• Contatto vendite Cognex: +39 02 3057 8196

  • Contatti

Blog Cognex

Perché un addestramento adeguato delle applicazioni di ispezione dotate di deep learning è fondamentale per il successo

The small threat AI poses in industrial automation

Come per qualsiasi nuova tecnologia di automazione dello stabilimento ci sono considerazioni e compromessi collegati alla sua adozione e al suo impiego. Anche se la visione industriale basata sul deep learning promette di risolvere numerose applicazioni di stabilimento complesse, non rappresenta assolutamente una panacea o una ricetta magica. Ecco perché è importante per qualsiasi progetto stabilire aspettative adeguate in merito a ciò che il deep learning può fare; sapere anticipatamente ciò che è necessario per creare un'applicazione è fondamentale.

Una delle considerazioni più importanti quando si tratta di costruire applicazioni di ispezione basate sul deep learning è l'addestramento dell'applicazione. Ciò è vero perché le applicazioni basate sul deep learning non sono programmate in modo esplicito; piuttosto, sono addestrate mediante immagini di riferimento per individuare le anomalie che non rientrano in un intervallo di valori accettato.

Nate Soares, un ex ingegnere del software di Google che gestisce il Machine Intelligence Research Institute sostiene che una buona analogia per il motivo per cui è importante un adeguata addestramento di un'applicazione di intelligenza artificiale proviene dal film d'animazione Disney "Fantasia", nello specifico dalla scena dell'Apprendista Stregone.

In un'intervista nel 2018 Sores ha affermato che "Il problema che Topolino affronta quando incanta una scopa per aiutarlo a riempire un calderone non è il fatto che la scopa si ribelli o acquisisca una volontà propria, quanto che svolga fin troppo bene il compito che le è stato affidato". "Vuole il calderone pieno e farlo traboccare nel laboratorio è un ottimo modo per essere più sicuri che il calderone sia pieno (e rimanga pieno). Topolino aveva definito con successo l'obiettivo del proprio sistema di intelligenza artificiale, tuttavia le cose sono comunque andate storte per lui".

Perché l'addestramento di un'applicazione basata sul deep learning è importante

In altre parole, il risultato o l'output di un'applicazione basata sul deep learning, senza un adeguato addestramento di tale sistema, potrebbe essere inaspettato e ciò non va bene quando un produttore necessita di risultati di ispezione affidabili. Nel caso dell'automazione dello stabilimento, gli ingegneri che sviluppano un'applicazione devono comprendere che un'applicazione basata sul deep learning ben addestrata richiede una serie esaustiva di immagini di addestramento che rappresenti una gamma di difetti e/o variazioni accettabili dei componenti al fine di ottenere buoni risultati nella produzione.

Tali immagini devono inoltre essere acquisite nelle condizioni presenti in produzione in termini di illuminazione e presentazione dei componenti. Tale aspetto è essenziale per il successo di qualsiasi progetto di deep learning.

Qualificare una soluzione di visione con deep learning è un processo iterativo che richiede l'installazione del sistema su una linea di produzione. Inoltre, a differenza dei sistemi tradizionali di visione industriale, la formazione e la convalida delle immagini per il deep learning deve essere effettuata durante la fase di sviluppo, non è possibile attendere fino al collaudo di accettazione presso lo stabilimento. Il deep learning richiede un gran numero di campioni per l'addestramento e, pertanto, potrebbe essere necessario del tempo per acquisire un insieme rappresentativo di immagini necessario per addestrare bene uno strumento di deep learning.

"A volte i sistemi di deep learning funzionano bene in laboratorio, ma incontrano difficoltà quando vengono impiegati nell'ambiente di produzione", afferma Grace Lee, Senior Product Marketing Manager for AI di Cognex. "Spesso la frustrazione degli utenti deriva da differenze sottostimate tra le soluzioni di deep learning e i più familiari sistemi di visione industriale tradizionali".

Lee lavora al gruppo di intelligenza artificiale di Cognex che contribuisce a fornire soluzioni di automazione dello stabilimento basate sul deep learning. Recentemente tale gruppo ha implementato detti algoritmi di deep learning nel software che alimenta le telecamere di visione industriale per risolvere problemi di ispezione più complessi e impegnativi.

Tali strumenti aiutano i suoi clienti a prendere decisioni più accurate e scalabili quando svolgono ispezioni per individuare difetti o anomalie. Lee ritiene che il lavoro compiuto da Cognex con l'intelligenza artificiale e, in particolare, con il deep learning sia analogo al modo in cui altri strumenti basati sull'intelligenza artificiale aiutano le persone a prendere decisioni più intelligenti quando acquistano voli, acquistano azioni o raccomandano nuova musica da ascoltare. Invece, le soluzioni di deep learning di Cognex aiutano i produttori a prendere decisioni più intelligenti in merito alle ispezioni di qualità che avrebbero altrimenti dovuto essere effettuate da esseri umani perché troppo difficili da automatizzare.

"L'applicazione di intelligenza artificiale nel contesto di uno stabilimento non è una promessa lontana", afferma Lee. "Ora risolve molto bene le sfide reali. Ma gli ingegneri devono riflettere sui modi in cui creano i progetti, li addestrano per essere efficaci e, in ultima analisi, li eseguono".

Per saperne di più, scarica l'eBook I primi passi con un progetto di automazione dello stabilimento con deep learning.

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...