Computer vision, come e perché va applicata in ambito industriale

Per computer vision si intende il processo di estrazione di informazioni da immagini statiche o video. Tipicamente la computer vision è basata su reti neurali (deep learning) o altri algoritmi di AI. Quindi l’obiettivo principale della computer vision non è solo “vedere”, ma anche elaborare e fornire risultati su quanto osservato.

Come è organizzato un sistema di computer vision

L’organizzazione di un sistema di computer vision dipende dallo specifico ambito di applicazione: quindi alcuni sistemi possono essere stand-alone, mentre altri, per esempio sono integrati in un sistema molto complesso. In ogni caso, a prescindere dall’architettura e dal caso d’uso, esiste sempre un insieme di funzioni tipiche:

• acquisizione di immagini: le immagini digitali sono prodotte da uno o più sensori. La raccolta e il movimento di tali immagini deve essere quanto più possibile automatizzata;
• pre-processing: prima di eseguire il training di qualsiasi algoritmo di computer vision (e spesso anche prima di applicare tali algoritmi) bisogna eseguire alcune operazioni sulle immagini raccolte, quali ad esempio l’eliminazione di “rumore”, l’applicazione di filtri, il resize, etc.
• feature extraction: l’estrazione di alcune feature di particolare interesse per il caso d’uso specifico e contenute nelle immagini stesse, quali ad esempio, linee, contorni o punti di interesse;
• segmentation: il processo decisionale di selezione delle aree di interesse all’interno delle immagini per l’obiettivo da perseguire;
• training: la fase di apprendimento e validazione del modello utilizzando data set composti da immagini passate attraverso le fasi precedentemente descritte.

Nella letteratura di settore talvolta capita di trovare autori che fanno distinzione tra computer vision e machine vision. Alla fine computer vision e machine vision sono sinonimi, in quanto condividono gli stessi obbiettivi e seguono gli stessi processi. Ha senso forse usare la dicitura machine vision in caso di specializzazione in ambito industriale, come sotto-dominio quindi della computer vision in generale.

Computer vision, tutti i casi di uso in ambito industriale

Quando si parla di computer vision tipicamente si tende a pensare solo ad applicazioni di riconoscimento/classificazione di oggetti o di videosorveglianza, ma in ambito industriale i casi d’uso reali sono molti di più. Di seguito un elenco quasi esaustivo.

• Manutenzione predittiva. Qualsiasi business manufatturiero ha bisogno di regolari periodi di manutenzione delle macchine e di tutte le apparecchiature su cui esso si basa, in maniera da prevenire guasti di uno o più componenti che inevitabilmente costringerebbero a uno stop non pianificato della produzione. La manutenzione predittiva è un processo basato su machine learning o deep learning e sensori montati su macchinari/dispositivi che, attraverso la raccolta di dati da questi ultimi, deve identificare segnali che preludono la rottura di uno o piu’ componenti e suggerire azioni corretive prima che il danno accada. Per capire meglio l’importanza di questa tecnica basta pensare ad alcuni settori quali, per esempio, l’automotive o il farmaceutico, dove anche un solo minuto di stop imprevisto della produzione può costare all’azienda decine di migliaia di euro. Alcuni moderni sistemi di manutenzione predittiva sono basati su computer vision e utilizzano non solo immagini, ma anche i metadati a esse associati.
• Riduzione di difetti. Qualsiasi azienda manufatturiera ha come obiettivo primario la creazione di componenti o prodotti idealmente privi di difetti. Una tecnologia basata su machine vision (a supporto degli operatori o anche completamente automatizzata) di sicuro aiuta in questo direzione, quantomeno riducendo drasticamente la probabilità di difetti. Essa consente anche di identificare diverse categorie di difetti e di assegnare loro dei pesi specifici in modo da impostare regole di stop automatico della produzione in base ai tipi e rispettive percentuali riscontrati. Così come per la manutenzione predittiva, anche in questi casi sono utilizzati sia immagini che relativi metadati.
• Ispezione di package. In alcuni settori, come l’industria farmaceutica per esempio, l’ispezione di pillole o capsule prima che queste vengano inserite nei contenitori di destinazione è un’operazione di vitale importanza. Gran parte delle soluzioni per questo tipo di controlli è attualmente basata su computer vision. Man mano che le pillole proseguono il loro percorso all’interno del loro processo produttivo, tramite la raccolta e analisi di immagini, è possibile, per esempio, stabilire quali siano conformi agli standard di qualità e quali invece presentino difetti di diversa natura o contare la quantità che sta per essere inserita nel package di destinazione. In questo modo è possibile il rigetto automatico delle confezioni difettose, in modo da prevenire la loro distribuzione sul mercato.
• Lettura di codici a barre e QR codes. La lettura massiva di centinaia o migliaia di codici a barre o QR codes per giorno è un’attività che gli esseri umani non possono completare agevolmente in tempi accettabili e senza commettere errori. Un esempio pratico lo possiamo trovare nella produzione di dispositivi mobili, dove si fa largo uso di circuiti stampati sempre più piccoli. Per soddisfare richieste sempre più crescenti, i produttori fanno ricorso alla cosiddetta panelization, una tecnica che consente di connettere insieme in un singolo array un numero elevato di piccoli ciruiti stampati, in modo da facilitarne i passaggi attraverso le varie fasi della catena di assemblaggio. Al termine del processo produttivo, per eseguire i test finali, è impensabile oramai ricorrere a tecniche manuali per identificare e separare migliaia di circuiti stampati tutti uguali: esistono già soluzioni basate su machine vision in grado di leggere e identificare con precisione un numero elevato di codici a barre o QR codes (le uniche cose che permettono di identificare un circuito stampato in maniera univoca) in tempi brevissimi.
• Lettura di testi e analisi di documenti scritti a mano. Tutte le aziende manufatturiere seguono una serie di best practice standard per ottimizzare e, se non eliminare, ridurre il più possibile gli errori. Per tali scopi, ogni passo eseguito da tutti gli attori coinvolti necessita di essere documentato in tempo reale su appositi moduli. Per svariate ragioni, che possono andare dalla sicurezza (network segregation o ambiente completamente offline) alla parziale o nulla digitalizzazione di tutta la documentazione di produzione, in moltissimi casi una gran parte dei documenti è ancora cartacea e compilata a mano. Sistemi basati su deep learning e addestrati a riconoscere testi scritti a mano e trasferire le informazioni in formato digitale sono già disponibili. La loro adozione nel manufatturiero non è ancora diffusa come in altre aree di business, ma c’è da aspettarsi che questo trend sia destinato ad aumentare nel brevissimo termine.
• Assemblaggio di componenti e prodotti. Tutti gli impianti di produzione devono aderire a standard di qualità e sicurezza. Questo aspetto diventa molto più critico in particolare in impianti altamente performanti, come nel caso dell’industria farmaceutica. Controlli quali ad esempio la corretta chiusura dei tappi, la presenza di impurità nei liquidi o crepe nei flaconi, etc. sono nella quasi totalità dei casi effettuati da sistemi basati su computer vision che, esaminando immagini da multiple fotocamere e dati provenienti da altri sensori, forniscono agli operatori anche suggerimenti circa la potenziale causa che ha provocato i difetti riscontrati.
• Sicurezza. I casi illustrati finora riguardano principalmente macchinari e prodotti, ma la computer vision nell’ultimo anno inizia a vedere le prime applicazioni anche nella prevenzione degli incidenti sul lavoro, almeno nel grande manufatturiero. Tra le principali applicazioni, sistemi in grado di verificare che gli addetti ai lavori indossino il loro PPE (Personal Protective Equipment) e che impediscono loro l’accesso in caso di inadempienza.
• Tracciamento di prodotti. Alcuni settori, come ad esempio quello farmaceutico, devono sottostare a regolamentazioni stringenti specifiche per le diverse aree geografiche in cui i prodotti transitano. Da qui la necessità di tracciarli dalla produzione fino ai consumatori finali. Le aziende sono obbligate a stampare sui contenitori dei prodotti una serie di dettagli, quali ad esempio date di scadenza, numeri seriali, altri dati di produzione, etc. Nella maggior parte dei casi, un identificatore univoco, chiamato GTIN (Global Trade Item Number) è usato per tracciare prodotti in transito attraverso diversi Paesi. I produttori sono dotati di sistemi che generano automaticamente i GTIN in un database principale e che vengono successivamente utilizzati nei processi produttivi e stampati nelle confezioni, in modo da poter rendere i singoli prodotti tracciabili e verificabili. Tradizionalmente la verifica avveniva tramite sistemi OCR in grado di leggere codici a barre, inviare i codici letti al database principale e poterli validare. Stanno prendendo piede sistemi basati su computer vision in grado di riconoscere e interpretare anche altre forme di testo stampato ed etichette.
• Inventario. L’attività di inventario di magazzino nel manufatturiero è una attività estremamente costosa in termini di tempo necessario per completarla. Nel caso di aziende produttive grandi e medio-grandi l’ispezione e il conteggio di materiali/componenti/prodotti può durare giorni e necessitare di centinaia di ore lavorative. Un settore che sta prendendo piede di recente è quello dell’utilizzo di sistemi basati su diverse tecniche di IA, che includono anche machine vision, questi ultimi in particolare basati sull’utilizzo di droni a supporto dell’attività umana, il cui obbiettivo è quello di ridurre tempi e costi di inventario.

I motivi del ritardo della computer vision in ambito manufacturing

Fino a due/tre anni fa, mentre per altri settori era già la realtà, parlare di applicazioni avanzate di computer vision in ambito manufacturing era considerato alla stregua di science fiction, per i seguenti motivi:

• mancata disponibilità di grosse moli di dati, condizione necessaria per computer vision, soprattutto se basata su deep learning;
• qualità dei dati disponibili;
• debito tecnico;
• mancanza di talenti;
• mancanza di cultura orientata a tutto ciò che oggi viene definito industry 4.0.

Nel frattempo molti passi avanti sono stati fatti, in alcuni casi dovuti a una acquisita maturità da parte dei vertici aziendali verso le opportunità di business che le nuove tecnologie possono creare in ambito manufacturing, in altri casi grazie alla presa di coscienza che non procedere verso questa nuova direzione condurrebbe la propria azienda a essere tagliata fuori dal mercato, ma la strada da fare è ancora lunga.

Al momento della stesura di questo articolo il panorama per quanto riguarda l’adozione di nuove tecnologie è molto frastagliato: differenze significative in termini di cultura e implementazione di casi d’uso sono evidenti osservando diverse realtà geografiche, aree di business e dimensioni delle aziende. Tuttavia i cambiamenti (e miglioramenti) si vedono e rimango molto ottimista sulla diffusione di sistemi di computer vision (e l’identificazione di nuovi casi d’uso) a tutti i livelli e tutte le latitudini in ambito industriale.