• Contatto vendite Cognex: +39 02 3057 8196

  • Contatti

Blog Cognex

Leggi codici complessi e impegnativi in qualsiasi condizione con l'OCR basato sul deep learning

Deep learning ocr tool

Immagina il risparmio di tempo di uno strumento preaddestrato di riconoscimento ottico dei caratteri (OCR) e di verifica ottica dei caratteri (OCV). Anche eliminando il difficile addestramento iniziale, questo strumento funziona immediatamente appena installato. E anche qualora apparisse un carattere irriconoscibile, probabilmente a causa di un riverbero specular, di un'incisione di scarsa qualità o di un'altra causa di deformazione, tale strumento potrebbe essere riaddestrato in fabbrica e soltanto in relazione ai caratteri problematici letti in modo errato. Questa è la promessa degli strumenti OCR e OCV basati sul deep learning che si affidano a una libreria omnifont pre-addestrata e richiedono soltanto un addestramento su font specifici dell'applicazione.

I caratteri coerenti, facilmente leggibili, posti su uno sfondo chiaro o scuro possono essere gestiti abbastanza bene con la visione industriale tradizionale. Ma i produttori hanno bisogno di un nuovo tipo di soluzione OCR dedicata per quando gli sfondi confusi e i problemi di imaging mettono in discussione i loro sistemi di visione industriale e quando il numero e il tipo di font specifici per le applicazioni sono imprevedibili. Codici deformati, distorti e con incisione di scarsa qualità sono alcuni dei colpevoli comuni. Altri codici complicati sono quelli che implicano caratteri a basso contrasto o codici stampati, incisi, marcati a micropercussione o goffrati su sfondi confusi.

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

OCR con deep learning per il settore automobilistico

I produttori di automobili, così come i fornitori di ricambi, utilizzano i numeri di serie per tracciare i componenti di alto valore lungo la catena di fornitura e garantire 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.

OCR su un blocco motore

In caso di richiamo, i componenti interessati possono essere richiamati rapidamente dal mercato. Oltre alle sfide tipiche di leggibilità, ad esempio parti dei numeri di serie possono essere abrase durante i processi di fusione o di levigatura, le superfici metalliche abbaglianti possono a volte confondere la telecamera nel contesto di un sistema d'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/OCV basati sul deep learning sono ben adattati a queste sfide perché si basano su librerie omnifont preaddestrate per individuare, appena installati, anche i codici più difficili da leggere. Il Deep Learning di Cognex richiede soltanto aggiustamenti specifici per l'applicazione, il che significa che 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 zona 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 e i rivestimenti 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

OCR su un circuito stampato.

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 dei produttori deve essere abbastanza robusto per mantenere la produzione funzionante a pieno regime e tenere traccia dei componenti di alto valore. Ciò vale anche 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. Non sorprende che i codici marcati a laser possano 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 noiose di addestramento grazie ad una libreria omnifont pre-addestrata che riconosce anche i caratteri deformati e storti. Un tecnico è in grado di effettuare rapidamente aggiustamenti specifici per l'applicazione e riaddestrare la soluzione in relazione ai codici letti in modo errato. 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 del packaging

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

 OCR su una lattina di alluminio

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 interessati 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 anche in questo caso può incontrare difficoltà nel decodificare caratteri con un basso contrasto.

La tecnologia OCR/OCV basata sul deep learning non presenta le stesse limitazioni ed è in grado di leggere automaticamente le lettere e i numeri che presentano il contrasto più basso. Affidandosi alla tecnologia basata sul deep learning, i produttori possono tenersi al passo con le leggi in materia di sicurezza alimentare e di rintracciabilità e facilitare i richiami con un impatto minimo sulla loro produzione.

OCR con deep learning per il settore delle scienze biologiche

Un OCR e un OCV efficace è fondamentale per le scienze biologiche, soggette a leggi di tracciabilità e rintracciabilità rigorosamente regolamentate. Per rimanere all'interno del rispetto della conformità, 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.

OCR con deep learning per le scienze biologiche

Con così tante apparecchiature e numerose persone che toccano i prodotti, i codici possono diventare deformati e storti. Anche la qualità dell'immagine può essere inferiore alla media, cambiando l'aspetto del codice rilevato dalla telecamera. Anziché investire tempo per addestrare un sistema di visione industriale a riconoscere la molteplicità di caratteri che probabilmente incontrerà, il settore delle scienze biologiche si sta rivolgendo a software di analisi di immagini basata sul deep learning affinché quest'ultimo svolga il lavoro al posto loro.

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 la maggior parte dei testi alfanumerici appena installata e richiede soltanto un breve addestramento iniziale per impostare la zona 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 white paper gratuito, Deep learning per l'automazione industriale:

Altri post in merito a

OTTIENI L’ACCESSO AD ASSISTENZA E FORMAZIONE IN MERITO AI PRODOTTI E MOLTO ALTRO ANCORA

Entra a far parte di MyCognex

AVETE DELLE DOMANDE?

I rappresentanti Cognex sono disponibili in tutto il mondo per supportarvi nelle vostre necessità di lettura dei codici a barre industriali

CONTATTI
Loading...