• BitMAT
  • BitMATv
  • Top Trade
  • Linea EDP
  • Itis Magazine
  • Speciale Stampanti
  • Industry 4.0
  • Sanità Digitale
  • ReStart in Green
  • Redazione
  • Contattaci
Top Trade
    Facebook Twitter Vimeo LinkedIn RSS
    Trending
    • Hellbernd sceglie Eaton per un allevamento avicolo in Spagna
    • Sarah Henkelmann-Hillebrand nominata European Market Development Manager per la formazione di Epson
    • Hybrid working: quanto rende?
    • AI e analytics Metriks nel listino di Esprinet
    • Soluzioni PON per una fibra ottica più semplice
    • TOUGHBOOK 40: lanciata la variante Military
    • Cradlepoint W1855-5GC: nuovo adapter wideband per esterni
    • ML1080 e ML1080ST: nuovi proiettori triplo laser da Optoma
    Facebook Twitter Vimeo LinkedIn RSS
    Top Trade
    • Tecnologie
    • Strategie
    • Infrastrutture
    • Sicurezza
    • Tendenze
    Top Trade
    Sei qui:Home»Featured»Integrare il deep learning nella lettura dei codici a barre: perché è importante

    Integrare il deep learning nella lettura dei codici a barre: perché è importante

    Di Redazione Top Trade29/09/2022Lettura 7 Min
    Facebook Twitter LinkedIn Reddit Telegram WhatsApp Email

    Negli ambienti di produzione tradizionali, il passaggio dalla lettura manuale dei codici a barre all’implementazione di algoritmi di deep learning rappresenta una significativa evoluzione

    Integrare il deep learning nella lettura dei codici a barre: perché è importante

    Negli ambienti di produzione tradizionali, il passaggio dalla lettura manuale dei codici a barre all’implementazione di algoritmi di deep learning rappresenta una significativa evoluzione. Ma preparare già da oggi l’azienda a prova di futuro può garantire notevoli vantaggi competitivi.

    Proprio per questo stiamo assistendo a un crescente interesse verso i benefici generati dall’uso di lettori di codici a barre unito a soluzioni di visione artificiale. Infatti, grazie all’uso congiunto di queste due tecnologie, tradizionalmente considerate agli antipodi, è possibile creare soluzioni di deep learning che offrono chiari vantaggi ed efficienza operativa.

    Gli ambienti di produzione di fascia alta possono trarre i maggiori vantaggi da queste opportunità perché le reti neurali e il deep learning sono ideali per sofisticate attività di analisi delle immagini in applicazioni industriali.

    Il deep learning può fare la differenza

    L’uso di soluzioni di visione artificiale permette di migliorare i processi della linea di produzione e di implementare strumenti di deep learning in modo efficace ed economico. Negli ultimi anni, infatti, i costi di telecamere e sensori intelligenti sono diminuiti, mentre la potenza di elaborazione e la velocità sono notevolmente cresciute.

    I vantaggi per le imprese sono immediati: efficienza operativa, maggiore produttività e miglior controllo qualità, per citarne alcuni.

    Con il deep learning, le aziende possono sfruttare una più elevata velocità di produzione grazie al monitoraggio e l’analisi ottimizzata, oltre a poter controllare da remoto le funzionalità di condivisione delle informazioni e le attività di gestione del sistema su più siti.

    I manager possono anche riassegnare gli operatori a compiti di maggior valore, riducendo così i costi e migliorando la soddisfazione dei dipendenti grazie al maggior controllo di qualità e alla velocità di produzione.

    Come funziona il deep learning

    La maggior parte degli algoritmi di deep learning sono basati su reti neurali, che permettono l’autoapprendimento e l’auto formazione. Ciò avviene attraverso analisi intelligenti e ripetute di un gran numero di campioni di immagine.

    Queste vengono catturate in ogni fase del processo di produzione, utilizzando sia scanner industriali fissi che telecamere intelligenti con visione artificiale. In genere vengono archiviate nel cloud per ovviare ai limiti di scalabilità della capacità e dei costi di archiviazione dei server locali.

    Alcune di queste immagini vengono classificate come ‘buone’, altre, invece, vengono considerate ‘non buone’ a causa di difetti che, con il tempo, il sistema imparerà a riconoscere. Quando il modello ha abbastanza dati per poter iniziare a determinare in modo indipendente la qualità dell’immagine, i risultati dell’analisi vengono rivisti e reinseriti nel sistema in un ciclo di miglioramento continuo e questo processo viene ripetuto con migliaia di immagini.

    Nel tempo, grazie al continuo addestramento e al volume di dati analizzati, il modello di deep learning è in grado di classificare le immagini in modo accurato.

    Deep learning: quali applicazioni

    Nelle applicazioni industriali, gli algoritmi di deep learning si integrano ai sistemi di acquisizione di immagini esistenti, come gli scanner fissi o le telecamere di visione artificiale.

    Le applicazioni di deep learning sono ideali per l’analisi di immagini complesse e particolarmente soggettive, come minime variazioni di colore o di superficie degli oggetti, che l’occhio umano ha difficoltà a distinguere. I prodotti in tessuto su un nastro trasportatore di produzione sono un buon esempio: poiché i tessuti hanno variazioni naturali in termini di colore e trama, diventa quasi impossibile per un operatore capire rapidamente se si tratta di un buco o una leggera variazione nella maglia. Inoltre, è un compito manuale lento e logorante.

    In questo scenario, il deep learning permette di ispezionare gli articoli ad una velocità più elevata, segnalando agli operatori eventuali difetti, in modo che possano esaminare e decidere se si tratta di un difetto o meno. Reinserire la decisione di revisione nella rete neurale aiuta a mantenere attivo l’input di apprendimento continuo – per sviluppare e migliorare ulteriormente il modello.

    I vantaggi per le aziende sono diversi, da una maggiore produttività a costi di manodopera ridotti, da una più accurata precisione alla maggiore garanzia di qualità e minori rischi aziendali.

    Tre considerazioni per un’efficienza a tutto tondo

    Nonostante il potenziale delle applicazioni di deep learning sia chiaro e convincente, molte aziende non sanno bene da dove cominciare. Per un utilizzo efficace nel settore manifatturiero vi sono tre elementi chiave da tenere in considerazione:

    1. L’archiviazione completa di tutte le immagini

    2. La definizione delle funzionalità extra delle applicazioni aziendali

    3. Gli investimenti in dispositivi multiuso

    Anche un sito di produzione con poche risorse e un limitato livello di automazione può iniziare a modificare le modalità di utilizzo della tecnologia esistente.

    Per esempio, partendo dall’utilizzo di applicazioni di Internet of Things per archiviare le immagini catturate in un ambiente cloud scalabile, sicuro ed economico, in cui ogni codice a barre letto e ogni ispezione di qualità, contribuiscono a creare la banca di immagini utile ad addestrare e testare una soluzione di deep learning.

    Successivamente si dovrebbe procedere allo sviluppo di applicazioni capaci di gestire carichi di lavoro superiori rispetto alle normali necessità, essenziale soprattutto negli ambienti di produzione moderni. Un imager standard 640×480 è ottimo per semplici letture di codici a barre, ma non per l’integrazione con una fotocamera da 2 milioni di pixel (MP) capace di aggiungere funzionalità di visione artificiale accanto alla lettura base di codici a barre. Aumentando a 2MP, 5MP e oltre le risoluzioni di tutte le telecamere all’interno dell’ambiente di produzione, si possono utilizzare le immagini ad alta risoluzione in un secondo momento in qualsiasi sistema di rete neurale.

    Infine, è utile analizzare la tecnologia in uso e prendere in considerazione aggiornamenti e investimenti che potrebbero portare efficienze operative negli anni futuri. In particolare, le aziende possono trarre evidenti vantaggi dall’implementazione di dispositivi di scansione e visione artificiale che si connettono perfettamente con l’infrastruttura IT locale e gli ambienti cloud.

    Organizzazione intelligente degli ambienti di produzione

    Decidere di investire in soluzioni di scansione avanzate e in potenti applicazioni di imaging basate sul deep learning rappresenta, per molti, la chiave per sbloccare il pieno potenziale produttivo e cogliere nuove opportunità di business.

    Zebra dispone di un portafoglio completo di dispositivi a doppia capacità, con caratteristiche, durata e affidabilità eccellenti, che aiutano le aziende a colmare le lacune operative e a migliorare l’efficienza in tutte le applicazioni di imaging.

    Note per la loro capacità di aggiornamento, le soluzioni di visione artificiale e scansione industriale fissa di Zebra sono progettate appositamente per adattarsi alle mutevoli esigenze operative delle aziende in espansione.

    Grazie alla facilità e alla convenienza del percorso di aggiornamento, non c’è bisogno di acquistare nuovi dispositivi per ottenere nuove funzionalità: basta un aggiornamento della licenza software per aggiungere la potenza della visione artificiale agli scanner industriali fissi esistenti – tutti facilmente configurabili e gestibili da remoto tramite la piattaforma software user-friendly Zebra Aurora.

    Inoltre, Zebra offre una suite di strumenti software di grafica che consentono di sviluppare complesse applicazioni di visione artificiale – comprese funzionalità di deep learning.

    Il futuro è dietro l’angolo

    La tecnologia del futuro non è così lontana. Disporre di un sistema di lettura di codici a barre di base in grado di supportare soluzioni di visione artificiale e di deep learning è un modo semplice per registrare i primi successi nell’image application fin dall’inizio.

    Per sapere in che modo la visione artificiale e le soluzioni di scansione industriale fissa possono garantire vantaggi competitivi chiave per il prossimo futuro, cliccare qui.

     

    Di Laith Marmash, Machine Vision & Fixed Industrial Scanning Lead, EMEA, Zebra Technologies

    Zebra Technologies
    Condividi: Facebook Twitter LinkedIn Reddit Telegram WhatsApp Email
    Redazione Top Trade
    • Website
    • Facebook
    • Twitter

    TopTrade è parte di BitMAT Edizioni, una casa editrice che ha sede a Milano con copertura a 360° per quanto riguarda la comunicazione rivolta agli specialisti dell'lnformation & Communication Technology.

    Correlati

    Hellbernd sceglie Eaton per un allevamento avicolo in Spagna

    22/09/2023

    Hybrid working: quanto rende?

    22/09/2023

    Soluzioni PON per una fibra ottica più semplice

    22/09/2023
    Advertisement
    Newsletter

    Iscriviti alla Newsletter per ricevere gli aggiornamenti dai portali di BitMAT Edizioni.

    BitMATv – I video di BitMAT
    Guido Pellegata: “46 anni di lavoro… senza lavorare”
    Attacco hacker? Reagire in modo efficace con IBM Security QRadar Suite
    Exor aiuta gli OEM
    SPECIALE ITG: IL MEGLIO DI SPS 2023
    Emerson: Floor to Cloud
    Più letti

    Ingram Micro va in tour con Microsoft e HP

    05/04/2012

    Focelda distribuisce i notebook Lenovo

    30/10/2012

    QNAP presenta il nuovo NAS AI-Ready

    17/04/2019

    Riello UPS è in linea con le aspettative della distribuzione

    13/01/2020

    Risposta RDX QuikStation per il backup dei dati clinici

    20/06/2018
    Chi Siamo
    Chi Siamo

    BitMAT Edizioni è una casa editrice che ha sede a Milano con una copertura a 360° per quanto riguarda la comunicazione online ed offline rivolta agli specialisti dell'lnformation & Communication Technology.

    Facebook Twitter Vimeo LinkedIn RSS
    NAVIGAZIONE
    • Tecnologie
    • Strategie
    • Infrastrutture
    • Sicurezza
    • Tendenze
    Ultime

    Hellbernd sceglie Eaton per un allevamento avicolo in Spagna

    22/09/2023

    Sarah Henkelmann-Hillebrand nominata European Market Development Manager per la formazione di Epson

    22/09/2023

    Hybrid working: quanto rende?

    22/09/2023

    AI e analytics Metriks nel listino di Esprinet

    22/09/2023
    • Contattaci
    • Cookies Policy
    • Privacy Policy
    • Redazione
    © 2012 - 2023 - BitMAT Edizioni - P.Iva 09091900960 - tutti i diritti riservati - Iscrizione al tribunale di Milano n° 295 del 28-11-2018 - Testata giornalistica iscritta al ROC

    Scrivi nel campo e premi Invio per cercare. Premi Esc per annullare