Quattro relazioni, dall’inquadramento accademico alle applicazioni robotiche, per indicare ai progettisti come integrare l’intelligenza artificiale nei sistemi di visione: il resoconto del convegno “L’AI nel mondo della visione artificiale: il supporto concreto per la progettazione”, promosso da AIdAM e TraceParts, del 28 ottobre.
Si è svolto mercoledì 28 ottobre, all’interno della cornice di A&T Vicenza, il convegno “L’AI nel mondo della visione artificiale: il supporto concreto per la progettazione”, promosso da AIdAM e TraceParts, con il patrocinio di AIPI. L’appuntamento ha affrontato il ruolo dell’intelligenza artificiale nei sistemi di visione, dalla simulazione in ambiente virtuale all’elaborazione dei dati a bordo macchina, fino alle applicazioni in campo robotico.
Il titolo dell’iniziativa ha indicato il taglio scelto dagli organizzatori: non una panoramica generale sull’intelligenza artificiale, ma il supporto concreto che questa tecnologia può offrire nelle diverse fasi della progettazione di un sistema di visione. Le relazioni, introdotte da un intervento accademico, hanno attraversato la simulazione e la validazione in ambiente virtuale, l’intelligenza distribuita sul bordo macchina e l’uso della visione 3D nei processi robotizzati.
Obiettivi e impostazione
Il convegno si è collocato nel quadro dell’Industria 5.0, in cui il Digital Twin non è più soltanto una rappresentazione geometrica, ma diventa uno strumento centrale per l’efficienza operativa. Secondo gli organizzatori, la disponibilità di dati tecnici certificati e di modelli 3D di alta qualità, elementi su cui si fonda l’ecosistema TraceParts, è il fattore che abilita una progettazione meccatronica di livello. La precisione del dato digitale consente di simulare con elevato realismo l’integrazione ottica all’interno degli impianti automatizzati e, insieme alle tecnologie di machine learning e deep learning, di mettere a punto sistemi di visione in grado di garantire un’inspection avanzata oppure di operare come sistema di elaborazione evoluto per il robot.
L’obiettivo dichiarato era definire un percorso condiviso tra fornitori di componenti, integratori di sistemi e partner tecnologici, mostrando come la gestione del dato debba essere pensata fin dalla fase di progettazione della soluzione. Per i progettisti, l’appuntamento ha voluto offrire indicazioni utili a rendere più efficaci le proprie soluzioni e a costruire un vantaggio competitivo tangibile e sostenibile.
La visione artificiale tra Industria 4.0 e 5.0
La prima relazione, intitolata “Progettare la macchina che vede – Visione artificiale, AI ed edge automation tra Industria 4.0 e 5.0”, è stata affidata a Silvano Asnaghi, docente di Automazione e Industria 4.0 presso UNINETTUNO e Segretario Generale di AIPI. L’intervento è partito dall’evoluzione del ruolo della visione artificiale, che non rappresenta più soltanto uno strumento di ispezione o di controllo qualità, ma un fattore abilitante dell’automazione intelligente, capace di integrare percezione, interpretazione del contesto e supporto decisionale in tempo reale.
Nel passaggio dal paradigma 4.0 ai modelli 5.0, la progettazione di macchine e impianti richiede un approccio sistemico, in cui visione, automazione, robotica, intelligenza artificiale ed edge computing convergono in architetture sempre più integrate, flessibili e orientate ai dati. Al progettista si chiede di sviluppare sistemi non solo efficaci dal punto di vista tecnico, ma anche robusti, interoperabili e sostenibili, che valorizzino il rapporto tra tecnologia e operatore.
Dal laboratorio di ottica alla simulazione
Il secondo intervento, dal titolo “Agentic Vision System Engineering – Dal laboratorio di ottica alla simulazione: gli agenti riducono settimane di engineering a poche ore”, è stato tenuto da Davide Nardelli, Managing Director di Basler Italy. Il punto di partenza è un’asimmetria: negli ultimi anni il software di visione si è spostato sul computer dell’ingegnere, con modelli linguistici e di visione che aiutano a estrarre una caratteristica o a individuare perché un parametro è sbagliato, mentre telecamera, obiettivo e illuminatore, con distanza di lavoro, angolazione e montaggio, sono rimasti in gran parte nel laboratorio di ottica, dove l’immagine deve essere generata prima di poter essere elaborata.
Nella presentazione il problema è stato quantificato. Tra circa 250 modelli di telecamera, 36 obiettivi e 19 illuminatori si contano circa 170.000 configurazioni possibili, prima ancora di considerare distanza e angolazione. Ogni iterazione richiede da giorni a settimane e un esperto riesce a testare in media circa tre setup, con il rischio che la configurazione migliore non venga mai trovata. La risposta è Basler Vision Simulation, disponibile da marzo 2026, che riproduce con modelli fisicamente accurati telecamere, ottiche e illuminatori: la telecamera simulata si comporta come quella reale in termini di risoluzione, campo visivo ed esposizione. Grazie a un adattatore GenTL, la simulazione è compatibile con lo stack software pylon, per cui il software finale risulta già integrato nel sistema.
La novità presentata riguarda le interfacce agentiche. Un agente, basato su un modello di frontiera che usa come “occhi” un grande modello di visione, comprende le esigenze, sviluppa e ottimizza il software, valuta i rendering e spiega gli errori. Attraverso il protocollo MCP, l’agente lavora con la simulazione, con l’importazione di modelli CAD e 3D, con la configurazione delle telecamere tramite l’SDK pylon e con l’elaborazione delle immagini affidata ai pylon vTools: le immagini e il tasso di lettura misurato tornano all’agente, che simula, valuta e migliora. L’intelligenza dei modelli più grandi, è stato spiegato, viene impiegata una sola volta, in fase di progettazione, mentre in esercizio restano una visione classica o un’intelligenza artificiale a basso costo. Il sistema non sostituisce un test reale, ma riduce lo spazio delle soluzioni su cui poi procedere alla verifica.
Il caso dimostrativo ha riguardato i codici Data Matrix marcati al laser su metallo, difficili da leggere per il basso contrasto dei segni su superfici speculari e per un’illuminazione che, se inadeguata, rende il codice illeggibile. All’agente si forniscono il CAD dell’ambiente, i vincoli e il tipo e la dimensione del codice; in risposta propone illuminatore, obiettivo, telecamera, posizioni e orientamenti, con la velocità di lettura misurata sulla pipeline reale di elaborazione applicata a immagini simulate. Da qui l’idea di un virtual commissioning dell’intero sistema di visione, con centinaia di configurazioni e di casi limite verificati in simulazione prima di iniziare il lavoro sul banco di prova. Secondo la presentazione, circa l’80% del percorso è già automatizzabile; l’ultima parte resta manuale, affidata alle conoscenze specialistiche.
L’intelligenza artificiale a bordo macchina
Claudio Maccarinelli, Field Application Engineer di Allied Vision Italy, è intervenuto con la relazione “AI on the edge – L’Intelligenza distribuita nella Visione Industriale”. Il punto di partenza è l’evoluzione dei sistemi di visione nel contesto dell’Industria 4.0 e oggi 5.0: da sistemi rigidi e isolati, basati su regole fisse, elaborazione su PC o controllori locali e riprogrammazione manuale, a sistemi intelligenti, distribuiti, connessi e adattivi, che usano algoritmi di deep learning su dispositivi embedded, prendono decisioni in tempo reale lungo la filiera, si integrano con MES, ERP, qualità e manutenzione e si appoggiano a modelli ri-addestrabili e generalizzabili.
Il confronto centrale ha riguardato due architetture. Nell’AI tradizionale le telecamere sono collegate a un PC con GPU: l’inferenza gira su hardware ad alte prestazioni, con grande flessibilità software e adatta ad applicazioni complesse, ma con maggiori ingombri e consumi, latenza superiore e un’architettura più centralizzata. Nell’AI on the edge l’inferenza avviene direttamente a bordo di una smart camera con GPU embedded: la latenza è bassa e il sistema compatto, scalabile e distribuito, perché ogni nodo è intelligente. Il prezzo è una potenza computazionale limitata, che rende questa soluzione ideale per modelli più leggeri e meno flessibile di un sistema basato su PC. Tra i vantaggi dell’elaborazione locale, che evita di trasferire grandi quantità di dati verso server o cloud, figurano anche l’affidabilità e la protezione dei dati da accessi esterni.
La relazione ha dedicato ampio spazio al quadro tecnico del deep learning applicato alla visione. Sono stati passati in rassegna i paradigmi di apprendimento, dal supervisionato al semi-supervisionato e al non supervisionato, fino al transfer learning, agli approcci few-shot e zero-shot e a quelli basati su prompt; le famiglie di architetture, dalle reti convoluzionali ai Vision Transformer, agli encoder-decoder, ai foundation model e ai modelli visione-linguaggio; e gli strumenti per funzione: rilevamento delle anomalie, che restituisce una heatmap e si addestra con immagini annotate in modo globale come OK o NOK, rilevamento delle caratteristiche, classificazione, segmentazione, localizzazione e lettura OCR basata su deep learning. È stato descritto anche il processo di apprendimento di una rete convoluzionale, dalla pulizia e dall’etichettatura dei dati alla data augmentation, con trasformazioni geometriche e fotometriche, fino ad addestramento, validazione a ogni epoca e test finale. In produzione, l’inferenza viene tipicamente eseguita con motori ottimizzati, come OpenVINO per le CPU e TensorRT per le GPU.
Visione 3D e robotica: due applicazioni
La quarta relazione, “La visione artificiale come mezzo che potenzia le capacità dei robot impegnati nella produzione industriale: due esempi pratici”, è stata presentata da Mattia Vincenzi, Marketing and International Sales Manager di IT+Robotics. L’azienda è nata nel 2005 come spin-off dell’Università di Padova e conta oggi oltre 25 professionisti. La sua missione è utilizzare i risultati della ricerca nella robotica autonoma per aumentare la flessibilità dei processi industriali, attraverso i sistemi di visione EyeT+ per la guida dei robot manipolatori.
La prima applicazione è il picking automatico, con la presa di oggetti sia da contenitore sia da pallet grazie all’integrazione tra visione 3D e algoritmi di calcolo delle traiettorie, che supera i limiti dei singolatori meccanici usati per caricare le linee. EyeT+ Pick Solid è il sistema di random bin-picking per prelevare pezzi da un cassone, anche pallettizzati, semi-ordinati o billette, con vantaggi indicati nell’integrazione diretta con i contenitori di movimentazione, nei cambi produzione più rapidi e nella riduzione del lavoro usurante per l’operatore. Quando il prodotto non può essere descritto da un modello CAD interviene EyeT+ Pick Flex, il sistema per la depallettizzazione di scatole, sacchi impilati e prodotti food & beverage, anche con robot mobili. In questi casi gli approcci geometrici classici non bastano e serve l’instance segmentation, che richiede un mix di visione 2D e 3D e algoritmi di machine learning. Il riconoscimento tramite AI offre un ulteriore vantaggio: gli oggetti si possono generalizzare in classi, come scatole, sacchi o contenitori in PET, invece di gestire ogni singolo codice di prodotto.
La seconda applicazione è la lavorazione adattiva, in cui il percorso utensile è generato automaticamente a partire dalla ricostruzione 3D del prodotto. Il punto di partenza è la mancanza di manodopera specializzata, richiamata nella presentazione con il rapporto annuale 2024 dell’International Institute of Welding, che definisce documentata e globale la carenza di personale qualificato nella saldatura. La robotizzazione diventa così più attraente, ma la programmazione dei robot richiede competenze specialistiche e procedure lunghe per ogni nuovo modello di prodotto. Il metodo si articola in tre passi: ricostruire forma e posizione del pezzo, generare automaticamente percorsi complessi con controllo dei parametri di processo e adattarli alla forma reale in fase di esecuzione. Le applicazioni spaziano da spruzzatura e finitura a saldatura ed erogazione. Per la finitura superficiale, EyeT+ Adapt Finishing punta a portare il tempo di configurazione di un nuovo prodotto da ore a minuti, per operazioni come rifilatura, lucidatura, molatura e sabbiatura. I percorsi possono nascere da un modello CAD con programmazione offline, dall’estrazione di caratteristiche dalla ricostruzione 3D o dal riconoscimento semantico del pezzo, soluzione, quest’ultima, che non richiede nemmeno la conoscenza del processo.
Il filo comune
Messe in fila, le quattro relazioni disegnano un percorso che parte dall’inquadramento strategico della visione artificiale nei modelli 4.0 e 5.0 e arriva al reparto produttivo, passando per il gemello digitale e per l’intelligenza che si sposta sul bordo macchina. Il filo comune è la centralità del dato, che gli organizzatori indicano come elemento da considerare fin dalle prime fasi del progetto: modello 3D da cui partire, immagine sintetica con cui addestrare e validare, informazione da elaborare vicino alla macchina, rilevazione tridimensionale che guida il gesto del robot.
