Come funziona un sistema di visione AI per il controllo qualità
Nel vastissimo mondo dell'Intelligenza Artificiale, un ruolo fondamentale è ricoperto dai sistemi di visione.
L'interpretazione delle immagini è un problema notoriamente difficile, le tecniche di computer vision tradizionali si basano sulla ricerca di pattern predefiniti e facili da identificare, spesso basandosi su correlazioni e condizioni standard e molto ripetibili.
Il problema è che i lotti diventano sempre più piccoli, i pezzi non escono sempre perfettamente uguali o non è facile manipolarli. In questo caso entrano in gioco algoritmi più intelligenti che possono imparare da un dataset ovvero una raccolta di immagini ed informazioni come lo stato di qualità del prodotto o il tipo di difetto e la sua posizione nell'immagine. Una volta costruito il dataset si può passare alla fase di addestramento di un sistema basato su anomaly o detection, alla sua validazione e messa in produzione.
Dataset ed addestramento
Il dataset è spesso la vera sfida dell'applicazione.
Costruire un dataset di qualità vuol dire che l'algoritmo sarà poi addestrato su dati altrettanto buoni e potrà procedere speditamente. Grandi quantità di dati ma di scarsa qualità non aiutano nell'addestramento, anzi spesso la peggiorano.
Ma servono migliaia di immagini per addestrare un algoritmo? E se avessi un prodotto nuovo?