AES_6 2022

Speciale 79 ID E VISIONE Automazione e Strumentazione n Settembre 2022 VISNIR (Visible Near Infrared), oltre alle tecnolo- gie non intrusive come l’olografia conoscopica (uti- lizzata per controlli dimensionali in abbinamento a microscopi ottici) e i sistemi di visione a raggi X, in grado di effettuare scansioni tridimensionali dei componenti. Anche la visione tridimensionale sta continuando a crescere sulla scia di un successo dovuto alla dispo- nibilità di sistemi in grado di acquisire immagini 3D , cioè agglomerati di punti tridimensionali pronti all’uso. Nel mondo automotive, e in particolare nel settore della guida autonoma, i sistemi basati sulla tecnologia Lidar (Light Detection and Ranging) si prospettano la soluzione più promettente. Va anche evidenziata la disponibilità di processori potenti e a basso consumo che stanno aprendo la strada allo sviluppo di sistemi di visione embedded ad alte pre- stazioni. Gestire dati e informazioni In questo quadro generale si inseriscono alcune inno- vazioni come la crescita progressiva dei Big Data Analytics . L’elevato volume dei dati accessibili attra- verso i dispositivi di visione sarà sempre più usato per identificare e contrassegnare i prodotti difettosi, ana- lizzare le anomalie e intervenire rapidamente negli impianti. Doveroso un cenno anche ai sistemi cyberfi- sici (CPS) integrati con sensori in grado di raccogliere i dati di produzione e alla capacità di puntare all’obiet- tivo dell’ispezione totale sul 100% dei prodotti. Il passo successivo Ma probabilmente l’innovazione di maggiore interesse è attualmente costituita dal Deep Learning . Si tratta di un ramo dell’Intelligenza Artificiale sorto intorno alla metà degli anni ‘60 del Novecento. Alla base del Deep Learning vi sono le reti neurali, ossia particolari algoritmi in grado di decidere autono- mamente, in base a determinati input dati dal sistema. A seconda dello sviluppo e del livello di avanzamento, le reti neurali possono migliorarsi con l’esperienza, ossia riconoscere le variabili che causano errori ed eliminarle quando sia necessario ripetere una stessa iterazione. Un sistema di visione industriale basato sul Deep Learning, realizzato con la giusta risoluzione e ottica delle telecamere, può ispezionare facilmente i dettagli di oggetti troppo piccoli per essere visti dall’occhio umano, con maggiore affidabilità e meno errori. In definitiva, nell’ambito dell’identificazione auto- matica e dei sistemi di visione, la tecnologia di Deep Learning simula l’intelligenza umana al fine di distin- guere anomalie, componenti e caratteri, tollerando al contempo variazioni naturali in modelli complessi. In questo modo, il Deep Learning combina la flessibilità, tipica dell’ispezione visiva umana, alla velocità e alla solidità di un sistema automatizzato. n Un’applicazione di machine vision (fonte: Sick)