Segmentazione e Deep Learning: Un'Applicazione Industriale di Visione Artificiale

Counting products in production lines represents a complex challenge in industrial settings, especially in cases of poor distinguishability or high-speed conveyor belts. Current solutions rely mainly on non-neural computer vision, the inaccuracy of which leads to underestimation and, consequently, economic losses to the company. To create a system capable of handling ambiguous cases, Deep Learning was employed to train a detection model by developing two models, one based on a proprietary commercial solution and one on an open source framework. An analysis of the results revealed the differences in the methods by showing how the optimal solution may vary depending on the importance placed on processing speed. Although both methods are effective, the model based on Yolov8 provides a generally more accurate count than the previous methods at the cost of speed. In the analysed settings, the open-source technique proved to be the optimal solution as the lower processing speed does not constitute an obstacle for practical use. This result shows the effectiveness of open-source techniques even in complex industrial settings.

Il conteggio dei prodotti nelle linee di produzione rappresenta una sfida complessa nell'ambito industriale, soprattutto in caso di scarsa distinguibilità o di nastri trasportatori ad alta velocità. Le soluzioni attuali si basano principalmente sulla visione artificiale non neurale, la cui inaccuratezza porta a sottostime e, di conseguenza, a una perdita per l'impresa. Per creare un sistema in grado di gestire casi ambigui, è stato impiegato il Deep Learning per l'addestramento di un modello di rilevamento sviluppando due modelli, uno basato su una soluzione commerciale proprietaria e uno su un framework open source. L'analisi dei risultati ha messo in luce le differenze dei metodi mostrando come la soluzione ottimale possa variare in base all'importanza attribuita alla velocità di elaborazione. Sebbene entrambi i metodi siano efficaci, il modello basato su Yolov8 garantisce un conteggio generalmente più accurato rispetto ai metodi precedenti al costo della velocità. Nella situazione studiata, la soluzione ottimale si è rivelata la tecnica open-source in quanto la velocità inferiore di analisi non rappresenta un ostacolo per un impiego pratico. Questo risultato mostra l'efficacia di tecniche open source anche in contesti industriali complessi.