Ad oggi, nell'ambito dell'Industria 4.0, si fa largo uso di strumenti di visione per l'automazione delle procedure di controllo qualità che si concentrano sull'analisi quantitativa e deterministica di un prodotto al fine di assicurare che sia conforme ai requisiti espressi dal cliente, come ad esempio il controllo dimensionale o l’ispezione della rugosità dei materiali.
Tuttavia, non sono ancora disponibili sul mercato strumenti software che permettano la modellazione e la generalizzazione di tutte quelle analisi qualitative in cui si vuole invece determinare il grado di qualità di un prodotto inteso come livello di pregio del materiale secondo canoni estetici. Queste operazioni vengono ancora eseguite da tecnici altamente specializzati, pertanto il tradizionale processo risulta essere altamente rallentato dall'ingente dispendio di tempo e di risorse richiesto, oltre che da un limite di prestazioni dovuto principalmente all'elevata variabilità intrinseca tra i diversi annotatori.
Non sorprende quindi che il task di controllo qualità estetico si sia rapidamente affermato come un caso d'uso rilevante per l’Industria 4.0. L'applicazione di strategie di Intelligenza Artificiale (AI) per risolvere questo compito si prospetta molto promettente ed appropriato nel rispondere a queste sfide.
In questo senso, anche Sinergia, PMI innovativa con sede a Pesaro, sta lavorando in collaborazione con il Dipartimento di Ingegneria dell’Informazione dell’Università Politecnica delle Marche per realizzare un sistema di visione basato su tecniche di Deep Learning (DL) per replicare il comportamento umano nelle operazioni manuali di controllo qualità, non metriche ma qualitative, con lo scopo di differenziare la qualità estetica e il conseguente valore commerciale di materiali come marmo, legno e cuoio.
Tali tecniche di DL permettono di apprendere regole oggettive al fine di raggiungere soglie di precisione molto elevate (in alcuni casi anche superiori a quelle dell’operatore umano), senza essere influenzate dalla soggettività e variabilità nel tempo (e.g.stanchezza dell’operatore e delle scelte dell’operatore umano) che possono influenzare la qualità e produttività del lavoro svolto e la ripetibilità dei risultati ottenuti. Nel lungo termine quindi, questo si rifletterà nel mondo del lavoro come un algoritmo che verrà integrato in un sistema di supporto alle decisioni dell’operatore umano durante le varie fasi di lavorazione industriale, con l’obiettivo di velocizzare il ciclo di produzione e rendere più robusto ed accurato il controllo qualità. Nuovi dataset raccolti sul campo consentiranno di addestrare il sistema a casi specifici di controllo di qualità estetica di prodotti tipici del Made in Italy per il mantenimento di una selezione di materiali di qualità altissima, nell’ambito di una produzione manifatturiera di elite.
Di Emanuele Frontoni, Docente UNIVPM e Riccardo Rosati, Studente PhD UNIVPM