Codice a barre 1D (unidimensionale): anche noto come codice a barre lineare, è un codice leggibile automaticamente che rappresenta i dati nella larghezza e nella spaziatura delle linee parallele. Gli esempi includono: Codabar, Code 128, Code 39, EAN, Interlacciato 2 di 5, Pharmacode, POSTNET e UPC.
Codice a barre 2D (bidimensionale): un codice leggibile automaticamente che contiene dati sia in senso orizzontale che verticale. Gli esempi includono: Aztec, Data Matrix, MaxiCode e codice QR.
Sistemi di visione 3D: un dispositivo ottico utilizzato per acquisire ed elaborare immagini tridimensionali di oggetti o scene. Mappando le scene in 3D, queste telecamere sono in grado di gestire le modifiche dell’ambiente e le variazioni degli oggetti analizzati. Sono ideali per applicazioni di ispezione, controllo di processo, misurazione e guida robotica.
Illuminazione con angolo a 30 gradi: illumina l’oggetto interessato con un angolo di 30 gradi. A seconda della variazione dell’illuminazione (30Q, 30T, 30S), l’illuminazione proviene da tutti e quattro i lati, da due lati o da un singolo lato. Questa tecnica di illuminazione è ideale per verificare i codici DPM (Direct Part Mark) su parti curve, piatte e semilucide. È utile anche per codici applicati con micropercussione su uno sfondo non omogeneo.
Illuminazione con angolo a 45 gradi: Illumina l’oggetto interessato da un angolo di 45 gradi. L’illuminazione in entrata viene riflessa e non giunge fino alla telecamera. Questo tipo di illuminazione è utilizzato per verificare i codici a barre basati su etichette e i codici DPM (Direct Part Mark) su superfici anodizzate, in plastica o opache.
Illuminazione con angolo a 90 gradi: viene emessa in linea retta verso il basso e viene riflessa nella telecamera. Si tratta dell’unica opzione di illuminazione per verificare i codici DPM (Direct Part Mark) su superfici lucide e riflettenti.
Algoritmo: un insieme di istruzioni e calcoli che aiutano un computer a raggiungere un obiettivo. Nell’automazione dello stabilimento, gli algoritmi possono ordinare serie enormi di dati provenienti da sensori, scanner e telecamere digitali per rivelare le inefficienze, aumentare la qualità e raccomandare miglioramenti. Un algoritmo di “apprendimento” utilizza metodologie basate su tentativi ed errori e di apprendimento tramite l’esempio per ottimizzare i processi di produzione senza l’intervento umano.
Apertura: per i codici lineari 1D, l’apertura si riferisce alla dimensione del campione acquisita lungo la lunghezza del codice per leggere barre e spazi utilizzando una linea di scansione, specificata in mil. Per i codici 2D, l’apertura si riferisce al campione circolare che viene acquisito alle intersezioni della griglia. Gli standard ISO dettano le dimensioni delle aperture per una classificazione accurata.
Standard di applicazione: norme fissate da un’organizzazione che definiscono le linee guida per la marcatura e la valutazione dei codici a barre, quali ad esempio quale tipo di simbologia è accettabile, a quale norma fare riferimento per la valutazione, il livello minimo accettabile, l’apertura, la gamma di dimensione X, gli angoli di illuminazione richiesti e come formattare i dati nel codice a barre.
Intelligenza artificiale (IA): tecniche informatiche che imitano il processo decisionale umano, utilizzando l’automazione per eseguire compiti difficili per gli esseri umani. Gli algoritmi di IA sono fondamentali per l’automazione di fabbrica perché possono utilizzare tecnologie quali il riconoscimento delle immagini e l’elaborazione del linguaggio naturale per ridurre l’errore umano e anticipare le sfide della produzione.
Allucinazione IA: istanze in cui un sistema di IA genera output o risposte errati o fuorvianti che non sono basati su dati reali o fattuali: l’IA essenzialmente “immagina” dati che non esistono. Ciò si verifica tipicamente in modelli generativi, come generatori di linguaggio o immagini, che possono fabbricare informazioni o creare false connessioni, e raramente è un problema nei sistemi di IA industriale.
Pregiudizio dell’IA: i sistemi di IA producono errori o risultati scorretti a causa di pregiudizi introdotti durante il processo di machine learning. Questi pregiudizi possono derivare da dati di addestramento sbilanciati, algoritmi difettosi o mancanza di diversità nel set di dati, con conseguenti risultati scorretti o discriminatori. Nella produzione, i pregiudizi dell’IA possono compromettere i sistemi di visione artificiale alterando i risultati delle ispezioni, con il rischio di trascurare o individuare erroneamente i difetti, incidendo sulla qualità del prodotto e l’efficienza operativa. Possono inoltre perpetuare le disuguaglianze sociali, rafforzando la discriminazione basata su razza, genere o altri fattori.
Scansione dell’area: tipo di telecamera 2D utilizzata nella visione artificiale. Cattura immagini dettagliate e fisse. Più adatta all’ispezione di elementi piccoli e ben definiti. Questi sistemi possono essere semplici sensori monouso oppure sistemi più completi.
Mancata uniformità assiale: si riferisce a quanto “fuori squadra” è la forma o alla quantità di deviazione lungo l’asse orizzontale e verticale del codice 2D.
Retropropagazione: algoritmo utilizzato per addestrare le reti neurali minimizzando l’errore tra output previsto e output reale. Si tratta di un passaggio in avanti in cui gli input vengono elaborati per produrre un output, seguito da un passaggio all’indietro in cui l’algoritmo regola i pesi della rete (valori numerici che determinano la forza delle connessioni tra i neuroni) utilizzando la discesa del gradiente per ridurre l’errore. Ripetendo questo processo su più iterazioni si aiuta il modello ad apprendere e a migliorare la precisione.
Crescita della larghezza delle barre: la quantità della dimensione di una barra o di un elemento devia dalla dimensione ideale.
Codice a barre: modello, leggibile da macchina, di linee e spazi paralleli (1D) o rettangoli, punti e altri motivi geometrici (2D), applicato a prodotti, confezioni o parti che contengono dati utilizzati per scopi informativi, di marketing e di tracciamento.
Lettore di codici a barre: un dispositivo che decodifica i dati o le informazioni presenti in un codice a barre. Alcuni lettori di codici a barre utilizzano laser per decodificare le informazioni (scanner laser), mentre altri utilizzano luci o telecamere per acquisire l’immagine del codice a barre per poi leggerla e decodificarla (lettori di codici a barre a gestione di immagini).
Verifica dei codici a barre: processo di valutazione della qualità di stampa e della leggibilità dei codici 1D, 2D e DPM secondo norme specificate. Verificatore di codici a barre oppure dispositivo in linea o fuori linea utilizzato per valutare la qualità di un codice a barre.
Riduzione del pregiudizio: tecniche e strategie utilizzate per ridurre o rimuovere i pregiudizi nei modelli di IA e machine learning. Ciò implica l’individuazione e la correzione di pregiudizi nei dati di addestramento, negli algoritmi e nei processi decisionali per garantire risultati corretti. I metodi comuni includono il bilanciamento dei dati, le regolazioni algoritmiche, l’adversarial debiasing e le correzioni post-elaborazione.
Compromesso tra varianza e pregiudizio: l’equilibrio tra la capacità di un modello di ridurre al minimo il pregiudizio e la varianza per ottenere la migliore precisione di previsione. Un elevato pregiudizio può portare a underfitting, ossia quando il modello è troppo semplice e non riesce ad acquisire la complessità dei dati. Al contrario, un’alta varianza può causare overfitting, cioè quando il modello è troppo complesso: funziona bene sui dati di addestramento ma rende male sui dati non visti. Il compromesso consiste nel trovare il giusto livello di complessità per ridurre al minimo l’errore totale
Big data: tecnologie che riuniscono insiemi enormi di dati da molteplici fonti, utilizzando strumenti di analisi per generare intuizioni uniche. I big data gettano le basi dell’intelligenza artificiale dato che gli algoritmi di apprendimento richiedono un’enorme quantità di informazioni per emulare il processo decisionale umano e produrre previsioni accurate. Una fabbrica automatizzata utilizza l’analisi dei big data per informare le sue iniziative di IA. Tecnologie che riuniscono enormi set di dati da più fonti, utilizzando strumenti di analisi per generare informazioni uniche. I big data gettano le basi dell’intelligenza artificiale dato che gli algoritmi di apprendimento richiedono un’enorme quantità di informazioni per emulare il processo decisionale umano e produrre previsioni accurate. Una fabbrica automatizzata utilizza l’analisi dei big data per informare le proprie iniziative di IA.
Processo di calibrazione: mappatura della misurazione di una telecamera ai livelli di riflettanza effettivi, stabilendo una linea di base di riferimento per i livelli di riflettanza del software di verifica. Il processo di calibrazione regola i livelli di riflettanza e controlla tali livelli per garantire i risultati di verifica più precisi. Per essere conforme alle norme ISO, un verificatore deve avere un processo di calibrazione.
Scheda di calibrazione: scheda con simboli principali che vengono valutati rispetto a una scheda “judge” tracciabile NIST. Tali simboli possono essere utilizzati per calibrare e controllare i valori di calibrazione.
Contrasto della cella: parametro valutato secondo la norma ISO/IEC TR 29158 che è la versione DPM del parametro di cui alla norma ISO/IEC 15415 denominato "contrasto dei simboli" che calcola il valore di contrasto relativo tra le barre e gli spazi.
Modulazione della cella: parametro valutato secondo la norma ISO/IEC TR 29158 che è la versione DPM della modulazione che si calcola mediante l’intervallo della scala di valutazione impostato sulla media della distribuzione piuttosto che sulla media della riflettanza massima e minima utilizzata nella norma ISO/IEC 15415.
Incisione chimica: si tratta di una forma di marcatura diretta del componente: un processo di produzione sottrattiva con bagni di agenti chimici di incisione a temperatura regolata che rimuovono il materiale per creare un oggetto della forma desiderata.
Classificazione: separazione dei dati in categorie distinte che migliorano l’efficacia dell’intelligenza artificiale. Nell’automazione di fabbrica, i dispositivi di raccolta dati scansionano l’ambiente di produzione e riconoscono oggetti specifici quali componenti di macchine e componenti elettronici. Gli algoritmi di IA classificano questi oggetti e li indirizzano verso la loro corretta destinazione nella linea di produzione.
Modello di clocking: consente di contare il numero di righe e colonne presenti in un codice 2D.
Clustering: segmentazione di una popolazione di punti di dati in cluster per determinare quali sono simili e quali sono diversi. Gli algoritmi di apprendimento scansionano i cluster per interpretarne il significato e prevedere un corretto corso d’azione. Ad esempio, gli algoritmi di clustering elaborano i dati provenienti da dispositivi di scansione ottica per decidere cosa fare quando una scansione rileva un difetto del prodotto.
Sistema di visione computerizzata: consente alle macchine di interpretare e comprendere le informazioni visive provenienti dal mondo. Si tratta di insegnare ai computer ad analizzare e prendere decisioni basate su dati visivi, come immagini e video, spesso concentrandosi sulla ricerca e classificazione di oggetti. Oltre alle applicazioni industriali, la computer vision viene utilizzata in diversi campi come il riconoscimento facciale, i veicoli autonomi e la diagnostica per immagini.
Scheda di calibrazione della conformità: una scheda contenente simboli di verifica con imperfezioni intenzionali che verificano le capacità del verificatore di produrre rapporti e la conformità dei documenti agli standard industriali, come le norme ISO 15415 e ISO 15416 e le specifiche GS1.
Pulizia/pulitura dei dati: rimozione dei dati difettosi per affinare l’efficacia di un algoritmo di apprendimento. L’intelligenza artificiale dipende da modelli di dati sofisticati che devono avere fonti di dati accurate, affidabili e coerenti. Purtroppo la raccolta dei dati produce spesso informazioni ridondanti, imprecise, non aggiornate o comunque inutili. Effettuare una pulizia (o pulitura) dei dati riduce i rischi e migliora la precisione dell’IA.
Deep learning: una tecnologia di IA pensata per automatizzare applicazioni complesse e altamente personalizzate. L’elaborazione avviene tramite un’unità di elaborazione grafica (GPU), che consente agli utenti di costruire reti neurali sofisticate a partire da serie di immagini ampie e dettagliate (da centinaia a migliaia di immagini). Sfruttando queste reti neurali, il deep learning analizza in modo rapido ed efficiente vasti set di immagini per rilevare i difetti minimi e variabili e distinguere tra anomalie accettabili e inaccettabili.
Data Matrix: i codici 2D consentono di codificare grandi quantità di dati (fino a 2.335 caratteri alfanumerici o 3.116 caratteri numerici) e sfruttano un sistema di correzione degli errori che consente ai lettori di leggere codici danneggiati fino al 40%. È costituito da un insieme di celle bianche e nere contenute all’interno di una struttura quadrata o rettangolare e comprende un finder e un modello di clocking.
Decodificabilità: classifica la precisione della larghezza di barra e spazio rispetto alle dimensioni ideali. Un codice a barre con aumento o distorsione della larghezza otterrà un livello di decodificabilità basso.
Decodifica: verifica se il codice può essere letto usando l’algoritmo di decodifica standard.
Profondità di campo: si riferisce alla distanza tra gli oggetti più vicini e quelli più lontani che appaiono nitidi in un’immagine, oppure alla distanza da cui un lettore di codici a barre può riuscire a decodificare un codice a barre.
Codici DPM (direct part marking): processo per marcare in modo permanente i componenti con informazioni come numero di serie, di componente, data e codici a barre. Consente la tracciatura dei componenti lungo tutto il ciclo di vita. Esempi comprendono: incisione chimica, marcatura con puntino a spillo e marcatura laser.
IA discriminativa: modelli di IA che predicono i risultati in base a dati forniti. Questi risultati possono essere classificazioni, come determinare se un’immagine è “buona” o “cattiva” in compiti di ispezione, oppure individuare un paragrafo di testo come positivo o negativo. Le previsioni non sono indeterminate; i modelli di IA sanno cosa prevedere, rendendo questo approccio tipico per le applicazioni di visione artificiale.
Illuminazione a cupola: mette a disposizione una luce uniforme da varie angolazioni annullando il riverbero, anche su oggetti riflettenti. Viene utilizzata più spesso per ispezionare superfici lucide, curve o irregolari. Può inoltre essere utilizzata per verificare codici DPM stampati su parti curve o goffrate. Per essere efficaci, le luci a cupola devono essere poste vicine all’oggetto interessato.
Puntino a spillo: metodo di marcatura diretta su un componente composto da una punta in carburo o diamante che si attiva rapidamente ed esegue una serie di puntini sulla superficie del materiale. La punta si muove lungo la superficie e forma dei segni, come caratteri alfanumerici, codici di lettura e logo.
Contrasto del bordo: Misura la differenza tra barre adiacenti e spazi.
Conteggio dei bordi: parametro di tipo accettato/rifiutato che conteggia il numero di bordi presenti in un codice 1D.
Edge learning: tecnologia IA pensata per la facilità d’uso, l’elaborazione dei dati su dispositivo o “all’edge” (ai margini), con algoritmi pre-addestrati. È semplice da configurare e richiede set di immagini ridotti (da 5 a 10 immagini) e periodi di addestramento più brevi rispetto alle soluzioni tradizionali basate sul deep learning. Non è richiesta alcuna competenza specifica: anche i non esperti di visione possono facilmente addestrare gli strumenti di edge learning e generare in pochi minuti i risultati di ispezione.
Elemento: una singola barra o un singolo spazio all’interno di un codice a barre lineare.
IA etica: lo sviluppo di sistemi di IA che privilegiano l’equità, la trasparenza, la responsabilità e il rispetto dei diritti umani. Garantisce che le tecnologie di IA siano implementate in modo responsabile, senza causare danni o discriminazioni, e promuove il processo decisionale che avvantaggia la società salvaguardando la privacy e la diversità. Nella produzione, l’IA etica garantisce che l’automazione e i processi basati sull’IA promuovano una produzione più sicura ed efficiente, riducendo al minimo i pregiudizi e promuovendo l’inclusività.
IA spiegabile (XAI): sistemi di IA pensati per rendere trasparente il processo decisionale, in modo che gli operatori possano comprendere e fidarsi di come le tecnologie automatizzate influenzano la produzione. Fornendo trasparenza su come i modelli di IA arrivano alle conclusioni, XAI aiuta i produttori a individuare potenziali problemi, migliorare l’efficienza e mantenere la responsabilità nei processi critici. Ciò promuove la fiducia nei sistemi automatizzati, garantendo un’analisi più affidabile e informata.
Apprendimento federato: tecnica di addestramento per modelli di machine learning su dati decentralizzati, in cui le informazioni sono distribuite su più dispositivi o nodi (come smartphone, dispositivi IoT, dispositivi edge, ecc.). Invece di centralizzare i dati e addestrare il modello in un’unica posizione, il modello viene addestrato localmente su ciascun dispositivo e gli aggiornamenti vengono aggregati e condivisi con un server centrale.
Campo visivo: la dimensione complessiva dell’immagine o l’area di copertura supportata da una telecamera.
Modello di ricerca: anche detto localizzatore o modello a “L”, collega le linee a sinistra e sul fondo di un codice 2D e aiuta il lettore a localizzare e determinare l’orientamento del codice leggibile da una macchina.
Danni del modello fisso: errori in relazione al modello di ricerca, al modello di clocking o alla zona tranquilla del codice.
IA generativa: un sottoinsieme di IA dedicato alla creazione di nuovi contenuti, come testo, immagini, musica, audio e video, apprendendo modelli dai dati esistenti. Questi modelli utilizzano tecniche come il deep learning e le reti neurali per generare output originali in base ai dati su cui sono stati addestrati. A differenza dell’IA industriale, che viene spesso utilizzata per la classificazione o la previsione, l’IA generativa è incentrata sulla produzione di contenuti innovativi e creativi in grado di imitare i contenuti generati dall’uomo.
Discesa del gradiente: un algoritmo di ottimizzazione fondamentale utilizzato nel machine learning per ridurre al minimo la funzione di costo regolando i parametri del modello. Funziona calcolando il gradiente, cioè la pendenza della funzione di costo, e muovendosi in direzione di ridurre gli errori, fino a convergere progressivamente verso la soluzione ottimale.
Mancata uniformità della griglia: misura la deviazione maggiore dalla griglia del codice o lo scostamento degli assi x e y rispetto a un angolo di 90 gradi.
Global Standards One (GS1): sviluppa gli standard globali per la comunicazione aziendale, in particolare il codice a barre.
Soglia complessiva: il punto di definizione su una scala da scuro a chiaro che determina se una cella è più vicina al chiaro o allo scuro.
Riconoscimento delle immagini: utilizzo dell’IA per analizzare il contenuto di un’immagine digitale. Gli algoritmi di riconoscimento delle immagini analizzano milioni di pixel e utilizzano tecniche di edge learning o deep learning per distinguere tra persone, luoghi e oggetti. Queste tecnologie consentono la scansione di codici a barre e ispezioni automatizzate che possono migliorare notevolmente la produttività di una fabbrica automatizzata. Vedere anche: visione artificiale.
Verificatore di codici a barre in linea: dispositivo conforme alle norme ISO installato in una posizione fissa su una linea di produzione utilizzato per classificare automaticamente la qualità di un codice a barre.
Commissione elettrotecnica internazionale (IEC): Organizzazione che definisce gli standard internazionali per tutti i campi dell’elettrotecnica e lavora in collaborazione con l’Organizzazione internazionale per la normazione (ISO) in merito ad alcuni standard di qualità.
Organizzazione internazionale per la standardizzazione (ISO): organismo di normazione composto da rappresentanti di varie organizzazioni nazionali di normazione. Vi sono centinaia di norme ISO, alcune delle quali riguardano i codici a barre: modalità di inserimento di dati in un codice a barre, modalità della loro decodifica, modalità per la misurazione della dimensione del codice a barre e altro ancora. Vi sono tre norme ISO che riguardano la qualità: la norma ISO/IEC 15416 per codici a barre 1D, la norma ISO/IEC 15415 per codici a barre 2D su etichette e la norma ISO/IEC TR 29158 per i codici 2D DPM.
Internet delle cose (IoT, Internet of Things): una rete di sensori collegati a Internet per raccogliere informazioni in tempo reale dalle macchine e dal comportamento umano. I dispositivi includono smartphone, dispositivi indossabili, telecamere, monitor del traffico e sensori all’interno di macchinari e linee di produzione. I sensori IoT generano le enormi quantità di dati necessari per consentire il machine learning.
ISO/IEC 15416: Norma di verifica dei codici a barre 1D. Questa norma richiede che vengano eseguite 10 linee di scansione all’interno di un codice e che a ciascuna linea venga assegnato un grado basato sul parametro con il punteggio più basso di quella linea. La classificazione formale viene formulata tenendo conto della media di tutte le singole classificazioni delle linee di scansione.
ISO/IEC 15415: norma di verifica dei codici a barre 2D su etichetta. Questa norma prevede una valutazione basata su otto diversi parametri relativi all’immagine e ai dati. Il livello singolo più basso diventa il grado complessivo del codice.
ISO/IEC TR 29158: norma di verifica dei codici a barre per codici direct part mark (DPM). Questa norma costituisce un’estensione della metodologia di valutazione della qualità dei simboli definita nella norma ISO/IEC 15415. Inoltre, definisce condizioni di illuminazione alternative, alcuni nuovi parametri, modifiche alla misurazione, la valutazione di alcuni parametri e la comunicazione dei risultati della valutazione.
Modelli linguistici di grandi dimensioni (LLM): modelli di machine learning avanzati addestrati su grandi quantità di dati di testo per comprendere, generare e gestire il linguaggio umano con elevata competenza. Utilizzando il deep learning e le reti neurali, predicono e producono testi che imitano i modelli del linguaggio naturale, consentendo l’automazione di attività come la traduzione, la sintesi e la generazione di contenuti. Gli LLM, come GPT di OpenAI, migliorano le applicazioni di elaborazione del linguaggio naturale, promuovendo efficienza e innovazione nella produzione e oltre.
Marcatura laser: metodo di marcatura diretta su un componente che contrassegna il materiale con un fascio laser per incisione, rimozione, colorazione, ricottura e schiumatura della superficie di un oggetto.
Scansione lineare: utilizzata in applicazioni di ispezione continua come la produzione di bobine. Quando il materiale passa nell’area di scansione viene acquisita un’immagine ampia ma molto sottile. Utilizza il software per ricostruire l’immagine linea per linea. Queste applicazioni sono più veloci rispetto alle telecamere 2D standard.
Machine learning: processi informatici in grado di migliorare i risultati senza necessità di programmazione umana. Gli algoritmi di machine learning addestrano un computer a perseguire il successo e a evitare il fallimento milioni di volte per generare risultati di apprendimento. Il riconoscimento delle immagini, ad esempio, analizza milioni di immagini per discernere tra i diversi oggetti di un’immagine digitale. Vedere anche: dati di addestramento.
Visione artificiale: applicazione della visione artificiale in ambito industriale, che utilizza telecamere, sensori e software per ispezionare, misurare e prendere decisioni sui prodotti lungo le linee di produzione. L’IA migliora la visione artificiale basata su regole tradizionali consentendo l’analisi basata su immagini, in cui i sistemi confrontano le immagini con i database di riferimento per individuare difetti o anomalie. Questo processo automatizza ispezioni visive complesse, migliorando la qualità del prodotto, riducendo errori e costi. Due tecnologie IA all’avanguardia, l’edge learning e il deep learning, contribuiscono a semplificare ulteriormente l’automazione di attività altamente variabili, troppo complicate e lunghe da programmare con algoritmi basati su regole.
Sistemi di visione artificiale: una soluzione che permette alle macchine industriali di “vedere”. Utilizzando telecamere e software di elaborazione di immagini, questi sistemi acquisiscono e analizzano immagini bidimensionali per svolgere attività produttive come ispezione, misurazione e identificazione.
Mil: Un millesimo di pollice (0,001").
Riflettanza minima: per un codice a barre 1D, questo parametro valuta se le barre sono sufficientemente scure da raggiungere il giusto rapporto di luce riflessa dagli spazi. Per i codici DPM, misura la luminosità dell’immagine originale. La norma ISO/IEC TR 29158 richiede un software di verifica per illuminare automaticamente un’immagine prima di effettuare il processo di verifica. Se il simbolo presenta una luminosità inferiore al 5% prima della regolazione, l’operazione non riuscirà.
Dimensione x minima: si riferisce alla limitazione della risoluzione della telecamera di un verificatore di codici a barre. Quando si seleziona un verificatore, la dimensione X minima deve essere inferiore alla dimensione della barra più piccola o del modulo più piccolo nel codice più piccolo stampato o marcato.
Modulazione: valutazione effettuata sulla base della quantità di variabilità della riflettività dei moduli. Per determinare la valutazione viene utilizzato un processo a più fasi.
Tunnel di visione modulari: tunnel di scansione flessibili pensati per aumentare velocità ed efficienza nelle operazioni logistiche, come smistamento, ricezione in ingresso e logistica in uscita. Offrono lettura di codici a barre da 1 a 6 lati, sono scalabili per diverse velocità e distanze tra le confezioni, e integrano i lettori di codici a barre basati su immagini DataMan, garantendo tassi di lettura affidabili e decodifica di simbologie miste.
IA multimodale: sistemi IA che elaborano e integrano contemporaneamente più tipi di dati, come testo, immagini, audio e video, per informazioni più accurate e consapevoli del contesto. Combinando questi input, migliorano le applicazioni come le ispezioni automatizzate nella produzione, dove sia i dati visivi che quelli testuali migliorano il rilevamento dei difetti. Questa capacità permette all’IA di interpretare ambienti complessi in modo più efficace, aumentando efficienza, precisione e adattabilità nelle attività industriali e di automazione
Elaborazione del linguaggio naturale (NLP): un ramo dell’IA che consente ai computer di comprendere, interpretare, generare e rispondere al linguaggio umano. Combinando linguistica e machine learning, la NLP sfrutta applicazioni come l’analisi del sentiment, la traduzione linguistica e l’elaborazione automatica del testo. Migliora l’efficienza con sistemi di controllo attivati a voce, consentendo agli operatori di interagire con i macchinari tramite comandi vocali. Automatizza inoltre l’analisi dei registri e dei rapporti di manutenzione, trovando modelli per la manutenzione predittiva e riducendo i tempi di inattività. La NLP può ottimizzare la gestione della supply chain elaborando gli ordini di approvvigionamento e i dati di spedizione, portando a un processo decisionale più intelligente e a una maggiore efficienza operativa.
Reti neurali: algoritmi e nodi di dati ispirati ai percorsi neurali del sistema nervoso umano. Una rete neurale emula il modo in cui le cellule nervose ricevono informazioni, le elaborano e le inviano ad altri nervi. Migliaia di nodi di elaborazione in una rete neurale trovano modelli nei dati quali immagini, testo e parole pronunciate. Tali modelli aiutano l’algoritmo a decidere cosa fare dopo e ad insegnare a sé stesso ad avere prestazioni migliori ogni volta che ha successo nello svolgimento di un compito.
Verificatore di codici a barre offline: dispositivo brandeggiabile o desktop conforme alle norme ISO utilizzato per valutare manualmente la qualità di un codice a barre, spesso con prove a campione sui lotti.
Riconoscimento ottico dei caratteri (OCR): tradurre numeri, lettere e caratteri stampati in dati digitali significativi. Le tecnologie di IA offrono un salto di qualità nella precisione dell’OCR, consentendo la scansione di etichette piegate, strappate, danneggiate e oscurate da involucri di plastica.
Overfitting: quando un modello di machine learning è eccessivamente complesso e apprende non solo i modelli sottostanti nei dati, ma anche il rumore o le fluttuazioni casuali. Di conseguenza, il modello ottiene ottimi risultati sui dati di addestramento ma scarsi sui nuovi dati non visti, perché ha essenzialmente memorizzato il set di addestramento invece di generalizzare dalle informazioni apprese. Ciò riduce la capacità del modello di fare previsioni accurate sui dati del mondo reale.
Presenza/assenza: processo di determinazione della presenza o dell’assenza di una parte, di un oggetto o di una caratteristica specifica in un’immagine. Per individuare le parti in base al conteggio dei pixel, al riconoscimento dei pattern o alle caratteristiche dei bordi lineari, vengono utilizzati vari strumenti software, come gli strumenti Pixel Count, Pattern ed Edge Presence/Absence.
Zone tranquille: è uno spazio vuoto attorno al codice che lo separa da segni grafici, forme e composizioni circostanti. Le specifiche individuali dei codici a barre definiscono la quantità di zona tranquilla.
Margine di riflettanza: la modulazione e il margine di riflettanza sono spesso gli stessi, differiscono solo quando sono determinati alcuni moduli per il colore sbagliato e viene utilizzata la correzione di errori.
Regolarizzazione: una tecnica di machine learning che aiuta a migliorare l’accuratezza del modello prevenendo l’overfitting. Ciò avviene applicando una penalità per la complessità, che incoraggia modelli più semplici che funzionano meglio sui nuovi dati. I tipi comuni di regolarizzazione includono Lasso, Ridge e Elastic Net, ognuno dei quali contribuisce a costruire modelli più affidabili
Apprendimento per rinforzo: tipo di machine learning in cui un agente impara a prendere decisioni interagendo con un ambiente per massimizzare i premi cumulativi. L’agente, che potrebbe essere un programma software o un robot fisico, riceve feedback tramite ricompense o penalità in base alle sue azioni. Attraverso tentativi ed errori, perfeziona la sua strategia, migliorando le prestazioni nel tempo. Questo approccio è particolarmente efficace in scenari di processi decisionali sequenziali, come robotica, videogiochi o veicoli autonomi.
Automazione robotizzata dei processi (RPA, Robotic process automation): dispositivi, software e processi che automatizzano la produzione, migliorando la produttività e liberando le persone da compiti noiosi e ripetitivi. I dispositivi RPA includono bracci robotici che svolgono compiti quali la saldatura di componenti del settore automobilistico o l’assemblaggio di microprocessori. Il software RPA può includere algoritmi e applicazioni che automatizzano processi che in precedenza richiedevano un input umano.
Profilo di riflettanza della scansione (SRP): Rappresenta il cambiamento dei valori di riflettanza di un codice a barre lineare lungo la sua larghezza. Ciò costituisce una base per la misurazione e la valutazione dei parametri di qualità utilizzati.
Analisi del sentiment: processo di determinazione computazionale se un testo è positivo, negativo o neutro. Classifica il testo in base al tono o allo stato d’animo espresso, utilizzando vari algoritmi di elaborazione del linguaggio naturale come approcci basati su regole, automatici e ibridi.
Contrasto dei simboli: valore valutato che misura la differenza tra la riflettanza massima nello spazio più chiaro e la riflettanza minima nella barra più scura.
Dati strutturati: un quadro che aiuta le macchine a comprendere il significato dei dati e a elaborarli in modo accurato. I dati strutturati sono memorizzati in formati coerenti, proprio come le righe, le colonne e le celle di un foglio di calcolo.
Dati non strutturati: un altro quadro che aiuta le macchine a capire cosa significano i dati e come dovrebbero essere elaborati. I dati non strutturati sono come il testo in un file di elaborazione testi o i pixel in un video. Gli algoritmi di intelligenza artificiale consentono ai sistemi di automazione di fabbrica di estrarre la conoscenza da entrambi i tipi di dati.
Apprendimento supervisionato: un tipo di machine learning in cui il modello è addestrato su dati etichettati, con ogni input associato all’output corretto. Il modello impara a mappare gli input agli output corretti trovando modelli nei dati durante l’addestramento. Una volta addestrato, il modello può fare previsioni su nuovi dati invisibili basati su questi modelli appresi.
Intelligenza dello sciame (Swarm intelligence): un insieme di algoritmi che lavorano insieme per produrre un’intelligenza che supera le capacità degli individui all’interno dello sciame. Modellato sul comportamento di api, pesci, uccelli e altri organismi sociali, un sistema di intelligenza dello sciame assegna compiti semplici e specifici ai singoli algoritmi di machine learning. Consentire a questi algoritmi di lavorare insieme può produrre risultati di apprendimento molto più sofisticati di quanto un singolo algoritmo possa generare. Vedere anche: reti neurali.
Tokenizzazione: processo fondamentale nell’elaborazione del linguaggio naturale (NLP) che prevede la suddivisione di un flusso di testo in unità più piccole chiamate token. Questi token possono variare da singoli caratteri a parole o frasi complete, rendendo più facile per le macchine analizzare e comprendere il linguaggio umano.
Tracciabilità: capacità di eseguire il track-and-trace della cronologia, dell’applicazione o della posizione di un articolo lungo la supply chain. Raccoglie informazioni sul processo di produzione, come l’origine di un prodotto, i materiali che contiene e le modalità con cui è stato realizzato.
Dati di addestramento: informazioni digitali che alimentano l’apprendimento in un algoritmo di intelligenza artificiale. Gli algoritmi di IA e delle reti neurali devono saper distinguere tra dati corretti e dati errati. I dati di addestramento consentono a tali algoritmi di comprenderlo. In una fabbrica automatizzata, ad esempio, le immagini digitali forniscono dati di addestramento che aiutano gli algoritmi ad imparare a trovare le parti difettose delle macchine e a tenerle fuori dai prodotti finiti.
Apprendimento per trasferimento: una tecnica di machine learning in cui un modello addestrato su un’attività viene riproposto come base per un’altra attività. Questo approccio funziona meglio quando la seconda attività è correlata alla prima attività o quando i dati per la seconda attività sono limitati. Utilizzando le funzioni apprese dalla prima attività, il modello può adattarsi in modo più efficiente a una nuova attività.
Underfitting: quando un modello di machine learning è troppo semplice per catturare i modelli sottostanti nei dati. Ciò accade in genere quando il modello non è sufficientemente complesso o le funzionalità che utilizza sono troppo limitate. Questo si traduce in scarse prestazioni sia sui dati di addestramento che su quelli non visti, ostacolando la capacità del modello di generalizzare e fare previsioni accurate. È uno dei problemi da evitare quando si costruiscono modelli di IA, in quanto limita la capacità del modello di generalizzare e fare previsioni accurate.
Correzione degli errori non utilizzati: Percentuale della capacità di correzione degli errori disponibile per ulteriori moduli errati.
Apprendimento non supervisionato: un approccio di machine learning in cui il modello viene addestrato sui dati senza risultati etichettati. L’obiettivo è che il modello identifichi autonomamente modelli, relazioni o strutture all’interno dei dati. Viene comunemente utilizzato per il clustering, il rilevamento delle anomalie o la scoperta di informazioni nascoste da grandi set di dati.
Validazione: conferma che il formato dei dati del codice a barre è corretto secondo i requisiti dell’applicazione, affinché un sistema informatico che riceve i dati del codice a barre possa interpretare correttamente il significato di tali dati.
Dimensione X: dimensione della barra più stretta o del modulo più piccolo in qualsiasi codice a barre; di norma espressa in mil.