Primeconcept è stata tra le prime aziende in Italia a usare il Deep Learning per la realizzazione di soluzioni di visione impossibili da realizzare usando i metodi tradizionali.
Specializzata nella progettazione, ingegnerizzazione e realizzazione di sistemi di visione artificiale e identificazione industriale chiavi in mano, Primeconcept è stata tra le prime aziende in Italia a usare il Deep Learning per creare soluzioni di visione.
di Simona Recanatini
Riprodurre, automatizzare e accompagnare la visione umana, estraendo informazioni utili e costruendo scenari a partire da immagini acquisite: è questo, da una quarantina d’anni, uno degli scopi principali della visione artificiale, derivata dalla conoscenza della percezione visiva umana, a cui si sono incrociate robotica e intelligenza artificiale. Di strada ne è stata fatta nel corso del tempo: oggi le tecnologie connesse a questo insieme di processi hanno fatto davvero passi da gigante. Pensiamo, in particolare, al Deep Learning, che fa riferimento a tecnologie informatiche di calcolo statistico nel campo dell’intelligenza artificiale e all’apprendimento automatico (Machine Learning), statistiche e algoritmi capaci di intercettare schemi ricorrenti, pattern, modelli, regolarità di un insieme di dati e informazioni casuali. Per arrivare a questo, il Deep Learning si basa su reti neurali artificiali che simulano il comportamento dei neuroni presenti nel cervello umano: opportunamente “addestrate”, oggi sono persino in grado di auto-apprendere procedendo in modo simile a quello dell’uomo, in modo da prevedere situazioni affini a quelle già acquisite.
“A mio avviso nel 2021 dobbiamo davvero smettere di pensare alla visione artificiale come a qualcosa da relegare a fondo linea”, afferma Paolo Rossi, fondatore di Primeconcept insieme a Fabio Borrelli.
PIONIERI NEL DEEP LEARNING
È proprio in questo affascinante scenario che si colloca Primeconcept, un’azienda specializzata nella progettazione, ingegnerizzazione e realizzazione di sistemi di visione artificiale e identificazione industriale chiavi in mano. Con alle spalle oltre 40 anni di esperienza collettiva nel settore, l’azienda torinese è stata tra le prime in Italia a usare proprio il Deep Learning per la realizzazione di soluzioni di visione impossibili da realizzare usando i metodi tradizionali. Il Deep Learning applicato alla visione industriale è perfettamente in linea con i nuovi sviluppi dell’Industria 4.0. Da un lato, infatti, la macchina prende il posto dell’uomo, in controlli dove prima era impossibile attuare questa sostituzione. Dall’altro, la capacità di autoapprendimento applicata alla visione industriale permette ai sistemi di visione di essere collocati in contesti produttivi particolarmente dinamici. La visione industriale sta così diventando una delle protagoniste della maggior parte delle applicazioni per l’Industria 4.0, poiché rappresenta un elemento chiave nel processo di automazione. Nessun altro aspetto della linea di produzione è così importante per quanto riguarda la valutazione dei prodotti, la ricerca di difetti o la raccolta dati in modo da dirigere l’operazione e ottimizzare la produttività dei robot e delle altre apparecchiature.
PrimeCoMate, pensato in prima battuta per il settore alimentare, è un sistema di visione industriale per il controllo della qualità direttamente sulla linea di produzione.
UNA PIATTAFORMA SPECIFICA
Ex compagni di scuola, Paolo Rossi e Fabio Borrelli hanno fondato Primeconcept nel 2007. Borrelli, in particolare, ha lavorato da sempre nel mondo della visione artificiale. L’azienda è partner ufficiale di Cognex, leader mondiale nella realizzazione di prodotti nel campo della visione artificiale e identificazione industriale, ed è stata l’unico partner italiano di ViDi Systems, sviluppatore della prima piattaforma basata sul Deep Learning specifica per la visione industriale, ora confluita nella stessa Cognex. “Nella nostra azienda abbiamo sempre cercato di guardare avanti: abbiamo un approccio rivolto al futuro e alle nuove tecnologie. Sei anni fa siamo entrati in contatto con la svizzera ViDi Systems, che ha sviluppato la prima piattaforma basata sul Deep Learning specifica per la visione industriale. Iniziammo proprio allora a sviluppare PrimeFrame, che ci permette di realizzare applicazioni sofisticate e personalizzate”, esordisce Paolo Rossi.
UNA SARTORIA SU MISURA
“Abbiamo sempre lavorato in modo trasversale: la nostra specializzazione è la visione artificiale, non uno specifico settore. Mi piace definire la nostra azienda una sartoria: realizziamo abiti su misura, le stoffe sono le tecnologie che ci fornisce il mercato, soprattutto Cognex. Realizziamo le applicazioni su misura partendo non dal mezzo ma dal fine, analizzando in toto le esigenze del nostro cliente. In azienda ci occupiamo esclusivamente della visione artificiale mentre tutto quello che riguarda l’automazione, le macchine e la robotica lo portiamo avanti insieme a nostri partner: crediamo molto nelle partnership e siamo sempre pronti a collaborare con nuove aziende”, spiega Rossi.
PrimeComate può effettuare controlli morfologici ovvero rilevare anomalie di forma e dimensione, rotture, pezzi mancanti, ecc…
LE COLLEZIONI PRET-À-PORTER
Oltre alla “sartoria su misura”, Primeconcept propone alla clientela anche due collezioni di pret-à-porter. Si tratta di due software verticali: PrimeCoPilot, brevettato, e PrimeCoMate, in attesa di brevetto. La peculiarità di PrimeCoMate, pensato in prima battuta per il settore alimentare, ma adatto anche per altre produzioni, è quella di fare tutto da solo: si tratta di un sistema automatico “zero setup” per il controllo dei prodotti, intuitivo e immediatamente utilizzabile, personalizzabile in qualunque momento. È un sistema di visione industriale per il controllo della qualità direttamente sulla linea di produzione. La sua performance è costante, ripetibile e oggettiva sul 100% della produzione: nessuna pausa, nessun errore di valutazione o di distrazione. Basato sul Deep Learning, è in grado di intraprendere autonomamente l’osservazione degli elementi di produzione direttamente sulla linea. Acquisiti i dati di base, avvia i processi proprietari di autoclassificazione e poi di autoapprendimento necessari a concretizzare con efficacia la valutazione. A regime il sistema funziona sfruttando il metodo di apprendimento non supervisionato, utilizzando una conoscenza creata in proprio grazie a procedure di self-grading e self-learning. “Se nella produzione di un pezzo Automotive possiamo parlare delle famose ‘parti per milione’, la produzione alimentare è caratterizzata da molti più prodotti non conformi. Per questo PrimeCoMate è ideale per le produzioni alimentari: in un nastro trasportatore con dei biscotti, per esempio, la percentuale di prodotti non conformi è generalmente molto alta, e questo permette il funzionamento degli automatismi proprietari del PrimeCoMate”, afferma Rossi.
AUTOMATISMI E REGOLE
“PrimeCoMate inizia il suo lavoro con la fase di autoclassificazione: raccoglie liberamente immagini sulla linea e ne esegue, appunto, la classificazione automatica ovvero separa le immagini simili tra loro (generalmente la grande maggioranza) dalle altre, cioè gli oggetti differenti l’uno dall’altro, da non considerare. PrimeCoMate utilizza le immagini del gruppo più consistente (gli oggetti idonei) per eseguire gli algoritmi di autoapprendimento. Nell’autoapprendimento non c’è solo il Deep Lerning (estetica) ma anche parti relative alla forma (variazioni dimensionali o eventuali rotture) e al colore. È possibile regolare la sensibilità su questi tre aspetti in modo indipendente”, spiega Rossi. “A questo punto la parte automatica è svolta ma potrebbe non bastare: abbiamo così aggiunto la possibilità di inserire a valle delle regole specifiche. Per esempio, se si deve controllare che ci sia il numero corretto di olive in una pizza, si può creare una regola e far fare al sistema un apprendimento supervisionato, facendo un disegno con il mouse nell’area interessata. Di regole di questo genere se ne possono creare molteplici”, dice Rossi.
Nella ricerca dei difetti, con la parte non supervisionata si può rilevare qualsiasi anomalia ma se si desidera sapere che tipo di difetti sono stati trovati, è possibile creare delle classi specifiche. Questa opportunità diventa interessante per la raccolta dati, in ottica Industria 4.0: non solo si sa quanti pezzi sono stati scartati, ma i motivi per cui sono stati scartati e, di conseguenza, si potrà ottimizzare la produzione.
PrimeCoMate è in grado di effettuare anche controlli cromatici: rileva variazioni di colore, errori di cottura e altro.
INTEGRAZIONE CON INDUSTRIA 4.0
“Al di la delle decisioni prese in tempo reale sulla linea per valutare se il prodotto sia buono o meno, tutte le informazioni raccolte dal sistema di visione diventano big data che permettono di giudicare il processo nella sua interezza. Penso che la visione, oggi, debba essere parte integrante dell’informatica di fabbrica e arrivare a un livello tale per cui da una semplice console, in qualunque parte del mondo, sia possibile controllare cosa succede su tutte le linee e avere così statistiche in tempo reale sulla qualità e sulle performance dell’intera produzione. A mio avviso nel 2021 dobbiamo davvero smettere di pensare alla visione artificiale come a qualcosa da relegare a fondo linea”, conclude Paolo Rossi.
FOCUS: IL DEEP LEARNING OGGI
Il Deep Learning è molto differente dall’approccio tradizionale e oggi si sta diffondendo in modo rapido: non è semplicemente un’alternativa alla visione artificiale tradizionale e sarà adottato in modo crescente nelle aziende che non hanno mai utilizzato un sistema di visione.
Diversi gli aspetti che concorrono a questa scelta: prima di tutto, la precisione dei risultati. Superiore a quella offerta dai controlli umani, soggetti a cali e distrazioni, ma anche migliore di quanto possibile con i sistemi tradizionali, il cui scotto da pagare in termini di risultati errati (falsi scarti o falsi buoni) è spesso troppo oneroso. Le regole sulle quali si è basata la visione artificiale per decenni non solo richiedono all’utente di “mettersi dalla parte della macchina”, ma hanno possibilità limitate, per cui non possono separare caratteristiche non quantificabili e devono essere applicate in modo ottimizzato per ogni singolo contesto. Questo impedisce, per esempio, di differenziare correttamente i difetti dalle “caratteristiche naturali” degli oggetti ispezionati, oppure di implementare un metro unificato in tutti i punti in cui si controllano oggetti simili. Con il Deep Learning le aziende possono facilmente implementare e mantenere delle applicazioni di ispezione visiva che non solo garantiranno un’efficienza superiore a qualsiasi controllo umano, ma produrranno una notevole quantità di dati utili a comprendere i processi e le relazioni fra cause ed effetti. ©ÈUREKA!
PrimeCoMate effettua anche controlli estetici: in sostanza, può rilevare le imperfezioni di resa.