In che modo i sistemi di visione prendono decisioni in base a ciò che vedono?
Sebbene la visione artificiale basata su regole sia ancora la tecnologia prevalente, vari tipi di machine learning alimentato dall’IA sono diventati abbastanza capaci e flessibili da assumere il controllo in molte applicazioni.
Spesso, una combinazione di machine learning basato su regole e alimentato dall’IA può fornire la soluzione più efficiente.
Sistemi basati su regole
La visione artificiale tradizionale basata su regole utilizza regole if-then specifiche per prendere decisioni su un’immagine. “Se il flacone è riempito almeno fino a qui, lasciarlo passare.” Le regole sono programmate da ingegneri della visione con una profonda conoscenza della migliore combinazione di tecnologie per ottenere il risultato atteso.
Le regole vengono utilizzate per creare programmi che affrontano compiti specifici, come il rilevamento del bordo tra aree chiare e scure o la misurazione della distanza tra due punti.
Queste regole possono quindi essere utilizzate una dopo l’altra su di un’immagine, in ciò che viene chiamato “concatenamento degli strumenti”, per eseguire un’ampia gamma di attività sofisticate. Si tratta inoltre di ispezioni di alta qualità, ad alta velocità ed elevata precisione su prodotti o parti prevedibili e coerenti.
Deep learning
Il deep learning utilizza l’IA per alimentare i sistemi di visione artificiale utilizzando esempi per addestrare il software con immagini catalogate fino a quando non è in grado di effettuare distinzioni per conto proprio.
Questo addestramento imita il modo in cui gli esseri umani apprendono, aiutando il sistema a imparare a prendere decisioni precise senza essere disturbato da variazioni irrilevanti.
Gli operatori addestrano i sistemi di deep learning con centinaia di immagini etichettate, come ad esempio una varietà di possibili difetti in un pezzo fabbricato o diversi assemblaggi che devono essere classificati.
Un miglioramento significativo rispetto ai sistemi basati su regole consiste nel fatto che i sistemi di deep learning apprendono a distinguere tra un’ampia gamma di difetti reali e varianti puramente estetiche senza dover mostrare tutti i possibili risultati, cosa che sarebbe dispendiosa in termini di tempo o addirittura sarebbe impossibile da realizzare con la programmazione basata su regole.
A differenza dei sistemi basati su regole, i sistemi di deep learning, per la loro configurazione non richiedono programmatori esperti di visione artificiale. Hanno bisogno di qualcuno con una buona conoscenza dei prodotti da ispezionare per fornire centinaia di immagini di componenti sia buoni che difettosi.
Il deep learning eccelle nella verifica del montaggio, nel rilevamento di difetti e nella classificazione di pezzi complessi che variano in modo imprevedibile. È inoltre in grado di fornire risultati accurati anche quando i pezzi sono riflettenti o le immagini sono distorte.
Edge learning
L’edge learning è un altro tipo di IA, ottimizzato per soddisfare le esigenze dell’automazione industriale. Viene fornito pre-addestrato per risolvere i tipi di problemi tipicamente affrontati dall’automazione industriale.
Grazie al pre-addestramento, un sistema di edge learning può essere istruito su uno specifico problema di ispezione industriale con appena cinque immagini, il che lo rende ancora più facile e veloce da implementare rispetto a un sistema di deep learning.
L’edge learning consente ai tecnici di linea di implementare rapidamente una funzione di classificazione ottimizzata o di rilevamento di difetti sulla propria linea, senza richiedere un addestramento specializzato. Poiché non richiede un processore sofisticato, può essere rapidamente implementato dove necessario.
I vantaggi dell’edge learning sono la velocità, la bassa richiesta di risorse di calcolo e la flessibilità, nonché l’intuitività.
Confronto tra sistemi basati su regole e alimentati dall’IA
La scelta tra sistemi basati su regole, deep learning e edge learning dipende principalmente dal tipo di applicazione che si sta implementando.
- Gli strumenti di visione basati su regole sono efficaci in una varietà di compiti specializzati, con obiettivi molto coerenti, come la posizione, la misurazione e l’orientamento.
- L’edge learning eccelle nelle attività ripetibili con obiettivi moderatamente coerenti.
- Il deep learning risulta particolarmente efficace nella ricerca di difetti complessi o nell’analisi di immagini con variazioni significative.