64 / 100
VISIONE E AUTO-ID
speciale
Novembre/Dicembre 2017
Automazione e Strumentazione
64
distribuiti, nei quali i flussi di immagini possono
viaggiare all’interno della rete e giungere a uno
o più server di elaborazione. Una caratteristica
attraente di GigE Vision è il supporto per cavi
più lunghi: rispetto alla lunghezza massima di un
cavo di FireWire di soli 4,5 metri o di 10 metri
dalla Camera Link, GigE Vision supporta fino a
100 metri senza l’utilizzo di ripetitori attivi.
USB 3.0
: arrivata sul mercato nel 2009 e diffusa
ampiamente dopo il 2012 per il supporto di impor-
tanti player del mercato informatico, permette di
costruire applicazioni e distribuirle su quasi tutti i
PC senza bisogno di hardware aggiuntivo, come
frame grabber o schede adattative. Con la sua ele-
vata larghezza di banda, la facilità d’uso e il basso
costo USB 3.0 è l’ideale per una vasta gamma di
applicazioni di machine vision.
Superate le interfacce, resta tutta la parte di
ela-
borazione delle immagini
, che inizia con una
fase di
pre-elaborazione
comprendente di solito:
operazioni di filtraggio
per ridurre l’incidenza
del rumore sul segnale;
trasformazioni geome-
triche per compensare
le distorsioni prospet-
tiche e correggere le
distorsioni ottiche della
lente; correzione di ef-
fetti di ombreggiatura
o di disuniformità nei
livelli di grigio legati a
disomogeneità nel sistema di illuminazione.
Segue la fase della
segmentazione
, che è un
passo cruciale nella catena di elaborazione
dell’immagine, dove vengono separate diverse
aree dell’immagine, in particolare il primo piano
dallo sfondo. I criteri per differenziare un pixel
del primo piano o dello sfondo variano parec-
chio a seconda della specifica applicazione. Un
metodo semplice, ma potente per la segmenta-
zione utilizza il contrasto nei livelli di grigio. La
segmentazione può anche essere basata sull’in-
formazione di colore, sulla tessitura o sull’in-
formazione della forma geometrica. Sono oggi
disponibili una grande varietà di tool di elabora-
zione, con alto grado di flessibilità e affidabilità:
è possibile ad esempio riconoscere la presenza
di dettagli indipendentemente dalla loro orien-
tazione e dalla loro dimensione, sulla base di
soglie di correlazione pre-impostabili.
C’è poi l’operazione di
etichettatura
o label-
ling che consiste nell’analizzare i pixel di primo
piano per separare oggetti differenti. Si segue
il criterio di connettere fra loro i pixel appar-
tenenti alla stessa entità, denominata blob; le
blob definite nell’immagine hanno associato un
numero sequenziale (label) che le distingue le
une dalle altre.
Il passo successivo è la cosiddetta blob analisys
che ha l’obiettivo di estrarre, mediante misura
quantitativa, alcune specifiche caratteristiche
delle blob selezionate, come ad esempio: l’area,
il perimetro, la simmetria, la posizione, l’orienta-
mento, il grado di convessità.
A questo punto le misure disponibili consen-
tono di decidere se l’elemento passa il controllo
o meno. In molti casi può essere necessaria una
ulteriore fase di
classificazione
basata sulla
verifica di un insieme di regole. Ci sono diversi
algoritmi di classificazione e una tendenza
molto recente che vale la pena segnalare è
quella che ricorre dalle reti neurali e alle meto-
dologie del
deep-learning
.
Una volta ottenuti i risultati della classificazione,
tutto passa alla linea di produzione e ai controllori
che la governano.
L’identificazione automatica
Le esigenze di identificazione localizzazione,
tracciabilità e rintracciabilità sono sempre più
pressanti nei moderni sistemi produttivi. L’ab-
bondanza di dati e il loro flusso continuo e dif-
fuso in tutti gli ambiti e in tutte le fasi dei processi
di produzione non fa che aumentare la necessita
di disporre di sistemi che connettano tali dati in
modo preciso a singoli elementi del processo
consentendone l’identificazione e trasformando i
dati in informazioni utili per migliorare e ottimiz-
zare i processi.
Nello stesso tempo, gli avanzamenti nel campo
della micro e nanoelettronica, dei materiali e
dell’ICT hanno messo a disposizione soluzioni
tecnologiche che configurano il nuovo volto dei
sistemi di identificazione automatica o
Auto-ID
.
Da ultimo, l’attuale scenario dell’
IoT
(Internet
of Things) rende ancor più preziosa la possibi-
lità di raggiungere e mettere in comunicazione
oggetti, strumenti, macchine e operatori scam-
biando informazioni circa la loro posizione,
funzionamento, integrità, affidabilità e tutti quei
dati che permetteranno ai sistemi di gestione dei
livelli superiori di adeguare continuamente i
processi per ottimizzarli e accrescerne l’effica-
cia e l’efficienza.
Nel manufacturing i sistemi Auto-ID permettono
di identificare automaticamente e rapidamente le
materie prime, i semilavorati, i prodotti finiti, i
tempi dei cicli e delle singole fasi, consentendo la
rilevazione automatica dei dati di campo con evi-
QRcode e DataMatrix