La visione artificiale è la fusione di una serie di tecnologie che consentono alle attrezzature industriali o di altre attrezzature automatizzate di derivare dalle immagini una comprensione avanzata dell'ambiente a portata di mano. Senza software per la visione artificiale, le immagini digitali con valori di colore variabili e intensità tonali non sarebbero altro che una semplice raccolta non collegata di pixel a tale apparecchiatura. La visione artificiale consente a un computer (solitamente collegato a un controller della macchina) di rilevare bordi e forme in tali immagini al fine di consentire a un processore di livello superiore di riconoscere un oggetto target predefinito. Le immagini in questo senso non si limitano alle immagini fotografiche nello spettro visibile; Possono anche includere immagini ottenute usando segnali a infrarossi, laser, raggi X e ultrasuoni.
In ambienti industriali, è abbastanza comune per le applicazioni di visione artificiale riconoscere le parti specifiche dalle molte parti collocate in un disordine di bidoni dei materiali. Qui, Machine Vision aiuta il robot a raccogliere automaticamente le parti corrette. Naturalmente, se le parti sono tutte organizzate in modo ordinato nello stesso orientamento su un pallet, sarebbe relativamente semplice riconoscerle con feedback di imaging. Tuttavia, potenti algoritmi di visione macchina possono riconoscere oggetti che sono a diverse distanze dalla fotocamera (e quindi appaiono come immagini di dimensioni diverse sul sensore di imaging) e oggetti che non sono orientati nella stessa direzione della fotocamera.
I sistemi di visione artificiale più sofisticati hanno consentito design emergenti che sono molto più complessi rispetto alla raccolta di parti dai bidoni; Ad esempio, potrebbe non esserci identificazione più complessa di un'auto a guida autonoma.

Tecniche relative alla visione artificiale
Il termine visione artificiale è talvolta riservata per riferimento a metodi matematici più sofisticati ed efficienti che possono estrarre informazioni dalle immagini. Al contrario, il termine visione artificiale descrive in genere sistemi più moderni, computazionalmente impegnativi, tra cui approcci di black-box che usano l'apprendimento automatico o l'intelligenza artificiale (AI). Tuttavia, la visione macchina può anche essere utilizzata come termine onnicomprensivo che include tutti i metodi per estrarre informazioni di alto livello dalle immagini; In questo caso, Computer Vision descrive la sua teoria del funzionamento sottostante.
Le tecniche che possono estrarre un significato di alto livello dalle immagini abbondano. Nella comunità della ricerca, tali tecniche sono spesso considerate distinte dalla visione macchina. In realtà, tuttavia, tutti sono diversi modi per implementare la visione macchina ... e si sovrappongono in molti casi.
L'elaborazione delle immagini digitali è una forma di elaborazione del segnale digitale che prevede il miglioramento, il ripristino, la codifica e la compressione delle immagini. I vantaggi rispetto all'elaborazione dell'immagine analogica sono la minimizzazione del rumore e della distorsione, nonché la moltitudine di algoritmi disponibili. Uno dei primi tipi di miglioramento dell'immagine è stato utilizzato per correggere le prime immagini ravvicinate della superficie lunare. In questo processo, sono state utilizzate la mappatura fotogrammetrica e i filtri del rumore e sono state apportate correzioni per distorsioni geometriche causate dall'allineamento della telecamera di imaging sulla superficie lunare.
Il miglioramento dell'immagine digitale di solito comporta l'aumento del contrasto e possibilmente correzioni geometriche per la visualizzazione di angoli e distorsione delle lenti. La compressione è spesso ottenuta approssimando i segnali complessi come combinazione di funzioni del coseno-una trasformata di Fourier nota come trasformata discreta del coseno (DCT). Il formato del file JPEG è l'applicazione più comune del DCT. Il ripristino delle immagini può anche utilizzare la trasformata di Fourier per rimuovere il rumore e la sfocatura.
La fotogrammetria utilizza un qualche tipo di riconoscimento delle caratteristiche per estrarre misurazioni dalle immagini. Queste misurazioni possono includere informazioni 3D quando più immagini della stessa scena vengono acquisite da posizioni diverse. I sistemi fotogrammetrici più semplici utilizzano una scala per misurare la distanza tra due punti in un'immagine. Per fare ciò, è spesso necessario includere una scala di riferimento nota nell'immagine.
Il rilevamento delle funzionalità consente al computer di riconoscere bordi, angoli o punti nell'immagine. Questo è il primo passo necessario per la fotogrammetria e per il riconoscimento di oggetti e movimento. Il rilevamento del Blob identifica le aree con bordi troppo lisci per il rilevamento del bordo o dell'angolo.
Il riconoscimento del modello viene utilizzato per riconoscere oggetti specifici. Nel caso più semplice, ciò potrebbe significare trovare una parte meccanica specifica ben definita su un nastro trasportatore.
La ricostruzione 3D determina la forma 3D di un oggetto da un'immagine 2D. Questa funzione può essere realizzata con metodi fotogrammetrici. In questo caso, le altezze delle caratteristiche comuni (determinate nelle immagini di diversi punti di osservazione) sono determinate usando la triangolazione. La ricostruzione 3D è anche possibile usando le immagini 2D da sole; Qui, il software spiega anche le relazioni geometriche tra bordi o aree ombreggiate.
Gli umani possono ricostruire i cubi semplicemente elaborandoli nel loro cervello usando il disegno di linea, usando cerchi ombreggiati per ricostruire le sfere. L'ombreggiatura mostra il pendio della superficie. Tuttavia, questo processo di derivazione è molto più complesso di quanto si possa pensare, poiché l'ombreggiatura è un parametro unidimensionale, mentre la pendenza si verifica in un caso bidimensionale. Ciò può portare a situazioni ambigue: un fatto convalidato dall'arte di rappresentare oggetti fisicamente impossibili.
Come vengono sequenziate le attività di visione artificiale
Molti sistemi di visione artificiale incorporano le tecniche di cui sopra in modo incrementale iniziando con operazioni di basso livello e quindi passando a operazioni di livello superiore. Al livello più basso, tutti i pixel di un'immagine sono archiviati come dati ad alta larghezza di banda. Ogni operazione nella sequenza riconosce quindi le caratteristiche dell'immagine e rappresenta le informazioni di interesse con una quantità relativamente piccola di dati.
Il primo è il funzionamento a basso livello di miglioramento e restauro delle immagini seguito dal rilevamento delle funzionalità. Pertanto, nel caso dell'utilizzo di più sensori, le operazioni di basso livello possono essere eseguite mediante processi distribuiti specializzati per singoli sensori. Una volta rilevate le funzionalità nelle singole immagini, è possibile eseguire una fotogrammetria più avanzata, come con qualsiasi riconoscimento degli oggetti o altra attività che si basa su dati combinati da più immagini e sensori.
Algoritmi di calcolo diretto e apprendimento
Nel caso della visione artificiale, il calcolo diretto è un insieme di funzioni matematiche definite dal programmatore. Queste funzioni prendono input come i valori dei pixel di immagine e producono output come le coordinate del bordo dell'oggetto. Al contrario, gli algoritmi di apprendimento non sono scritti direttamente dagli umani, ma sono addestrati su set di dati di esempio che correlano gli input con gli output desiderati. Di conseguenza, gli algoritmi di apprendimento sono usati come scatole nere. La maggior parte di tali apprendimento automatico ora utilizza un apprendimento profondo basato su reti neurali artificiali per il calcolo.
Semplice apprendimento automatico per applicazioni industriali tende ad essere più affidabile e meno esigente computazionalmente in base al calcolo diretto. Naturalmente, ci sono limiti a ciò che può essere ottenuto attraverso il calcolo diretto. Ad esempio, non si dovrebbe mai sperare di eseguire facce per riconoscere i modelli di riconoscimento avanzati richiesti, e soprattutto non dalle riprese video in spazi pubblici affollati. Al contrario, l'apprendimento automatico può gestire abilmente tali applicazioni. Non sorprende quindi che l'apprendimento automatico venga sempre più distribuito per operazioni di visione macchina a basso livello, in particolare il miglioramento dell'immagine, il ripristino e il rilevamento delle funzionalità.
Metodi di insegnamento migliorati (non algoritmi)
La crescente raffinatezza delle tecniche di apprendimento profondo ha chiarito che non sono gli algoritmi di apprendimento che devono essere migliorati, ma piuttosto il modo in cui gli algoritmi sono addestrati. Una procedura di allenamento migliorata è nota come visione artificiale centrata sui dati. Qui, un sistema di apprendimento profondo accetta un set di formazione molto robusto composto da migliaia, milioni o persino miliardi di immagini - e quindi salva le informazioni sintetizzate estratte da ogni immagine dai suoi algoritmi. Questi algoritmi imparano in modo efficiente collegandoli agli esempi di lavoro e quindi si riferiscono a un "libro di risposta" per verificare che i valori corretti siano stati derivati.
C'è una vecchia storia di cautela sul riconoscimento dei pattern digitali. L'esercito degli Stati Uniti una volta intendeva usare la visione artificiale per il riconoscimento target e una dimostrazione di un appaltatore della difesa ha identificato in modo affidabile i carri armati statunitensi e russi. I carri armati di tutti i diversi tipi potrebbero essere correttamente distinti, uno dopo l'altro, dalle fotografie aeree del fornitore. Tuttavia, quando è stato testato di nuovo con la libreria di immagini del Pentagono, il sistema ha continuato a dare risposte errate. Il problema era che le foto degli appaltatori della difesa rappresentavano tutti carri armati americani nei carri armati del deserto e russo sui campi verdi. Invece di identificare i diversi serbatoi, il sistema ha identificato i diversi sfondi colorati. Quali sono i criteri di riconoscimento? Gli algoritmi di apprendimento richiedono dati di formazione attentamente curati per funzionare.
CONCLUSIONE: una visione sicura per le cellule di lavoro robotiche
La visione macchina non è più una tecnologia di nicchia. Nell'attuale guida, il settore industriale è la più grande area di crescita per le distribuzioni della visione macchina. Lo sviluppo più notevole in quest'area è il modo in cui la visione artificiale sta ora completando i sistemi di sicurezza nelle piante industriali, ad esempio, sistemi che suonano un allarme o danno notifiche vocali quando un lavoratore entra in un'area di lavoro senza casco, maschera o altri equipaggiamenti protettivi adeguati. La visione macchina può anche essere utilizzata nei sistemi che avvisano quando si muovono i macchinari, come i carrelli elevatori, si avvicinano troppo al personale.
Questi e simili sistemi di visione artificiale possono talvolta sostituire misure di protezione dura attorno ai robot industriali per rendere le operazioni più efficienti. I sistemi di visione artificiale possono anche sostituire o migliorare i sistemi di sicurezza in base alla protezione della luce che arresta i macchinari ogni volta che viene rilevato un lavoratore che entra nella cella di lavoro. Quando la visione artificiale monitora il pavimento della fabbrica attorno a una cella di lavoro, i robot in quella cellula hanno il potenziale per rallentare gradualmente mentre le persone si avvicinano.
Man mano che la progettazione di ambienti industriali si evolve per ospitare robot collaborativi e altre attrezzature per le cocelle di lavoro che consentono al personale degli impianti di andare in giro in modo sicuro (anche se le attrezzature sono in esecuzione), questi e altri sistemi basati sulla visione macchina diventeranno una parte più comune dei processi degli impianti.




