Sistemi industriali di ispezione
Da ormai decenni la tecnologia che sfrutta sistemi di visione automatica è utilizzata per effettuare ispezioni sui materiali, scoperta di difetti, verifica di assemblaggio, ordinamento e conteggio di prodotti.
Gli sviluppi del software per la ‘computer vision’ hanno espanso gli usi di questi sistemi di analisi di immagini. Gli algoritmi di deep learning hanno una capacità di classificare e riconoscere gli oggetti in molti casi pari o superiore a quella dell’occhio umano.
Ma come riporta l’articolo ‘Inspection systems’ , pubblicato sulla rivista ‘Vision systems design’ e che trovate al link:
https://digital.vision-systems.com/visionsystems/20210910, i risultati dipendono in buona parte dal sistema di imaging.
Luce, ottiche, camera, sono tutti elementi che devono essere attentamente selezionati ed implementati per assicurare immagini di alta qualità.
Dove per alta qualità si intende la capacità di avere un sufficiente contrasto e risoluzione per evidenziare difetti dei materiali o dei prodotti finiti.
Differenza tra l’analisi di un ispettore ed un algoritmo di computer vision
Se un ispettore umano guardando le immagini del materiale non riesce ad individuare un difetto esistente, sarà difficile che l’algoritmo sia in grado di rilevarlo. Inoltre se l’ispettore rileva un difetto guardando la parte fisica non vi è nessuna certezza che sarebbe in grado di rilevarlo da una immagine della stessa. L’ispettore può anche effettuare un’analisi da diversi punti e sotto diversa luce, cosa difficile con una immagine.
Garbage in, garbage out
Quindi se vogliamo un algoritmo che svolga egregiamente il proprio compito abbiamo necessità di dati, in questo caso di immagini, di qualità, altrimenti ‘garbage in, garbage out’ e quindi progettare dei sistemi che siano in grado di valorizzare il supporto dell’IA.
Ma questo non è sufficiente, perché il sistema di classificazione (buono/scarto), può degradare nel tempo le prestazioni. Ad esempio se la lega del prodotto cambia, cambia il riflesso alla luce, e la capacità di scoprire difetti, e quindi il mio sistema di visione deve essere modificato ed il mio algoritmo di computer vision nuovamente allenato.
Ciclicità dei progetti di IA
Per questo si dice che i progetti di IA sono ciclici e molte volte occorre ripercorrere tutta la fase di progettazione. Questo significa anche creare degli specifici processi aziendali a supporto di un investimento in IA, ma affronteremo questo tema in un altro post.