Deep Learning e Intelligenza Artificiale stanno trovando nuove applicazioni nel mondo industriale. Analizziamo 3 esempi pratici del loro utilizzo sulle linee di produzione.
Deep Learning e Intelligenza Artificiale per l’industria, 3 esempi di applicazione
12-lug-2022
Deep Learning e Intelligenza Artificiale sono concetti che si stanno facendo spazio nel mondo dell’automazione industriale, dove hanno iniziato negli ultimi anni a trovare applicazione. Il Deep Learning è in realtà una delle famiglie di algoritmi che vengono inclusi nella branca dell’Intelligenza Artificiale. Come suggerisce il nome, gli algoritmi di Deep Learning sono in grado di apprendere a partire da informazioni categorizzate, esattamente come farebbe la mente.
L’approccio di Deep Learning e Intelligenza Artificiale capovolge il paradigma classico della programmazione, anche industriale, che si basa sulla definizione di regole e funzioni che legano in maniera univoca i dati in input con i risultati della loro elaborazione.
Sempre più spesso però, soprattutto in ambito industriale, si sta assistendo ad un accrescimento dei livelli di complessità: la potenziale variabilità dei difetti e delle caratteristiche stesse degli oggetti che si vogliono ispezionare mal si sposa con la necessità di definire regole vincolanti della programmazione classica.
Il Deep Learning aiuta il mondo industriale a gestire questa tale complessità imparando a riconoscere automaticamente i pattern di dati che caratterizzano una determinata feature partendo da database di informazioni (come, ad esempio, immagini) preventivamente etichettate. L’esempio classico di database d’apprendimento è quello delle immagini di visi di persone: in questo caso l’etichetta potrebbe essere l’emozione manifestata sul viso. Dopo la fase di apprendimento, l’algoritmo di Deep Learning sarà in grado di stabilire, con un certo grado di precisione che dipende anche dalla grandezza del database d’apprendimento, l’emozione sul viso di una persona.
Deep Learning e Intelligenza Artificiale: lavorazione automatizzata del legno
Alcuni materiali, per propria natura, presentano un’elevata variabilità, che ne rende difficile la categorizzazione. Un caso è il legno: è difficile stabilire delle regole precise per identificare il corretto orientamento delle assi, ma è necessario che questo venga fatto poiché da questo dipendono direttamente alcune caratteristiche strutturali delle assi ricavate (ad esempio, come tenderà a deformarsi il legno durante la maturazione).
Grazie all’adozione di sensori intelligenti, è possibile per questa applicazione implementare direttamente a bordo del sensore un algoritmo di Deep Learning che, dopo un’opportuna fase di addestramento, riconosca l’orientamento delle assi dall’analisi degli anelli annuali fotografati alla testa dell’asse.
Questo non solo permette una categorizzazione dell’oggetto che risultava in precedenza complessa, ma è fatto in maniera autonoma e decentralizzata dal sensore, secondo il paradigma dell’Edge Computing.
Deep Learning e Artificiale: selezione automatica di ricette e programmi
In molte applicazioni, la stessa linea può lavorare prodotti diversi, e per ognuno di questi prodotti opera con programmi diversi per questioni di ottimizzazione.
In una linea di lavaggio delle bottiglie vi saranno ad esempio due differenti programmi a seconda che il lavaggio e la sterilizzazione vengano effettuati su bottiglie nuove o su bottiglie già utilizzate. Il caricamento delle bottiglie sulla linea può però essere misto, e lungo la linea stessa non è sempre netta la definizione tra un batch di bottiglie nuove ed uno di bottiglie di riciclo.
Con un sistema di Visione Artificiale basato su algoritmi di Deep Learning è possibile discernere in maniera automatizzata fra le due tipologie, ottimizzando la scelta del programma e, quindi, la gestione dell’intera linea.
Deep Learning e Intelligenza Artificiale: Ispezione del punto di saldatura
La verifica della bontà delle saldature sulle PCB è un’operazione complessa e difficilmente automatizzabile con sistemi di visione tradizionali. La presenza di riflessioni superficiali, unitamente alla grande variabilità di forma che può assumere la saldatura stessa, rende difficile la definizione di regole quantitative che identifichino in maniera netta la presenza di una saldatura non conforme.
Anche in questo caso, una rete di Deep Learning istruita con immagini di saldature ritenute conformi e di altre etichettate come non conformi permette l’identificazione automatica, e con una buona precisione, dei difetti sulle saldature, consentendo un controllo della qualità puntuale sul 100% delle saldature.
Leggi anche:
Automazione industriale e robotica, le innovazioni più promettenti
AI per l’automazione industriale: le nuove applicazioni da conoscere
INTRODUZIONE ALLA VISIONE ARTIFICIALE