Dalla tavola rotonda dell’Italian Machine Vision Forum, che si è tenuta a Modena il 5 novembre, cinque lezioni su come l’intelligenza artificiale incontra davvero il capannone, tra ottica, dati, hardware e persone.
In fabbrica, i sistemi di visione dotati di intelligenza artificiale devono fare i conti con la luce che cambia, la polvere, le vibrazioni, i vincoli di spazio e un budget che qualcuno, a fine trimestre, andrà a controllare.
Lo ha mostrato con chiarezza la tavola rotonda “Beyond the pixel: machine vision nell’era dell’IA”, andata in scena il 5 novembre 2026 al Tecnopolo Unimore di Modena nell’ambito dell’Italian Machine Vision Forum, organizzato da Messe Frankfurt Italia e promosso da ANIE Automazione. Sotto la moderazione di Simone Calderara, professore ordinario del Dipartimento di Ingegneria “Enzo Ferrari” dell’Università di Modena e Reggio Emilia, si sono confrontati Andrea Dell’Acqua (Basler Italy), Lorenzo Mariani (Baumer Italia), Enricomaria Pavan (Beckhoff Automation), Marco Diani (iMAGE S), Nicola Lo Russo (VISION) e Luca Anesa (Visionlink). Ne sono emerse cinque “lezioni”, forse più controintuitive di quanto ci si aspetterebbe.
L’AI non salva un’immagine pessima
Nel manifatturiero si cede spesso all’illusione che una rete neurale sofisticata possa compensare un’acquisizione approssimativa. Lorenzo Mariani, Product Manager di Baumer Italia, ha portato la discussione su un principio che vale tanto per gli algoritmi classici quanto per il deep learning: “garbage in, garbage out”.
Per spiegarlo ha costruito una metafora: un automobilista che guida di notte nella nebbia fitta. L’algoritmo è il cervello del guidatore, il sistema di acquisizione ottica, con illuminatore e sensore, è il suo occhio. Se l’occhio non coglie la strada per mancanza di contrasto e per un’illuminazione sbagliata, il cervello non eviterà l’impatto, qualunque sia il suo quoziente intellettivo. “Se la fonte dei dati non è buona ovviamente il risultato finale sarà ‘garbage’, quindi spazzatura, amplificata”, ha sintetizzato Mariani.
Nonostante i progressi dei modelli software, una corretta illuminazione per far emergere i contrasti, un’ottica e un sensore commisurati alle necessità e ai vincoli dell’applicazione restano prerequisiti ingegneristici irrinunciabili. Senza un dato fisico di partenza pulito, nemmeno il modello più sofisticato ha qualcosa di buono da elaborare.
Nessun modello può sostituire la professionalità
Nelle applicazioni generiche di computer vision, come quelle nate in ambito automotive e trasporti, gli algoritmi lavorano su scene aperte e accettano un’ampia variabilità. Nell’industria il compito è più circoscritto: il setup di acquisizione è progettato per mettere in evidenza solo certi aspetti dell’immagine, e l’obiettivo è individuare anomalie e difetti specifici.
Luca Anesa, Area Sales Manager di Visionlink, ha riconosciuto che il deep learning concede allo sviluppatore più margine di manovra, grazie ad algoritmi capaci di assorbire piccole tolleranze visive. Ma quando l’ispezione impone di cercare, come dice lui, “il pelo nell’uovo”, cioè la minima anomalia geometrica o superficiale, la tolleranza del software non basta. Resta decisivo l’operatore: l’empirismo e l’esperienza maturati sul campo, quel patrimonio di affinamenti pratici che negli Stati Uniti prende il nome di circus tricks. Sono soluzioni non scritte, talvolta poco accademiche, ma indispensabili per far sì che il setup ottico catturi l’informazione giusta prima che l’algoritmo cominci a elaborarla.
“È vero che l’intelligenza artificiale nel machine vision sta dando un po’ più di respiro, però sono ancora fondamentali la professionalità e l’artigianalità”, ha osservato Anesa.
Gemelli digitali e dati sintetici: la fabbrica prima della fabbrica
Allestire un banco di prova ottico richiede tempo, tentativi empirici e settimane di attesa per un illuminatore particolare. La risposta per velocizzare il tutto è il fast prototyping basato sul digital twin dell’ambiente di ispezione.
Andrea Dell’Acqua, Senior Computer Vision Expert di Basler Italy, ha illustrato Basler Vision Simulation, soluzione che permette di modellare via software un’intera scena industriale. Grazie a motori di rendering basati sul raytracing ad altissima fedeltà fisica, come NVIDIA Omniverse, il sistema riproduce la geometria ottica e la risposta fisica del sensore, rumore compreso, la profondità di campo in funzione dell’apertura del diaframma, gli schemi di illuminazione e la resa dei materiali, dalle superfici metalliche riflettenti ai difetti più complessi, fino all’integrazione dei file CAD di oggetti e nastri trasportatori.
Il primo vantaggio è la rapidità: si vedono subito le immagini che produrrebbe una certa combinazione di camera, ottica e illuminatore, e si arriva in fretta a uno o due candidati, senza aspettare l’arrivo di un componente per scoprire che l’idea era un fallimento. Il secondo riguarda i dati sintetici: le immagini generate escono già etichettate e possono servire a bilanciare un dataset quando un difetto critico compare in linea una volta ogni tre anni. Con un’avvertenza dello stesso Dell’Acqua: generare difetti davvero credibili non è garantito, ma in tanti casi si può fare.
Il sistema integra inoltre flussi di lavoro agentici tramite il Model Context Protocol (MCP): un agente IA può posizionare camera, illuminatore e nastro trasportatore, vedere l’immagine che ne risulta e correggere la scena in autonomia. Poiché il simulatore appare al pylon Viewer di Basler come una telecamera qualsiasi, l’agente può lavorare anche nel Workbench, il pannello in cui si assembla l’algoritmo a blocchi, e ha così in mano entrambi i capi della pipeline, dall’immagine all’algoritmo. Non per ottenere un’immagine esteticamente gradevole, ma la più efficace per l’algoritmo.
Quando il laboratorio non parla la lingua della linea
Molti progetti superano brillantemente la fase di Proof of Concept (POC) per poi arenarsi al momento dell’integrazione in produzione. Per Enricomaria Pavan, Product Specialist Vision di Beckhoff Automation, il motivo è un disallineamento di fondo: la fattibilità di laboratorio non coincide con le metriche industriali.
Le barriere sono tre. La prima è l’hardware: portarvi i sistemi che servono per l’elaborazione, GPU comprese, non è sempre fattibile oppure fa salire i costi, un fattore con cui in industria bisogna sempre fare i conti. La seconda è il non-determinismo: in un processo industriale le reti neurali non offrono tempi di risposta certi, per quanto rapidi, e questo le rende difficili da integrare; ottenere risposte più veloci con hardware più potente significa però alzare ancora i costi, ed è sempre un gioco di equilibrio. La terza è l’acquisizione: ciò che si ottiene in laboratorio in termini di illuminazione e immagini non è detto che si possa replicare in fabbrica.
Per uscire dalla trappola, Pavan indica l’efficacia degli approcci ibridi: usare l’intelligenza artificiale offline, in fase di progetto, per generare algoritmi classici, non neurali. La potenza di calcolo resta così fuori dalla fabbrica, e sul campo gira un codice classico, più prevedibile nei tempi e meno costoso da eseguire. Un’idea che ha anche un risvolto generazionale: i neolaureati conoscono poco la computer vision di una volta, dai descrittori come SIFT in giù, perché si insegna ma si applica raramente.
Governance e fattore umano
Parlare di governance nei sistemi di visione significa guardare oltre l’architettura tecnica. Per Nicola Lo Russo, Managing Director di VISION, vuol dire stabilire chi decide, su quali evidenze e chi risponde delle informazioni usate nel processo di visione; e poi la data security, la cybersecurity contro i data breach, la sicurezza dei lavoratori e la tracciabilità della qualità del prodotto fino al cliente finale. “La migliore tecnologia è quella che permette alle persone di essere più capaci e non più dipendenti”, ha affermato Lo Russo.
L’adozione dell’IA sta ridisegnando l’organigramma aziendale: da piramide a diamante, con la base che si assottiglia e la parte centrale che si allarga. Automatizzando le attività operative di base nasce però un paradosso formativo: sfuma l’affiancamento che permetteva ai profili junior di maturare l’esperienza necessaria per diventare senior. Ne deriva un attrito culturale tra la conoscenza empirica e analogica dei tecnici veterani e il mindset dei nativi digitali.
Inoltre, la governance deve misurarsi con il pragmatismo dell’impianto. Lo Russo lo sa bene: si parla di futuro, ma capita di arrivare da un’azienda che fattura centinaia di milioni e non ha una rete nel capannone.
Ibridazione e centralità umana
Da Modena esce un’idea chiara: l’intelligenza artificiale non soppianterà i principi dell’ottica fisica né la sensibilità dell’operatore umano.
A Marco Diani, CEO di iMAGE S, è toccato guardare più lontano, ma lo ha fatto guardando indietro. L’intelligenza artificiale, ha ricordato, non nasce oggi: i primi studi formali risalgono agli anni Quaranta e a finanziarli furono soprattutto i militari. Da qui la sua idea per la machine vision: non una sostituzione, ma “un’integrazione di queste due tecnologie”, il deep learning e quelle tradizionali che hanno ottant’anni di storia. Si scriverà meno codice, perché l’IA aiuta a scriverlo e i programmi in C e C++ saranno sempre più affiancati da strumenti di più alto livello, ma i sistemi automatici, ha sottolineato, devono aiutare e non sostituire.
Davanti a sistemi capaci di autoconfigurarsi e di generare codice a ritmi serrati, il punto fermo resta la comprensione del processo. In una manifattura sempre più simulata e guidata dai dati, la domanda da porci è: sapremo usare l’intelligenza artificiale per potenziare l’ingegno e l’artigianalità umana, senza ridurci a spettatori dipendenti dalle nostre stesse macchine?
