La visione artificiale è migliorata enormemente, ma il tasso di fallimento dei progetti di visione industriale non è calato altrettanto, e questo indica dove sta davvero la difficoltà.
Il problema è a monte del modello
Quando un sistema di visione va male, l'istinto è migliorare l'algoritmo. In ambito industriale è quasi sempre la leva sbagliata.
L'illuminazione è la variabile principale. Ciò che si vede dipende da come è illuminato l'oggetto. Controluce, luce diffusa, luce direzionale, luce strutturata e lunghezze d'onda specifiche rendono visibili caratteristiche diverse. Un difetto invisibile in una configurazione è evidente in un'altra, e la differenza è molto più grande di qualsiasi miglioramento algoritmico.
Ottica e geometria contano altrettanto. Risoluzione sul pezzo, profondità di campo, distanza di lavoro, prospettiva. Se il difetto è più piccolo di un pixel, nessun modello lo trova.
La presentazione del pezzo. Se l'oggetto arriva in una posizione e un orientamento costanti, il problema diventa molto più semplice. Un fissaggio meccanico è spesso più economico di un modello.
Molto di ciò che si risolve con una rete neurale si sarebbe potuto risolvere con una luce diversa e un fissaggio, più in fretta, a costo minore e in modo più affidabile.
Questo ribalta il solito istinto di assunzione. La competenza scarsa non è un altro ingegnere di machine learning. È qualcuno capace di allestire una scena in modo che l'informazione di cui hai bisogno sia davvero nell'immagine.
Cosa copre la direzione
L'ambito: fotocamere ed elaborazione delle immagini, riconoscimento degli oggetti, consapevolezza spaziale e fusione sensoriale.
Quattro aree.
Fondamenti di imaging. Fotocamere, sensori, ottiche, illuminazione e la fisica per ottenere un'immagine utilizzabile. La parte che decide tutto ciò che viene dopo.
Elaborazione classica delle immagini. Filtraggio, sogliatura, analisi di bordi e blob, template matching, calibrazione. Deterministica, spiegabile, veloce, e sufficiente per gran parte dei compiti industriali.
Metodi appresi. Rilevamento, segmentazione e classificazione, per problemi che resistono a una descrizione esplicita.
3D e fusione sensoriale. Stereo, luce strutturata, time of flight e lidar, più la combinazione della visione con altri sensori, che è ciò che alimenta più avanti le direzioni sull'autonomia.
Da tenere presente per definire l'ambito: i metodi classici restano la risposta giusta per molte applicazioni industriali, perché sono deterministici e i loro modi di guasto sono prevedibili. Un team che ricorre al machine learning per ogni problema costruirà qualcosa di più difficile da validare del necessario.
Perché una buona demo diventa un cattivo impianto
Cinque meccanismi specifici, tutti prevedibili.
L'illuminazione deriva. Le lampade invecchiano e si affievoliscono. La luce naturale cambia durante il giorno e la stagione. Un sistema collaudato d'inverno si comporta diversamente a luglio. L'illuminazione controllata e chiusa è la mitigazione standard, e viene spesso saltata per ragioni di costo.
La scena si sporca. Le lenti accumulano polvere, olio e nebbia di refrigerante. Le prestazioni degradano gradualmente, quindi nessuno se ne accorge finché non è grave.
Il prodotto cambia. Un nuovo fornitore, una finitura leggermente diversa, un colore di lotto diverso. Il sistema era tarato su ciò che esisteva allora.
Vibrazioni e deriva di posizionamento. Un supporto della fotocamera che si sposta leggermente cambia la geometria che la calibrazione dava per scontata.
I dati di addestramento non erano rappresentativi. Raccolti in un periodo breve, in buone condizioni, senza la variabilità che la linea produce davvero.
Tutti e cinque sono distribution shift, lo stesso fenomeno descritto nell'articolo sull'IA medica di questa sezione. Un sistema impara le condizioni in cui è stato costruito, e le condizioni cambiano.
La conseguenza per la forza lavoro è che il monitoraggio continuo è un requisito di organico permanente, non un compito di progetto, e che qualcuno deve farsi carico delle prestazioni dopo la messa in servizio.
Dove si colloca nel dominio
Visione artificiale e percezione delle macchine è la quinta delle nove direzioni nel dominio Robotica e sistemi autonomi di Astra Trainer. Sta a monte dei veicoli autonomi e dei droni, che dipendono dalla percezione, e accanto alla robotica industriale, dove il prelievo guidato dalla visione e l'ispezione sono le due applicazioni più comuni.
Per i partner che coprono questo lato dal software, il dominio IA, dati e calcolo copre intelligenza artificiale e machine learning, e data science e analytics. L'abbinamento che funziona davvero è competenza in imaging e ottica più competenza in machine learning, e le organizzazioni di solito hanno già la seconda. Qui trovi le nove direzioni.
Ispezione, e di nuovo il problema del tasso di base
L'applicazione industriale più comune, e quella in cui le dichiarazioni di prestazione vengono lette male più spesso.
L'ispezione dei difetti è un problema di eventi rari. In un processo ben gestito i difetti sono poco frequenti, e questo cambia il significato di qualsiasi cifra di accuratezza.
Se i difetti sono rari e il sistema segnala come difettosa una piccola percentuale di pezzi buoni, il mucchio segnalato sarà composto soprattutto da pezzi buoni. Il sistema può avere un'accuratezza dichiarata eccellente e generare comunque soprattutto falsi allarmi, il che porta gli operatori a smettere di fidarsi e infine a ignorarlo.
È esattamente il problema del tasso di base dell'articolo sull'epidemiologia, e si applica qui con la stessa forza.
Tre conseguenze pratiche.
Chiedi le prestazioni al tasso di difetto reale, non su un set di test bilanciato. Una dimostrazione del fornitore su un dataset con pezzi buoni e cattivi in parti uguali dice quasi nulla sul comportamento in linea.
Decidi quale errore è peggiore e taratura di conseguenza. Mancare un difetto e scartare un pezzo buono hanno costi diversi, ed è una decisione aziendale, non tecnica.
La raccolta dati è il vincolo vero. L'ispezione appresa richiede molti esempi di ogni tipo di difetto, e una buona fabbrica non ne produce molti. I team sottostimano sistematicamente quanto tempo serva per accumulare una libreria di difetti utilizzabile, ed è il motivo più comune per cui i progetti di ispezione si bloccano.
I ruoli, uno per uno
Ingegneri di visione industriale. Visione industriale a tutto tondo, che include ottica, illuminazione e applicazione. La combinazione scarsa.
Integratori di sistemi di visione. Specificano e mettono in servizio sistemi su linee reali.
Ingegneri computer vision. Più orientati al software, nell'autonomia e nello sviluppo prodotto.
Ingegneri di imaging e ottica. Specialisti della parte che decide il risultato.
Responsabili dell'annotazione dati. Gestiscono l'etichettatura da cui dipendono i sistemi appresi, più decisiva di quanto il suo status lasci pensare.
Ingegneri di qualità con competenze di visione. Collegano l'ispezione al sistema qualità.
Ingegneri di percezione nei sistemi autonomi, dove questa direzione incontra quella dei veicoli e dei droni.
Tecnici di manutenzione dei sistemi di visione. Mantengono le prestazioni dopo la messa in servizio, e quasi mai vengono pianificati.
Chi si può formare per farlo
Ispettori di qualità. Il bacino più trascurato. Sanno come appare un difetto, quali tipi di difetto contano, come variano e quali sono estetici piuttosto che funzionali. È esattamente la conoscenza di cui ha bisogno un progetto di visione, quella che un ingegnere di machine learning non può fornire, ed è la parte che richiede anni.
Ingegneri di controllo e automazione. Già integrano sensori nei sistemi di produzione e hanno bisogno del livello di imaging.
Fotografi e tecnici di imaging. Una conversione insolita e davvero valida, perché capiscono luce e ottica in modo intuitivo, la metà che manca alla maggior parte dei team software.
Ingegneri software. Verso il lato algoritmico, con bisogno del livello fisico: che l'immagine è una misura con rumore, geometria e illuminazione incorporati.
Tecnici di manutenzione. Verso il mantenimento dei sistemi installati, dove il valore va perso.
Personale di metrologia e misurazione. Già ragionano in termini di calibrazione, ripetibilità e incertezza di misura, che si trasferisce direttamente.
Dove la visione ha un peso di sicurezza o normativo. La visione usata come funzione di sicurezza, ad esempio per il rilevamento di presenza in un'applicazione di protezione macchine, deve soddisfare requisiti di sicurezza funzionale e non può essere assemblata da componenti generici senza rispettare quegli standard. L'ispezione basata su visione in produzioni regolamentate, incluse quelle farmaceutiche e dei dispositivi medici, richiede una validazione secondo il sistema qualità applicabile. La formazione costruisce comprensione ingegneristica. Non conferisce certificazione di sicurezza funzionale né autorità di validazione.
Cosa portare a casa
La maggior parte dei problemi di visione industriale si risolve nella luce, nella lente e nel fissaggio, non nel modello, e questo ribalta il solito istinto di assunzione.
I metodi classici sono deterministici e sufficienti per molti compiti industriali, quindi ricorrere al machine learning per ogni problema crea una difficoltà di validazione non necessaria.
I sistemi installati degradano per deriva dell'illuminazione, sporco, cambio di prodotto, spostamento del supporto e dati di addestramento non rappresentativi. Tutti e cinque sono prevedibili, e il monitoraggio è un ruolo permanente.
L'ispezione dei difetti è un problema di eventi rari, quindi chiedi le prestazioni al tasso di difetto reale e aspettati che la raccolta dati sia il vincolo.
E i tuoi ispettori di qualità possiedono la conoscenza dei difetti da cui dipende tutto il progetto. I fotografi, curiosamente, possiedono l'altra metà.
Perché i progetti di visione industriale falliscono?
Di solito a monte dell'algoritmo. Illuminazione, ottica e presentazione del pezzo determinano se l'informazione di cui hai bisogno è nell'immagine, e nessun modello recupera un'informazione mai catturata.
Bisogna usare sempre il machine learning?
No. L'elaborazione classica delle immagini è deterministica, veloce e spiegabile, ed è sufficiente per gran parte dei compiti industriali. I metodi appresi servono per problemi che resistono a una descrizione esplicita, e sono più difficili da validare.
Perché una buona demo fallisce in linea?
L'illuminazione deriva, le lenti si sporcano, i prodotti cambiano, i supporti si spostano, e i dati di addestramento raramente catturano la variabilità reale. È lo stesso distribution shift che colpisce qualsiasi modello installato.
Perché l'accuratezza nell'ispezione dei difetti può ingannare?
Perché i difetti sono rari in un buon processo. Un sistema con un'accuratezza dichiarata alta può comunque segnalare soprattutto pezzi buoni, il che distrugge la fiducia degli operatori. Chiedi le prestazioni al tasso di difetto reale.
Chi si converte meglio ai ruoli di visione?
Gli ispettori di qualità, che sanno come sono fatti davvero i difetti e quali contano, e i fotografi o i tecnici di imaging, che capiscono luce e ottica. Il personale di metrologia si trasferisce direttamente su calibrazione e incertezza.