Oltre alla precisione e alla scalabilità tipica dei sistemi classici unisce la capacità innata dell’essere umano di analizzare le variazioni, grazie all’analisi delle immagini.

Un progetto di questo tipo necessità un susseguirsi fasi specifiche, in modo da affrontare correttamente sia la «fase di training» che la successiva «fase di implementazione».

Possiamo dire che è caratterizzato da tre fasi:

1. Come per tutte le applicazioni, in ambito di visione vi è una prima fase dove vengono raccolte le  informazioni preliminari utili per affrontare l’applicazione.
2. Per assicurarsi che l’algoritmo di Deep Learning risponda alle necessità dell’applicazione è fondamentale realizzare una prova di concetto che viene svolta quindi nella fase definita “di training”: in questa fase vengono raccolte le immagini e suddivise tra quelle che presentano pezzi buoni e quelle con i pezzi difettosi. I difetti vengono indicati ed evidenziati per poi essere classificati.
3. Fase di implementazione: accettazione della soluzione tecnica; Posa dell’hardware e realizzazione delle immagini e per finire la programmazione del sistema.

Bisogna realizzare le immagini, etichettarle, settare i parametri degli algoritmi, realizzare un primo addestramento, convalidare i risultati ed eventualmente affinarli.

Questo approccio permette di integrare le conoscenze degli specialisti della visione con l’esperienza di chi vive la produzione ogni giorno. Questa unione di competenze garantisce un livello di controllo molto più flessibile e al contempo estremamente efficace.

Contatta il nostro team specializzato nel mondo della visione

Edge Learning

L’edge learning è un sottoinsieme dell’intelligenza artificiale (IA) in cui l’elaborazione avviene sul dispositivo, o “all’edge” dell’origine dei dati, utilizzando una serie di algoritmi pre-addestrati. La tecnologia è semplice da impostare, richiede meno tempo e meno immagini per l’addestramento, rispetto alle altre soluzioni basate sull’IA, come il deep learning.

L’edge learning è una soluzione perfetta per chi deve gestire un’applicazione che presenta variabili troppo complesse per i sistemi di visione tradizionale ma che allo stesso tempo non ha la necessità di utilizzare una soluzione di deep learning.

Come funziona?

Il primo step necessario per progettare un sistema di edge learning è svolto da Cognex che sviluppa la tecnologia e la integra nel smart camera per poi renderli a disposizione dei clienti, i quali completano il processo di addestramento aggiungendo le immagini utili per la loro applicazione specifica. Questo processo garantisce più velocità e risultati anche con poche immagini, inoltre non richiede un computer con una GPU, sono sufficienti computer standard senza la GPU.

I vantaggi dell’Edge Learning

1. È molto meno costoso da implementare rispetto alle soluzioni di machine vision e deep learning basate su regole.
2. Consente di velocizzare le fasi di produzione e i cambio ricetta perché la formazione e la produzione avvengono nello stesso luogo, sullo stesso dispositivo.
3. Chi utilizza la tecnologia edge learning ha bisogno di meno immagini e meno tempo, rispetto al deep learning, per istruire la telecamera.
4. L’Edge learning semplifica le applicazioni di visione artificiale basate su regole perché non richiede una specializzazione nella conoscenza dell’algoritmo.
5. L’edge learning è più user-friendly rispetto alle soluzioni tradizionali, le moderne piattaforme In-Sight Vision Suite permettono di gestire facilmente l’applicazione.

Contatta il nostro team specializzato nel mondo della visione

L'articolo Deep Learning & Edge Learning proviene da Azzali Elettronica.

L'articolo IBA 2023 proviene da Azzali Elettronica.

L'articolo Nuova Divisione Dosatori Bakery proviene da Azzali Elettronica.