LE TECNOLOGIE E LE SCIENZE DELLA VISIONE ARTIFICIALE

Questo articolo vuole essere una continuazione del precedente "COME LAVORA LA VISIONE ARTIFICIALE NELL'INDUSTRIA" e spiegare in breve la tecnologia software che c'è dietro un sistema di visione artificiale e come lavora questa.

I sistemi di visione sono  una catena di misura, e in quanto ciò possiedono i blocchi funzionali di questa, e il software è uno di questi blocchi.

La catena di misura sulla quale è strutturato un sistema di visione è fatta degli elementi mostrati in figura.

In sequenza sono mostrati il blocco di acquisizione, quello di elaborazione e quello di estrazione dell’informazione, essi si specializzano in base all'elemento reale posto ad analisi.

La catena di misura ha come obbiettivo quello di ‘potare’ le informazioni acquisite, che sono intrinsecamente molto dense (immagini) fino a estrarre indicazioni estremamente sintetiche, quali quelle di tipo passa/non passa, nei controlli di qualità così come nei controlli di processo. 

La catena di misura ha come obbiettivo quello di ‘potare’ le informazioni acquisite, che sono intrinsecamente molto dense (immagini) fino a estrarre indicazioni estremamente sintetiche, per questo motivo per ottenere sistemi affidabili ed efficienti vanno considerati i seguenti aspetti:

1. La natura del misurando: dimensione, colore, riflettività, forma;
2. Come il misurando è portato al sistema di visione: campo inquadrato, tipologia di alimentazione della scena, tempo di ciclo;
3. Quali sono le sorgenti di disturbo: illuminazione ambientale, variabilità di riflessione delle superfici, tessitura delle superfici;
4. Quale sia l’informazione da estrarre: caratteristiche superficiali, dimensioni geometriche per controllo di tolleranze, volumi, colore, temperatura, orientamento, posizione
5. Quale sia la combianzione telecamera/lente che garantisca oltre alla magnificazione adeguata la qualità dell’immagine sufficiente a riconoscere in modo affidabile l’informazione d’interesse;
6. Quale sistema di illuminazione della scena consenta di ottimizzare la visibilità delle caratteristiche d’interesse;
7. Quale sia la combinazione ottimale di singoli elemti software per estrarre l’informazione.
8. Come e con quali tempi trasmettere l’informazione all’esterno, ad esempio verso un PLC, per la gestione delle operazioni a valle.

L'algoritmo di funzione di un software per l'elaborazione di un immagine può essere questo:

PRE-ELABORAZIONE

Le funzioni che appartengono a questa classe di elaborazione hanno come scopo quello di condizionare l’immagine.Le tipiche operazioni sono quelle di

(i) incremento del rapporto segnale-disturbo, mediante operazioni di filtraggio spaziale,
(ii) compensazione di distorsioni prospettiche e ottiche,
(iii) correzione di effetti di ombra o di disuniformità nei livelli di grigio legati al sistema di illuminazione.

L’esperienza insegna che in un sistema ben progettato questa tipologia di operazioni dovrebbe avere un peso ridotto: ad esempio, la scelta di una lente di buona qualità riduce sensibilmente l’effetto distorsivo, e aumenta la visibilità dei dettagli nell’immagine.

SEGMENTAZIONE

La segmentazione è una fase cruciale della catena di elaborazione e consiste nel determinare quali sono i pixel che contengono informazioni (foreground) e quali invece no (background). I criteri di assegnazione di ogni pixel  variano moltissimo a seconda della particolare applicazione. Un metodo semplice e molto efficace è quello che utilizza il contrasto dell’immagine. Per ogni pixel nell’immagine il livello di grigio corrispondente viene comparato a un valore di soglia e viene classificato in base alla sua intensità.

ETICHETTATURA O LABELLING

L’operazione di labelling consiste nell’analizzare i pixel che contengono informazione per separare oggetti differenti gli uni dagli altri. Il criterio seguito è che i pixel connessi fra loro appartengano alla stessa entità, alla quale viene dato il nome di blob.

ESTRAZIONE DELLE FEATURES

Il passo successivo della catena di elaborazione consiste nella misura quantitativa di specifiche caratteristiche delle blob selezionate, come ad esempio, l’area, il perimetro, la simmetria, la posizione, l’orientamento, il grado di convessità. Un esempio è identificare un oggetto mediante labelling della blob che lo rappresenta e calcolarne il baricentro, per applicazioni di presa.

CLASSIFICAZIONE

A questo punto della catena di elaborazione si hanno a disposizione un certo numero di misureche caratterizzano tutti gli oggetti d’interesse presenti nell’immagine. Queste misure devono poter consentire di decidere se l’elemento passa il controllo o meno. In molti casi questa operazione è semplice: ad esempio, nel caso della verifica del diametro di un foro rispetto alla specifica di tolleranza. In altre situazioni invece è necessaria una fase di classificazione basata sulla verifica di un insieme di regole.