Come funzionano i Sistemi di Visione AI
In questo articolo:
- Introduzione: Cos’è la Visione AI?
- I 5 Step di Funzionamento
- Deep Learning vs Machine Learning Tradizionale
- Come funzionano i CNN (Convolutional Neural Networks)
- Training del Modello: Come impara l’AI
- Metriche di Performance: Accuracy, Precision, Recall
- Performance nel Mondo Reale
- Limiti e Falsi Positivi
- Domande Frequenti
Introduzione: Cos’è la Visione AI?
La visione artificiale AI (Computer Vision AI) è una branca dell’intelligenza artificiale che insegna ai computer a “vedere” e “interpretare” immagini nello stesso modo in cui lo fa l’occhio umano — ma con precisione e velocità sovrumane.
A differenza dei sistemi di visione tradizionali (che seguono regole rigide codificate manualmente), i sistemi di visione AI imparano dai dati. Vedono migliaia di immagini di prodotti, identificano pattern che gli umani non riescono a percepire, e migliorano continuamente nel tempo.
I 5 Step di Funzionamento
Ecco il percorso che segue un’immagine dal momento in cui entra nel sistema fino a quando genera una decisione:
Step 1: Acquisizione dell’immagine
Una camera ad alta risoluzione (5-12 megapixel) cattura l’immagine del prodotto in tempo reale mentre passa sulla linea. La camera non è una telecamera semplice — è equipaggiata con:
- Sensore CMOS/CCD ad alta risoluzione (per catturare dettagli microscopici)
- Illuminazione multi-spettrale (LED controllati per eliminare ombre e riflessi)
- Ottica telecentric/macro (per garantire distorsione minima e precisione ±0.1mm)
- Velocità di cattura sincronizzata con il movimento del prodotto (millisecondi)
Step 2: Preprocessing (Pulizia dell’immagine)
L’immagine grezza contiene “rumore” — variazioni di illuminazione, riflessi, sporco sulla lente. Il preprocessing le rimuove:
- Normalizzazione contrasto
- Riduzione rumore (smoothing)
- Correzione illuminazione
- Estrazione bordi e feature rilevanti
Dopo il preprocessing, l’immagine è “pulita” e pronta per l’analisi.
Step 3: Feature Extraction (Deep Learning Detection)
Qui inizia il vero “cervello”: una rete neurale artificiale (CNN) analizza l’immagine in millisecondo, attraversando milioni di layer nascosti che cercano pattern.
Ogni layer trasforma l’immagine, estraendo informazioni sempre più complesse. Il primo layer potrebbe riconoscere una linea; l’ottavo layer riconosce “questa linea è un graffio”.
Step 4: Classification & Decision
La rete neurale genera un confidence score (0-100%) per ogni possibile difetto:
- Graffio: 78%
- Bolla: 5%
- Deformazione: 2%
- Nessun difetto: 15%
Se il confidence per il difetto con score più alto supera la soglia (es: 80%), il sistema dice “DIFETTO RILEVATO”. Se no, “PRODOTTO OK”.
Step 5: Azione automatica e Tracciamento
Se rilevato un difetto:
- Rifiuto istantaneo: Valvola pneumatica a solenoid spinge il prodotto fuori dalla linea
- Alert visuale: Operatore vede notifica su schermo (location difetto, tipo, severity)
- Tracciamento: Database registra foto difetto, timestamp, numero lotto, posizione sulla linea
- Feedback al modello: Sistema raccoglie il dato per future sessioni di training
Video: Come funziona il rilevamento difetti in tempo reale
Deep Learning vs Machine Learning Tradizionale
C’è una differenza cruciale tra “Machine Learning tradizionale” e “Deep Learning”:
| Aspetto | Machine Learning Tradizionale | Deep Learning |
|---|---|---|
| Feature Engineering | Umano sceglie quale aspetto dell’immagine analizzare | La rete neurale scopre automaticamente |
| Esempio | “Cerca linee dritte” → Umano codifica algoritmo | “Impara da 10.000 immagini” → Rete scopre pattern |
| Flessibilità | Difficile adattarsi a nuovi tipi di difetti | Retrain semplice su nuovi dati |
| Accuratezza | 70-80% (dipende da feature scelta bene) | 99%+ (impara pattern complessi) |
| Cosa funziona meglio | Difetti ben definiti e prevedibili | Difetti vari e imprevisti |
Come funzionano i CNN (Convolutional Neural Networks)
Un CNN è un’architettura di rete neurale specialmente progettata per elaborare immagini. La parola “convolutional” si riferisce al modo in cui la rete analizza l’immagine:
Convolution: Uno Sguardo Focalizzato
I CNN hanno milioni di filtri diversi, ognuno che cerca un pattern specifico:
- Livello 1: Filtri che cercano “bordi” (pattern semplici)
- Livello 2: Filtri che cercano “forme” (combinazioni di bordi)
- Livello 3-8: Filtri che cercano “concetti” (un graffio è una forma curva scura)
La rete apprende automaticamente quali filtri sono utili durante il training.
Video: Come visualizzare cosa “vede” una rete neurale CNN
Training del Modello: Come impara l’AI
Un modello di deep learning non nasce “intelligente”. Deve imparare dai dati. Ecco come funziona il training:
Passo 1: Raccogliere dati
- 200-300 immagini di prodotti BUONI (no difetti)
- 50-100 immagini di prodotti DIFETTOSI (vari tipi di difetti)
- Ogni immagine etichettata: “OK” o “DIFETTO – Tipo: Graffio”
Passo 2: Dividere in training e validation
- 70% per il training (il modello impara)
- 30% per la validation (verifichiamo che funziona su dati mai visti prima)
Passo 3: Addestramento
Per ogni immagine di training:
Passo 4: Validation
Testa il modello su immagini che non ha mai visto. Se funziona bene (95%+ accuratezza), il modello è pronto per la produzione.
Metriche di Performance: Accuracy, Precision, Recall
Come misuriamo se un sistema di visione AI funziona bene? Non solo “accuratezza” — ci sono tre metriche fondamentali:
1. Accuracy (Accuratezza)
Percentuale di predizioni corrette su tutto il dataset.
2. Precision (Precisione)
Tra tutti i prodotti che il sistema dice “DIFETTO”, quanti sono veramente difettosi?
3. Recall (Sensibilità)
Tra tutti i prodotti veramente difettosi, quanti il sistema riesce a catturare?
Il Trade-off Precision vs Recall
Aumentare uno significa spesso diminuire l’altro. Un sistema può:
- Alta Precision, Basso Recall: “Scarto solo quando sono SICURO” → Scarti pochi buoni, ma lasciano passare difetti
- Basso Precision, Alto Recall: “Scarto al minimo sospetto” → Catturano tutti i difetti, ma scarti molti buoni
Video: Capire Precision e Recall nel contesto di qualità
Performance nel Mondo Reale
I numeri di laboratorio sono belli, ma cosa succede in fabbrica con condizioni reali?
Benchmark reali Logirobotix
| Scenario | Accuracy | Precision | Recall |
|---|---|---|---|
| Laboratorio (dati puliti) | 99.8% | 99.7% | 99.9% |
| Fabbrica reale (illuminazione variabile) | 98.5% | 98.2% | 98.8% |
| Prodotti con “aging” (usura nel tempo) | 97.2% | 96.9% | 97.5% |
| Dopo retraining (30 giorni di dati) | 99.1% | 98.9% | 99.2% |
Key insight: La performance cala dal laboratorio alla fabbrica, ma il sistema impara continuamente dai nuovi dati e recupera la performance con il retraining regolare.
Limiti e Falsi Positivi
Nessun sistema di visione AI è perfetto al 100%. Ecco i limiti reali:
Falsi Positivi (Scarto un prodotto buono)
- Ombra sulla linea che somiglia a un graffio
- Sporco sulla lente camera
- Riflesso lucido che il modello interpreta come difetto
- Prodotto usato che somiglia a difetto ma è normal aging
Falsi Negativi (Lascio passare un difetto)
- Difetto microscopico (< 0.5mm) non catturato dalla camera
- Difetto sottile (es: micro-graffio appena visibile)
- Difetto in zona di ombra
- Tipo di difetto mai visto nel training (es: nuovo tipo di deformazione)
- Falsi Positivi: Abbassare confidence threshold (da 95% a 85%)
- Falsi Negativi: Aumentare confidence threshold (da 85% a 95%)
- Nuovo tipo di difetto: Retrain con nuove immagini (2-4 ore)
Domande Frequenti
Pronto a vederli in azione?
I sistemi di visione AI non sono teoria — sono viva realtà nelle fabbriche oggi. Se vuoi capire come funzionano sul tuo prodotto specifico, prenota una demo gratuita.
Scopri i sistemi di visione AI Logirobotix →