SPECIALE SISTEMI DI VISIONE
LA TECNOLOGIA
INDUSTRIA
Architettura di una rete neurale convoluzionale (CNN)
per problemi di classificazione di immagini. Iniziando
da sinistra, l’immagine viene processata da una serie
di strati in cascata che, partendo dai singoli pixels,
estraggono le informazioni utili ad assegnare una
label che descrive cosa è presente nella scena
Il Centro PIC4SeR
di Torino
Al Politecnico di Torino, il Centro PIC-
4SeR - PoliTO Interdepartmental Centre
for Service Robotics (www.pic4ser.poli-
to.it) sviluppa ricerche sulla robotica di
servizio per applicazioni nell’agricoltura
di precisione, nelle smart city, nella ge-
stione delle emergenze, nell’assistenza
alle persone e nel monitoraggio del pa-
trimonio culturale. Tra i progetti in corso
c’è lo sviluppo di una piattaforma robo-
tica mobile terra-aria per operazioni di
mappatura, monitoraggio e gestione
delle coltivazioni (in particolare vigneti)
attraverso sistemi di visione.
blematiche. Lunghi processi di calibrazione ed
esperienza del programmatore ricoprivano un
ruolo fondamentale per la buona riuscita di un
sistema. Generalmente, restringendo il com-
pito dell’algoritmo al caso specifico dell’appli-
cazione, si potevano avere risultati soddisfa-
centi, ma molto lontani dalle nostre capacità
visive e di comprensione delle immagini. Que-
sta tendenza ha subito nell’ultimo decennio
un brusco cambiamento; apprendimento au-
tomatico (machine learning) e algoritmi basa-
ti su reti neurali (deep learning) stanno dimo-
strando capacità di risoluzione dei problemi e
di generalizzazione senza precedenti. Infatti, la
capacità di apprendere da esempi (supervised
learning) o con prove ed errori (reinforcement
learning) permette alle macchine di elaborare
una soluzione molto più efficace per risolvere
il problema richiesto. In particolare, nell’ultimo
decennio si è vista un’impennata vertiginosa
nell’interesse e nella ricerca sulle reti neurali
(neural networks). Questo tipo di algoritmi si
basa su modelli matematici ispirati alla bio-
logia del nostro sistema nervoso, già teoriz-
zati durante il secolo scorso ma rimasti quasi
abbandonati per decenni a causa dell’enorme
capacità di calcolo necessaria per la fase di
apprendimento. Il continuo miglioramento dei
sistemi elettronici ha dato nuova linfa a questo
campo di ricerca a partire dai primi anni 2000,
permettendo per la prima volta di utilizzare
modelli complessi, allenati su milioni di dati dif-
ferenti. Recentemente, inoltre, sono state pre-
sentate diverse soluzioni per l’accelerazione del
calcolo (hardware acceleration), permettendo
di sfruttare processori grafici (GPU) o altri chip
| Industria 4.0 | Tecnologie Innovative | Automazione |
progettati ad hoc come VPU (Intel) e TPU (Goo-
gle) per eseguire la maggior parte dei calcoli du-
rante la fase di apprendimento. Queste nuove
tecnologie, sempre in continuo sviluppo, hanno
dato vita all’Edge Computing, un paradigma che
permette l’esecuzione di applicazioni compu-
tazionalmente molto pesanti là dove servono,
senza avere la necessità di migrare i dati su ser-
ver distanti, sfruttando piattaforme hardware
con dimensioni, consumi e prezzo limitati. Con
l’enorme sviluppo di questo nuovo approccio alla
Computer Vision, i dati assumono un ruolo pre-
dominante e un importante valore commerciale
intrinseco. Alla luce di questo, aziende di tutti i
settori dovrebbero iniziare a riorganizzare i loro
sistemi di monitoraggio e acquisizione dati in
modo da sfruttare e mettere in risalto questa
nuova e importante risorsa.
www.thenextfactory.it
27