EMB_86

EMBEDDED 86 • NOVEMBRE • 2022 27 MACHINE VISION | IN TEMPO REALE trollo qualità e per la manutenzione programmata. Ci sono diversi approcci: molti di essi ricorrono all’imaging mentre altri sfruttano metodi basati su regole (rule-ba- sed). La gamma è molto estesa ed è importante scegliere il metodo corretto. Per poter utilizzare in pratica la vi- sione artificiale sono richiesti prima di tutto sufficienti volumi di dati di immagine e un know-how adeguato. Le immagini devono essere etichettate con precisione, di modo che l’algoritmo possa riconoscere, ad esempio, l’aspetto di un componente corretto e quello di un analo- go componente difettoso. L’algoritmo è successivamente programmato con questo input. Un tipico ostacolo per molti utilizzatori è la mancanza di conoscenza del mondo dell’Intelligenza Artificiale. Ser- vono spesso molte spiegazioni e l’utilizzo di nuove tecno- logie può rivelarsi complicato, specialmente nel mondo della produzione che hanno soluzioni di gestione dell’in- ventario già consolidate. I progetti AI spesso vengono implementati all’esterno delle linee di produzione, nei cosiddetti “innovation hub”. In questi centri, non vi sono input provenienti dal mondo reale e, soprattutto, l’inte- grazione continua nei processi viene spesso a mancare. La necessità di un approccio valido per l’attività quoti- diana Gli esperti di Robotron sono convinti che non sia suffi- ciente avere una piattaforma di data science di tenden- za. Piuttosto, è importante parlare lo stesso linguaggio dei manager e degli ingegneri di produzione e adottare un approccio interdisciplinare per portare i prodotti sul mercato sfruttando l’AI. La filosofia dell’azienda di Dre- sda è quindi offrire ai clienti non solo soluzioni innovati- ve, ma anche soluzioni che possono essere usate concre- tamente per migliorare la produttività. Con questo obiettivo l’azienda si basa su un metodo di apprendimento rinforzato. La strategia di utilizzare reti addestrate e ri-addestrate comporta molti vantaggi e si rivela particolarmente utile nel momento in cui si vuole addestrare una rete neurale per riconoscere nuovi tipi di difetti o colori differenti di un prodotto o di una sua parte. “Questo è importante per poter adattare soluzioni basate sull’AI a nuovi contesti – ha spiegato Deepa Kasinathan, Product Owner e Group Leader della divisione Realtime Computer Vision – e la conoscenza degli esperti è fon- damentale per semplificare i progetti che prevedono il ricorso all’AI”. “Dal momento che è praticamente impos- sibile capire dall’inizio quale sia il tipo di rete neurale più adatta, gli specialisti devono procedere per tentativi e, soprattutto, integrare i vari sistemi collegati”, ha ricorda- to Kasinathan. Per questo motivo la progettazione della piattaforma di visione artificiale in real time di Robotron include tutti gli aspetti che possono dar luogo all’insor- gere di problematiche nell’implementazione pratica. Le interfacce aperte permettono di non limitarsi all’uso di un unico framework o rete neurale, ma anche di optare per svariate altre alternative. Un singolo hardware per (quasi) tutte le applicazioni Il problema principale nei progetti dei clienti era in pre- cedenza la scelta dell’hardware appropriato per il pro- prio scenario applicativo e per questo motivo l’azienda di Dresda ha collaborato con Kontron . Quando si im- plementano scenari per AI, ci sono sempre due aspetti da considerare per quanto concerne l’hardware: da una parte c’è un livello di addestramento durante il quale si costruiscono i dati di immagini. In questo caso viene utilizzato il cloud, perché la potenza di elaborazione ri- chiesta per l’addestramento è molto elevata nel breve termine e il cloud può essere affittato a costi contenuti. Piattaforma RCV (Realtime Computer Vision) RCV Labeltool viene utilizzato per etichettare gli oggetti pertinenti al test