- ste innovazioni ha permesso di sviluppare tecnologie di visione denominate ‘multispectral imaging’, nelle quali l’approccio si basa sull’utilizzo combinato di dispositivi che operano in porzioni differenti dello spettro . Altra innovazione chiave che ha interessato i sistemi di visione embedded è la conformità dei componenti allo standard Mobile Industry Processor Interface (MIPI) Alliance . Inizialmente sviluppato per il settore dei dispo- sitivi mobili, MIPI definisce le specifiche d’interfaccia software e hardware necessarie per realizzare soluzioni affidabili, dalle prestazioni elevate e a costi contenuti. Al centro dell’innovazione della Machine Vision ci sono anche le unità di elaborazione visiva (VPU, Vision Processing Unit) basate su tipi di microproces- sore che accelerano l’apprendimento automatico per supportare alcune attività, quali l’elaborazione e il rico- noscimento delle immagini. Ciò rimanda al più ampio contesto dell’AI (Intelligenza Artificiale) e dei ‘sottoin- siemi’ML (Machine Learning) e DL (Deep Learning). Il successo di questi approcci è dovuto al continuo aumento della potenza computazionale . Si parla inol- tre di Big Data in riferimento alla gran quantità di dati disponibili per studi statistici, in particolar modo per ‘allenare’ algoritmi di machine learning . Quando si parla di Deep Learning lo si fa per indicare algoritmi di Machine Learning più ‘profondi’ e com- plessi. Per chiarire i termini: deep learning significa usare reti neurali , ovvero una specifica schematizza- zione ispirata alla struttura del cervello umano. Una CPU tradizionale non è adatta per questo genere di applicazioni, mentre GPU (Graphics Processing Unit) e NPU (Neural Processing Unit) sono ideali in ambito di deep learning, per accelerare la creazione di immagini in un frame buffer e per eseguire i calcoli in parallelo di una rete neurale . Sul Deep Learning è anche basato un diverso approc- cio alla classificazione e all’analisi delle immagini. Le reti neurali consentono, per propria struttura, di ridurre la quantità di informazione presente nell’immagine in ingresso ad una forma estremamente sintetica. Questa abilità si basa su una fase di addestramento, nella quale un elevato numero di immagini già classificate viene presen- tato alla rete e le connessioni fra i neuroni vengono deter- minate grazie ad algoritmi di feedback molto sofisticati. Identificazione automatica Per acquisire maggiore visibilità delle attività produt- tive, molte aziende si affidano alle tecnologie di iden- tificazione automatica AIDC (Automatic Identification and Data Capture). Le tecnologieAIDC sono principal- mente basate su codici a barre (barcode) e RFID (Radio Frequency IDentification), sebbene anche sistemi GPS, WSN, Mems, sensori ambientali e soluzioni di rico- L’utilizzo industriale dello spettro IR è sempre più diffuso, soprattutto in ambito manutentivo