Come una rete neurale contribuisce a un'ispezione della produzione

La generazione automatica di testi via e-mail, il riconoscimento vocale, l'analisi di immagini a fini diagnostici, la colorazione di vecchie fotografie, le pubblicità online personalizzate, i computer per i giochi di strategia e il riconoscimento facciale per lo sblocco del cellulare sono tutti esempi di come l'intelligenza artificiale stia rendendo la nostra vita un po' più facile, un po' più divertente, un po' più spaventosa, e nel complesso si potrebbe sostenere più interessante. E lo scenario non è diverso nell'automazione dello stabilimento, dove l'intelligenza artificiale nella produzione sta promovendo approcci nuovi ad applicazioni di ispezione complesse e impegnative. 

Queste applicazioni basate sull'IA sono trainate dal deep learning che si basa sul lavoro delle reti neurali.

Le reti neurali sono state proposte per la prima volta nel 1944 da Warren McCullough e Walter Pitts, due ricercatori dell'Università di Chicago che si sono trasferiti al MIT nel 1952 come membri fondatori di quello che a volte viene definito il primo dipartimento di scienze cognitive.

Che cos'è una rete neurale? 

Il fulcro delle reti neurali è costituito da programmi per computer concepiti per simulare il funzionamento di un cervello umano. Ogni programma in una rete neurale può eseguire soltanto calcoli di base. Tuttavia collegando insieme numerosi nodi, la potenza di calcolo dell'insieme diventa maggiore rispetto alla somma delle sue parti. Nel passare i dati in ingresso da un programma ad un altro all'interno del sistema, una rete neurale si allena e utilizza tali dati per diventare più intelligente in maniera analoga all'apprendimento delle informazioni da parte degli esseri umani. 

Le reti neurali quindi sono diventate il metodo tramite il quale i computer imparano a svolgere determinati compiti ad esempio riconoscendo un volto specifico tra diverse fotografie o riconoscendo un cane da qualcosa che non lo è osservando un insieme di immagini di riferimento di cani. 

“Le reti neurali sono davvero ciò che rende possibile il deep learning”, afferma Bob Ochiai, Product Marketing Manager per il deep learning presso Cognex.“Le reti neurali e il deep learning sono ancora soltanto uno strumento che consente agli esseri umani di creare applicazioni più intelligenti che ci permettono di lavorare in maniera più efficiente e risolvere applicazioni specifiche e complesse nella maggior parte dei contesti”.  

Ciascun programma in una rete neurale è chiamato neurone e tali neuroni sono collegati ad un numero casuale di altri neuroni. Più forti ed efficienti sono i collegamenti tra i neuroni, migliore sarà la rete neurale. Il processo di creazione di un collegamento tra neuroni all'interno di una rete neurale viene chiamato addestramento.  

 Quando i dati vengono fatti passare attraverso ogni strato di una rete neurale, il sistema si addestra ed affina i dati in uscita che produce in maniera da essere più precisa nello svolgimento di un compito specifico per la cui risoluzione tale rete è stata configurata. In un contesto di automazione dello stabilimento, ad esempio, le reti neurali potrebbero essere utilizzate per risolvere compiti di complessi di rilevamento di difetti oppure per identificare altre irregolarità dei prodotti che sono troppo numerose per creare un programma basato su regole.

 Il modo in cui il sistema apprende si fonda su tre metodi:

• Apprendimento supervisionato: questa strategia di apprendimento è la più semplice, in quanto esiste un insieme di dati etichettati che il computer esamina e l'algoritmo viene modificato fino a quando non è in grado di elaborare l'insieme di dati per ottenere il risultato desiderato.
• Apprendimento non supervisionato: questa strategia viene utilizzata nei casi in cui non esistono insiemi di dati etichettati dai quali apprendere. La rete neurale analizza l'insieme di dati e, successivamente, una funzione di costo comunica alla rete neurale il suo scontamento rispetto all'obiettivo. La rete neurale si corregge quindi per aumentare la precisione dell'algoritmo.
• Apprendimento per rinforzo: in questo algoritmo, la rete neurale viene rafforzata in caso di risultati positivi e penalizzata in caso di risultato negativo costringendo la rete neurale ad apprendere nel corso tempo. 

L'impatto delle reti neurali sulle ispezioni della produzione

Supponiamo che un'azienda che produce componenti per il settore automobilistico intenda identificare i graffi su un paraurti che sta producendo. Beh, non vi è modo di stabilire dove possa verificarsi un potenziale graffio su un paraurti. Non è assolutamente possibile programmare la ricerca e l'individuazione dei graffi in maniera efficace in un'applicazione di visione industriale in ragione della variazione in questione: i graffi potrebbero essere più o meno profondi, potrebbero essere lunghi o brevi, apparire ovunque sulla superficie, ecc. 

Tener conto di tale variazione diventa complesso, a meno che, ovviamente, non esista la possibilità di addestrare un'applicazione ad identificare l'aspetto di un buon paraurti e a contrassegnare quindi qualsiasi paraurti che ricade al di fuori di tali parametri.  

“L'analisi di immagini con deep learning, consentita dalle reti neurali, permetterà alle aziende di automatizzare più facilmente ispezioni che possono essere davvero complesse o impegnative con la visione industriale tradizionale”, afferma Ochiai. “Pensiamo alla verifica di assemblaggi che nella maggior parte dei casi viene ancora eseguita da esseri umani. Altrimenti, il rilevamento dei difetti è un altro esempio in cui questa tecnologia aiuterà i produttori nelle loro strategie di automazione.” 

Il test per una rete neurale consiste nella sua potente capacità di riconoscere modelli. Tuttavia, come rilevato da Ochiai, le reti neurali necessitano di dati etichettati di altissima qualità per addestrare con successo i propri modelli. Inoltre, a complicare le cose, tali reti necessitano di moltissimi dati di immagini di riferimento. 

Per saperne di più su come le reti neurali e il deep learning stanno risolvendo complesse sfide di ispezione nella produzione, scarica la nostra guida Deep learning e visione industriale a confronto.