L’OCR basato sull’IA legge codici complessi e impegnativi in qualsiasi condizione

A differenza dei tradizionali sistemi di visione artificiale, che funzionano bene su caratteri chiari e semplici su sfondi uniformi, gli strumenti OCR di deep learning eccellono nella gestione di caratteri deformati, distorti o a basso contrasto. Risplendono dove i sistemi tradizionali faticano, il che li rende ideali per i produttori che si occupano di sfondi complessi o di caratteri imprevedibili specifici per le applicazioni.

Esploriamo come il software basato sul deep learning offre un’alternativa radicalmente facile e precisa a queste complesse applicazioni di ispezione OCR/OCV.

I produttori di automobili e i fornitori di ricambi utilizzano i numeri di serie per tracciare i componenti di alto valore lungo la catena di fornitura e assicurare che siano abbinati agli assemblaggi corretti. Molti componenti contengono numeri di serie a dieci cifre, marcati a micropercussione, in maniera tale che, quando si verificano errori durante i test, sia possibile rintracciare la fonte.

In caso di richiamo, i componenti interessati possono essere richiamati rapidamente dal mercato. Tuttavia, questi codici spesso si deformano durante processi come la levigatura e la fusione, causando sfide per l’OCR convenzionale. Ad esempio, le superfici metalliche abbaglianti a volte possono confondere la telecamera in un sistema di ispezione automatizzato. Quando i numeri di serie marcati a micropercussione diventano grossolanamente deformati e illeggibili, ciò rallenta i processi OCR e OCV e minaccia l’effettiva rintracciabilità.

Gli strumenti OCR di deep learning superano questo problema utilizzando librerie pre-addestrate che identificano con precisione anche i caratteri più deformati. La formazione di una libreria omnifont è rapida e non richiede un esperto di visione avanzato. Il deep learning di Cognex richiede solo regolazioni specifiche per l’applicazione. Anziché addestrare un algoritmo per identificare il singolo carattere o numero di ogni codice, un tecnico incaricato dell’addestramento, non un esperto di visione, definisce semplicemente la regione di interesse (normalmente la zona con i caratteri letti in modo errato), imposta la dimensione del carattere ed etichetta l’immagine. Qualsiasi carattere letto in modo errato o font specifico dell’applicazione può essere facilmente riaddestrato presso lo stabilimento.

OCR con deep learning per il settore dei componenti elettronici

I codici incisi a laser su componenti elettronici come i pacchetti di circuiti integrati (IC) e i telai in piombo sono caratteristiche essenziali per tutti i produttori di hardware elettronico. Tali codici a barre e numeri di serie contengono informazioni in merito al quando e al dove sono stati prodotti i componenti, i loro numeri di lotto e i dati di collaudo. Possono altresì codificare informazioni sulla temperatura di saldatura e sulla densità del flusso, informazioni essenziali in quanto i componenti sono montati su chip e assemblati in moduli

Tali codici vengono letti in ogni fase di aggiunta del valore passando attraverso l’assemblaggio finale e il collaudo dei dispositivi per garantire che l’hardware sia assemblato correttamente e contenga i componenti giusti. Date le piccole dimensioni della maggior parte dei semiconduttori e i vincoli di spazio su un circuito stampato, un sistema di identificazione del produttore deve essere robusto per mantenere la produzione funzionante a pieno regime e tenere traccia dei componenti di alto valore. Ciò vale per i produttori di dispositivi finiti, che abitualmente devono leggere i codici incisi a laser sui lati delle teste di scorrimento, che possono essere piccoli fino a 1,1 mm x 1,4 mm. I codici marcati al laser possono degradarsi durante la produzione e diventare difficili da leggere.

In queste situazioni, la tecnologia OCR/OCV basata sul deep learning offre una soluzione immediatamente utilizzabile appena installata, che consente di saltare ore di addestramento grazie ad una omnifont libreria pre-addestrata. I vantaggi in termini di produttività sono immediati, poiché le mancate letture diminuiscono e il tempo di attività della macchina viene massimizzato.

OCR con deep learning per il settore dell’imballaggio

I produttori devono disporre di sistemi per riconoscere e verificare la serie di informazioni che segue ogni bene confezionato attraverso la catena di fornitura. Per garantire la completa rintracciabilità delle confezioni, i produttori del settore food and beverage e dei beni di consumo si confrontano con codici impegnativi.

Abitualmente i sospetti ricadono su caratteri a basso contrasto stampati su codici di imballaggio basati su etichette o caratteri deformati e goffrati su parti stampate a iniezione, come nel caso di un tappo di una bottiglia. I codici possono essere utilizzati per abbinare imballaggi costituiti da più parti o, più probabilmente, contenenti codici di data/lotto che incorporano informazioni sul contenuto, sull’origine e sulla data di produzione. In questi casi, i produttori si affidano alle apparecchiature OCR/OCV per individuare rapidamente i prodotti e rimuoverli dalla produzione o dagli scaffali. La tecnologia OCR/OCV tradizionale richiede un addestramento iniziale per apprendere a riconoscere i vari tipi di carattere e può incontrare difficoltà nel decodificare caratteri con un basso contrasto.

La tecnologia OCR/OCV basata sul deep learning è in grado di leggere automaticamente le lettere e i numeri che presentano il contrasto più basso. Adottando una tecnologia basata sul deep learning, i produttori possono assicurarsi che gli alimenti siano mantenuti aggiornati, conformi alle leggi sulla tracciabilità e facilitino i richiami con un impatto minimo sulla produzione.

OCR con deep learning per il settore delle scienze biologiche

Un OCR e un OCV efficace è importante per il settore delle scienze biologiche, soggette a leggi di tracciabilità e rintracciabilità rigorosamente regolamentate. Per rimanere conformi, i produttori e gli ospedali devono scansionare i codici presenti sui dispositivi medici, sugli strumenti chirurgici e sui braccialetti identificativi dei pazienti in ogni punto di manipolazione e punto di utilizzo. Ciò consente loro di tenere sotto controllo i dispositivi e i prodotti farmaceutici lungo tutta la catena di fornitura in caso di un evento legato alla sicurezza.

Con così tante apparecchiature e prodotti da gestire, i codici possono diventare deformati e storti. Anche la qualità della diagnostica per immagini può essere inferiore alla media, cambiando l’aspetto del codice rilevato dalla telecamera. Anziché investire tempo per addestrare un sistema di visione artificiale a riconoscere la molteplicità di caratteri, il settore delle scienze biologiche si sta rivolgendo a software di analisi di immagini basata sul deep learning.

Gli strumenti OCR basati sul deep learning sono efficaci e facili da implementare su codici stampati su substrati difficili e soggetti a deformazioni, quali i codici marcati a micropercussione su componenti metallici, i caratteri goffrati su prodotti stampati a iniezione, i codici basati su etichette su imballaggi e i codici incisi al laser su componenti elettronici. La tecnologia OCR/OCV del Deep Learning di Cognex riconosce immediatamente la maggior parte dei testi alfanumerici e richiede soltanto un breve training iniziale per impostare la regione di interesse e la dimensione dei caratteri. Il sistema è in grado di riaddestrarsi rapidamente presso lo stabilimento in relazione ai caratteri letti in modo errato, affinché i produttori non perdano un colpo.

Per scoprire quanto il deep learning stia rivoluzionando applicazioni di automazione industriale quali OCR e OCV, scarica il whitepaper gratuito, IA per l’automazione industriale.