Intelligenza artificiale e apprendimento automatico: la rivoluzione di controllo qualità, ispezioni e rilevamento delle frodi

Fondamenti di riconoscimento delle immagini per l'apprendimento automatico

Gli algoritmi di apprendimento automatico (ML, Machine Learning) utilizzano enormi quantità di dati estrapolati da un ambito specifico per ottimizzare i processi e ottenere risultati più efficienti. I sistemi ML funzionano addestrandosi a riconoscere modelli e correlazioni che collegano i punti dati. Ciò richiede algoritmi robusti, ampi set di dati di informazioni rilevanti, un ambito ristretto e un obiettivo concreto.

Secondo alcune delle migliori aziende e dei più affermati ricercatori nel campo dell'apprendimento automatico, il deep learning è una tecnologia innovativa che potrà essere applicata per rivoluzionare centinaia di settori. Gran parte del lavoro astratto è stato portato a termine ed è giunto il momento di utilizzare l'apprendimento automatico e trasformarlo in modelli di business sostenibili.

Per il riconoscimento delle immagini, è fondamentale identificare correttamente tutte le immagini in modo da distinguere quelle rilevanti per il set di dati. Maggiore è il numero di esempi delle immagini corrette a cui è esposto un sistema basato su ML, maggiore sarà l'accuratezza con cui il sistema rileverà i modelli e identificherà le differenze sul campo.

Algoritmi ML per il rilevamento dei difetti sui circuiti stampati

Sebbene l'ispezione visiva automatizzata dei PCB abbia fatto notevoli progressi negli ultimi anni, diversi studi dimostrano che il deep learning supera i tradizionali algoritmi di classificazione basata sulle macchine e di estrazione delle caratteristiche.^[1]

Nella maggior parte degli impianti di produzione dei PCB, i difetti vengono inizialmente rilevati da una macchina per l'ispezione automatica (AOI). In un secondo tempo, un ingegnere addetto al controllo qualità verifica ogni PCB segnalato.

Sfortunatamente, la macchina AOI può erroneamente classificare molte schede come difettose a causa di un graffio, un piccolo foro o per la presenza di nanoparticelle quali polvere, frammenti di carta o minuscole bolle d'aria. Inoltre, anche gli ingegneri qualificati possono commettere errori durante le operazioni di controllo. Di conseguenza, è fondamentale utilizzare sistemi ML adeguatamente addestrati per migliorare l'accuratezza delle procedure di controllo qualità.

L'anno scorso, alcuni ricercatori della Yuan Ze University di Taiwan hanno pubblicato uno studio in cui affermavano di aver raggiunto un'accuratezza di rilevamento dei difetti nei PCB pari al 98,79% utilizzando le reti neurali convoluzionali YOLO (You-Only-Look-Once).^[2]

Rispetto ad altri classificatori semplici, il sistema YOLO è ampiamente utilizzato nella pratica. Si tratta di un modello di rilevamento degli oggetti semplice e unificato, che può essere addestrato direttamente utilizzando immagini complete. Fast YOLO è il più rapido rilevatore di oggetti per uso generico. YOLOv2 offre il miglior compromesso tra velocità in tempo reale e accuratezza per il rilevamento di oggetti rispetto ad altri sistemi di rilevamento per vari set di dati di rilevamento.

Secondo l'articolo, il team ha utilizzato 11.000 immagini, una rete di 24 livelli convoluzionali e due livelli completamente collegati. Per addestrare l'algoritmo Tiny YOLOv2, i ricercatori hanno utilizzato il framework Keras^[3] eseguito su una GPU Nvidia TITAN V.

Rilevamento di frodi, prodotti contraffatti e prestazioni dei componenti

Nel 2019, l'Organizzazione per la cooperazione e lo sviluppo economico (OCSE) ha segnalato che le merci contraffatte e le imitazioni rappresentavano il 3,3% dei volumi del commercio globale. Tale percentuale è in costante aumento ogni anno. Il paese più colpito dal business della contraffazione sono gli Stati Uniti, i cui marchi o brevetti sono stati correlati al 24% dei prodotti contraffatti sequestrati.^[4]

L'elettronica è uno dei settori più colpiti dalla contraffazione. Poiché il prezzo dei componenti critici aumenta e si verificano interruzioni nella supply chain, molti prodotti falsi entrano nel mercato per riempire i vuoti lasciati dai prodotti originali. A rendere le cose più difficili, la maggior parte dei componenti contraffatti è quasi indistinguibile dagli originali.

È possibile rilevare la contraffazione dei prodotti finiti, in particolare dei prodotti di consumo, tramite un'ispezione visiva. Tuttavia, occorrono un occhio esperto e una notevole conoscenza dei prodotti originali per distinguere tra un articolo falso e uno autentico.

In questo settore, il vantaggio del riconoscimento delle immagini è enorme. Gli algoritmi ML possono analizzare milioni di immagini e rilevare anche le più piccole incongruenze e anomalie di forma, colore, consistenza e dimensioni.

Quando si tratta di componenti elettronici, diventa più difficile utilizzare solo l'ispezione visiva. Il mercato è pieno di unità contraffatte e giacenze di magazzino. L'utilizzo di componenti contraffatti o di seconda mano potrebbe causare danni ad apparecchiature e proprietà, richiami di prodotti e potenziali responsabilità.

Oltre al riconoscimento delle immagini, sono necessari altri metodi e algoritmi ML per migliorare l'accuratezza del rilevamento di parti contraffatte o modificate. Negli ultimi anni, la tecnologia blockchain è rapidamente diventata una delle soluzioni chiave per proteggere l'autenticità di prodotti e componenti e garantire la supply chain.

Ad esempio, IBM sta mescolando tecnologie di blockchain, imaging e intelligenza artificiale per verificare l'autenticità dei prodotti. La sua tecnologia Crypto Anchor Verifier^[5] utilizza apprendimento automatico, reti neurali e analisi video per valutare le proprietà dei liquidi e identificare colore, saturazione, viscosità e altre proprietà chimiche, il tutto come mezzo per stabilire meglio se un prodotto è falso o autentico. Inoltre, tale tecnologia può essere addestrata per riconoscere i modelli elettrici nei componenti elettronici, in modo da distinguere i componenti nuovi dalle generazioni precedenti della stessa SKU.

Il ruolo di intelligenza artificiale e apprendimento automatico nella supply chain è solo all'inizio

Recentemente, le interruzioni della supply chain globale dovute alla pandemia hanno costretto molti fornitori e produttori a cercare altrove prodotti e componenti. L'impiego delle più recenti tecnologie e dell'apprendimento automatico può aiutare a evitare parti contraffatte e contribuire a eseguire controlli qualità più rapidi, efficienti e accurati.

Dato che il riconoscimento delle immagini e l'accuratezza dell'apprendimento automatico sono in costante miglioramento e diventano sempre più rapidi, molti settori stanno iniziando a utilizzarli per il controllo qualità e l'individuazione delle contraffazioni.

È previsto che sempre più settori trasferiscano le proprie operazioni nel cloud, aumentando la disponibilità dei dati di training. Dato che le capacità di intelligenza artificiale e apprendimento automatico stanno aumentando in modo esponenziale, queste soluzioni hanno il potenziale per aiutare presto tali settori a migliorare la qualità e le prestazioni dei loro prodotti.