Negli ambienti di produzione tradizionali l’implementazione di algoritmi di deep learning per la lettura dei codici a barre rappresenta una significativa evoluzione. Ma preparare già da oggi l’azienda a prova di futuro può garantire notevoli vantaggi competitivi.
Proprio per questo stiamo assistendo a un crescente interesse verso i benefici generati dall’uso di lettori di codici a barre unito a soluzioni di visione artificiale. Infatti, grazie all’uso congiunto di queste due tecnologie, tradizionalmente considerate agli antipodi, è possibile creare soluzioni di deep learning che offrono chiari vantaggi ed efficienza operativa.
Gli ambienti di produzione di fascia alta possono trarre i maggiori vantaggi da queste opportunità perché le reti neurali e il deep learning sono ideali per sofisticate attività di analisi delle immagini in applicazioni industriali.
Il deep learning può fare la differenza
L’uso di soluzioni di visione artificiale permette di migliorare i processi della linea di produzione e di implementare strumenti di deep learning in modo efficace ed economico. Negli ultimi anni, infatti, i costi di telecamere e sensori intelligenti sono diminuiti, mentre la potenza di elaborazione e la velocità sono notevolmente cresciute.
I vantaggi per le imprese sono immediati: efficienza operativa, maggiore produttività e miglior controllo qualità, per citarne alcuni.
Con il deep learning, le aziende possono sfruttare una più elevata velocità di produzione grazie al monitoraggio e l’analisi ottimizzata, oltre a poter controllare da remoto le funzionalità di condivisione delle informazioni e le attività di gestione del sistema su più siti.
I manager possono anche riassegnare gli operatori a compiti di maggior valore, riducendo così i costi e migliorando la soddisfazione dei dipendenti grazie al maggior controllo di qualità e alla velocità di produzione.
Come funziona il deep learning
La maggior parte degli algoritmi di deep learning sono basati su reti neurali, che permettono l’autoapprendimento e l’auto formazione. Ciò avviene attraverso analisi intelligenti e ripetute di un gran numero di campioni di immagine.
Queste vengono catturate in ogni fase del processo di produzione, utilizzando sia scanner industriali fissi che telecamere intelligenti con visione artificiale. In genere vengono archiviate nel cloud per ovviare ai limiti di scalabilità della capacità e dei costi di archiviazione dei server locali.
Alcune di queste immagini vengono classificate come ‘buone’, altre, invece, vengono considerate ‘non buone’ a causa di difetti che, con il tempo, il sistema imparerà a riconoscere. Quando il modello ha abbastanza dati per poter iniziare a determinare in modo indipendente la qualità dell’immagine, i risultati dell’analisi vengono rivisti e reinseriti nel sistema in un ciclo di miglioramento continuo e questo processo viene ripetuto con migliaia di immagini.
Nel tempo, grazie al continuo addestramento e al volume di dati analizzati, il modello di deep learning è in grado di classificare le immagini in modo accurato.
Deep learning: quali applicazioni
Nelle applicazioni industriali, gli algoritmi di deep learning si integrano ai sistemi di acquisizione di immagini esistenti, come gli scanner fissi o le telecamere di visione artificiale.
Le applicazioni di deep learning sono ideali per l’analisi di immagini complesse e particolarmente soggettive, come minime variazioni di colore o di superficie degli oggetti, che l’occhio umano ha difficoltà a distinguere. I prodotti in tessuto su un nastro trasportatore di produzione sono un buon esempio: poiché i tessuti hanno variazioni naturali in termini di colore e trama, diventa quasi impossibile per un operatore capire rapidamente se si tratta di un buco o una leggera variazione nella maglia. Inoltre, è un compito manuale lento e logorante.
In questo scenario, il deep learning permette di ispezionare gli articoli ad una velocità più elevata, segnalando agli operatori eventuali difetti, in modo che possano esaminare e decidere se si tratta di un difetto o meno. Reinserire la decisione di revisione nella rete neurale aiuta a mantenere attivo l’input di apprendimento continuo – per sviluppare e migliorare ulteriormente il modello.
I vantaggi per le aziende sono diversi, da una maggiore produttività a costi di manodopera ridotti, da una più accurata precisione alla maggiore garanzia di qualità e minori rischi aziendali.
Tre considerazioni per un’efficienza a tutto tondo
Nonostante il potenziale delle applicazioni di deep learning sia chiaro e convincente, molte aziende non sanno bene da dove cominciare. Per un utilizzo efficace nel settore manifatturiero vi sono tre elementi chiave da tenere in considerazione:
- L’archiviazione completa di tutte le immagini
- La definizione delle funzionalità extra delle applicazioni aziendali
- Gli investimenti in dispositivi multiuso
Anche un sito di produzione con poche risorse e un limitato livello di automazione può iniziare a modificare le modalità di utilizzo della tecnologia esistente.
Per esempio, partendo dall’utilizzo di applicazioni di Internet of Things per archiviare le immagini catturate in un ambiente cloud scalabile, sicuro ed economico, in cui ogni codice a barre letto e ogni ispezione di qualità, contribuiscono a creare la banca di immagini utile ad addestrare e testare una soluzione di deep learning.
Successivamente si dovrebbe procedere allo sviluppo di applicazioni capaci di gestire carichi di lavoro superiori rispetto alle normali necessità, essenziale soprattutto negli ambienti di produzione moderni. Un imager standard 640×480 è ottimo per semplici letture di codici a barre, ma non per l’integrazione con una fotocamera da 2 milioni di pixel (MP) capace di aggiungere funzionalità di visione artificiale accanto alla lettura base di codici a barre. Aumentando a 2MP, 5MP e oltre le risoluzioni di tutte le telecamere all’interno dell’ambiente di produzione, si possono utilizzare le immagini ad alta risoluzione in un secondo momento in qualsiasi sistema di rete neurale.
Infine, è utile analizzare la tecnologia in uso e prendere in considerazione aggiornamenti e investimenti che potrebbero portare efficienze operative negli anni futuri. In particolare, le aziende possono trarre evidenti vantaggi dall’implementazione di dispositivi di scansione e visione artificiale che si connettono perfettamente con l’infrastruttura IT locale e gli ambienti cloud.
Organizzazione intelligente degli ambienti di produzione
Decidere di investire in soluzioni di scansione avanzate e in potenti applicazioni di imaging basate sul deep learning rappresenta, per molti, la chiave per sbloccare il pieno potenziale produttivo e cogliere nuove opportunità di business.
Il futuro è dietro l’angolo
La tecnologia del futuro non è così lontana. Disporre di un sistema di lettura di codici a barre di base in grado di supportare soluzioni di visione artificiale e di deep learning è un modo semplice per registrare i primi successi nell’image application fin dall’inizio.
di Laith Marmash, Machine Vision & Fixed Industrial Scanning Lead, EMEA, Zebra Technologies
