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