• Contatto vendite Cognex: +39 02 3057 8196

  • Contatti

Blog Cognex

In che modo il deep learning differisce dalla visione industriale tradizionale?

deeplearningheader

A un livello base, i sistemi di visione industriale si affidano a sensori digitali protetti all'interno di telecamere industriali con ottica specializzata per acquisire immagini. Tali immagini vengono quindi inviate a un PC affinché un software specializzato possa elaborare, analizzare e misurare varie caratteristiche ai fini di un processo decisionale.

Questi sistemi sono tuttavia molto rigidi e limitati nella loro applicazione all'interno di un ambiente di automazione dello stabilimento. I tradizionali sistemi di visione industriale sono affidabili con componenti uniformi e ben fabbricati. Svolgono un filtraggio step-by-step e hanno algoritmi basati su regole più convenienti dell'ispezione umana.

Su una linea di produzione un sistema di visione industriale basato su regole può ispezionare centinaia e perfino migliaia di componenti al minuto. Tuttavia la resa di tali dati visivi si basa comunque su un approccio programmatico basato su regole per risolvere problemi di ispezione, il che rende la visione industriale adatta per attività di:

  • Guida: determinazione della posizione e dell'orientamento di un componente, confronto degli stessi con una specifica tolleranza al fine di assicurare che il componente abbia la corretta angolazione per verificare il corretto assemblaggio. Ai fini della localizzazione possono essere utilizzate caratteristiche chiave di un componente per altri strumenti di visione industriale.
  • Identificazione: lettura di codici a barre (1D), codici a matrice di dati (2D), codici DPM (Direct Part Mark) e caratteri stampati su componenti, etichette e confezioni. Nonché identificare gli elementi sulla base di colore, forma o dimensione.
  • Misurazione: calcolo della distanza tra due o più punti o la posizione geometrica su un oggetto e determina se queste misure corrispondono alle specifiche.
  • Ispezione: individuazione di difetti o altre irregolarità nei prodotti nel contesto di verifiche quali quelle di etichette correttamente applicate o della presenza di sigilli di sicurezza, tappi, ecc.

Il deep learning utilizza un approccio basato su esempi anziché un approccio basato su regole per risolvere alcune sfide dell'automazione dello stabilimento. Sfruttando le reti neurali per insegnare a un computer quale buona immagine si basa su una serie di esempi etichettati, il deep learning sarà in grado ad esempio di analizzare i difetti, individuare e classificare gli oggetti e leggere marcature stampate.

Nel mondo reale, ciò significa che un'azienda potrebbe provare a ispezionare schermi di dispositivi elettronici alla ricerca di graffi, scheggiature o altri difetti. Questi difetti saranno tutti diversi in termini di dimensioni, portata, posizione o riguarderanno schermi con sfondi diversi. Grazie al deep learning è possibile distinguere tra un componente buono e uno difettoso, considerando le variazioni attese. Inoltre, allenare la rete su un oggetto nuovo di interesse, come un diverso tipo di schermo, è facile in quanto è sufficiente prendere una nuova serie di immagini di riferimento.

telefono cellulare e deep learning 

Ciò rende il deep learning particolarmente adatto a:

  • Risolvere applicazioni di visione troppo difficili da programmare con algoritmi basati su regole
  • Gestire sfondi confusi e variazioni nell'aspetto dei componenti
  • Effettuare la manutenzione delle applicazioni ed eseguire una nuova formazione con nuovi dati immagine all'interno dello stabilimento produttivo
  • Adattarsi a nuovi esempi senza riprogrammazione delle reti principali

Il deep learning viene ora utilizzato in applicazioni nelle quali l'ispezione era tipicamente effettuata manualmente, come il controllo finale di assemblaggi. Un tempo queste attività erano considerate troppo difficili da automatizzare. Con uno strumento come il deep learning questi compiti possono ora essere svolti con un sistema di visione in maniera più sistematica, più affidabile e più rapida già lungo la linea di produzione.

Gli esseri umani sono bravi a classificare le cose diverse, ma simili. Siamo in grado di comprendere in pochi secondi la varianza all'interno di un dato insieme di oggetti. In questo senso, gli strumenti di deep learning combinano i vantaggi dell'intelligenza evolutiva dell'uomo con la coerenza, la ripetibilità e la scalabilità della visione industriale tradizionale basata su regole.

Comprendere queste differenze sarà fondamentale per qualsiasi azienda che intraprenda un percorso di automazione dello stabilimento, dato che tali differenze sono fondamentali per stabilire quando è opportuno sfruttare l'una o l'altra in un'applicazione di automazione dello stabilimento.

Mentre i sistemi di visione industriale tradizionale funzionano in modo affidabile con componenti costanti e ben realizzati, gli algoritmi diventano difficili da programmare man mano che le eccezioni e le librerie di difetti crescono. In altre parole, ad un certo punto alcune applicazioni necessarie per l'automazione dello stabilimento non saranno più gestite al meglio affidandosi a sistemi di visione industriale basati su regole.

Texture complesse e variazioni nell'aspetto dei componenti introducono serie difficoltà di ispezione. I sistemi di visione industriale basati su regole faticano ad apprezzare le variazioni e le diversità tra componenti esteticamente molto simili. Le anomalie “funzionali”, che compromettono l'utilità del componente, sono sempre rifiutate, mentre quelle cosmetiche dipendono dalle esigenze e dalle preferenze del produttore. Il problema è che per un sistema di visione industriale è difficile fare una distinzione tra questi difetti.

Alcune ispezioni di visione industriale tradizionali, come il rilevamento dei difetti, sono notoriamente difficili da programmare a causa delle numerose variabili che possono risultare difficili da isolare per una macchina, come illuminazione, variazioni di colore, curvatura o campo visivo.

Questo aspetto non costituisce un problema di per sé, ma diventa problematico quando le aziende tentano di risolvere applicazioni con la visione industriale quando ci sono altri strumenti più appropriati a loro disposizione. Mentre i sistemi di visione industriale tradizionale funzionano in modo affidabile con componenti costanti e ben realizzati, le applicazioni diventano difficili da programmare man mano che le eccezioni e le librerie di difetti crescono. In altre parole, ad un certo punto alcune applicazioni necessarie per l'automazione dello stabilimento non saranno più gestite al meglio affidandosi a sistemi di visione industriale basati su regole.

scheda deep learning

Comprendere queste differenze sarà fondamentale per qualsiasi azienda che intraprenda un percorso di automazione dello stabilimento, dato che tali differenze sono fondamentali per stabilire quando è opportuno sfruttare l'una o l'altra in un'applicazione di automazione dello stabilimento.

Sebbene il deep learning stia trasformando l'automazione dello stabilimento come la conosciamo, esso rappresenta comunque soltanto un ulteriore strumento che gli operatori possono impiegare per portare a termine il loro lavoro. La visione industriale tradizionale basata su regole è uno strumento efficace per tipi specifici di lavori. Inoltre per le situazioni complesse che richiedono una visione simile a quella umana con la velocità e l'affidabilità di un computer, il deep learning si rivelerà un'opzione davvero rivoluzionaria.

Per saperne di più sulle tecnologie di deep learning per la produzione scarica il nostro e-book gratuito, Deep learning e visione industriale a confronto.

Altri post in merito a

RICHIEDI L'ACCESSO PER OTTENERE SUPPORTO E FORMAZIONE SUI PRODOTTI E MOLTO ALTRO

REGISTRATI A 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...