Soluzioni di spettroscopia e visione artificiale
La computer vision basata sul deep learning (reti neurali) imita, in un certo senso, il modo in cui il cervello umano elabora le informazioni visive, quindi, come accade con il cervello, è essenziale che ci sia prima un processo di apprendimento. A tale fine, occorre disporre di un insieme di immagini sufficientemente rappresentative dei casi da rilevare, utili ad “allenare” la rete neurale, ovvero a rendere la rete in grado di “interpretare” o di “riconoscere” le caratteristiche di interesse. Una volta validata la rete costruita, viene utilizzata per ispezionare ogni nuova immagine, essendo l’output della rete un’etichetta che identifica tale immagine come appartenente ad una delle classi prestabilite. In pratica, una rete neurale è un insieme di valori numerici, raccolti in un file digitale, specifici per una funzione concreta, in modo da consentire a un software dedicato di “applicare” tale rete a ciascuna immagine per ottenere l’etichetta riguardante la classe a cui sembra appartenere l’immagine.
Gli algoritmi di computer vision tradizionali sono deterministici. Ciò significa che, utilizzando funzioni matematiche, sia generiche che specifiche, ogni immagine viene analizzata cercando le caratteristiche di interesse. Tale approccio ne limita l’applicazione a casi molto specifici, in cui le caratteristiche sono molto marcate o evidenti rispetto al resto degli elementi dell’immagine, e richiede sempre l’intervento di esperti umani. Nel mondo reale, le circostanze favorevoli all’uso degli algoritmi deterministici sono rare. Al contrario, ci sono molti elementi interferenti che influiscono notevolmente sull’accuratezza del risultato. Il deep learning, invece, non parte da presupposti più o meno realistici, ma anzi, in fase di apprendimento, si adatta automaticamente alle circostanze, cioè è meno sensibile alle variazioni impreviste, e ciò si può ottenere senza ricorrere a ipotesi teoriche o al lavoro di un esperto.
L’applicazione più frequente è il rilevamento dei difetti morfologici allo scopo di attivare un sistema di rigetto per scartare i prodotti etichettati come difettosi dalla rete neurale. Ad esempio, il rilevamento dei corpi estranei o delle unità difettose negli alimenti, le differenze di colore intollerabili sui pezzi, tessili o prodotti alimentari, oppure la quantificazione oggettiva dei guasti o difetti al fine di calcolare un prezzo equo per i vari gradi di qualità di un prodotto, ad esempio difetti nei granuli per la loro vendita e commercializzazione.
