Il titolo dell\u2019iniziativa ha indicato il taglio scelto dagli organizzatori: non una panoramica generale sull\u2019intelligenza artificiale, ma il supporto concreto che questa tecnologia pu\u00f2 offrire nelle diverse fasi della progettazione di un sistema di visione<\/strong>. Le relazioni, introdotte da un intervento accademico, hanno attraversato la simulazione e la validazione in ambiente virtuale, l\u2019intelligenza distribuita sul bordo macchina e l\u2019uso della visione 3D nei processi robotizzati.<\/p>\n\n\n\n Il convegno si \u00e8 collocato nel quadro dell\u2019Industria 5.0<\/strong>, in cui il Digital Twin <\/strong>non \u00e8 pi\u00f9 soltanto una rappresentazione geometrica, ma diventa uno strumento centrale per l\u2019efficienza operativa. Secondo gli organizzatori, la disponibilit\u00e0 di dati tecnici certificati e di modelli 3D di alta qualit\u00e0, elementi su cui si fonda l\u2019ecosistema TraceParts, \u00e8 il fattore che abilita una progettazione meccatronica di livello. La precisione del dato digitale consente di simulare con elevato realismo l\u2019integrazione ottica all\u2019interno degli impianti automatizzati<\/strong> e, insieme alle tecnologie di machine learning e deep learning, di mettere a punto sistemi di visione in grado di garantire un\u2019inspection avanzata oppure di operare come sistema di elaborazione evoluto per il robot.<\/p>\n\n\n\n L\u2019obiettivo dichiarato era definire un percorso condiviso tra fornitori di componenti, integratori di sistemi e partner tecnologici<\/strong>, mostrando come la gestione del dato debba essere pensata fin dalla fase di progettazione della soluzione. Per i progettisti, l\u2019appuntamento ha voluto offrire indicazioni utili a rendere pi\u00f9 efficaci le proprie soluzioni e a costruire un vantaggio competitivo tangibile e sostenibile.<\/p>\n\n\n\n La prima relazione, intitolata “Progettare la macchina che vede – Visione artificiale, AI ed edge automation tra Industria 4.0 e 5.0”<\/strong>, \u00e8 stata affidata a Silvano Asnaghi<\/strong>, docente di Automazione e Industria 4.0 presso UNINETTUNO e Segretario Generale di AIPI. L\u2019intervento \u00e8 partito dall\u2019evoluzione del ruolo della visione artificiale, che non rappresenta pi\u00f9 soltanto uno strumento di ispezione o di controllo qualit\u00e0, ma un fattore abilitante dell\u2019automazione intelligente, capace di integrare percezione, interpretazione del contesto e supporto decisionale in tempo reale.<\/p>\n\n\n\n Nel passaggio dal paradigma 4.0 ai modelli 5.0, la progettazione di macchine e impianti richiede un approccio sistemico<\/strong>, in cui visione, automazione, robotica, intelligenza artificiale ed edge computing convergono in architetture sempre pi\u00f9 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. <\/p>\n\n\n\n Il secondo intervento, dal titolo “Agentic Vision System Engineering – Dal laboratorio di ottica alla simulazione: gli agenti riducono settimane di engineering a poche ore”, \u00e8 stato tenuto da Davide Nardelli<\/strong>, Managing Director di Basler Italy<\/strong>. Il punto di partenza \u00e8 un\u2019asimmetria: negli ultimi anni il software di visione si \u00e8 spostato sul computer dell\u2019ingegnere, con modelli linguistici e di visione che aiutano a estrarre una caratteristica o a individuare perch\u00e9 un parametro \u00e8 sbagliato, mentre telecamera, obiettivo e illuminatore, con distanza di lavoro, angolazione e montaggio, sono rimasti in gran parte nel laboratorio di ottica, dove l\u2019immagine deve essere generata prima di poter essere elaborata.<\/p>\n\n\n\n Nella presentazione il problema \u00e8 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 \u00e8 Basler Vision Simulation<\/strong>, 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<\/strong>, la simulazione \u00e8 compatibile con lo stack software pylon, per cui il software finale risulta gi\u00e0 integrato nel sistema.<\/p>\n\n\n\n La novit\u00e0 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<\/strong>, l\u2019agente lavora con la simulazione, con l\u2019importazione di modelli CAD e 3D, con la configurazione delle telecamere tramite l\u2019SDK pylon<\/strong> e con l\u2019elaborazione delle immagini affidata ai pylon vTools<\/strong>: le immagini e il tasso di lettura misurato tornano all\u2019agente, che simula, valuta e migliora. L\u2019intelligenza dei modelli pi\u00f9 grandi, \u00e8 stato spiegato, viene impiegata una sola volta, in fase di progettazione, mentre in esercizio restano una visione classica o un\u2019intelligenza artificiale a basso costo. Il sistema non sostituisce un test reale, ma riduce lo spazio delle soluzioni su cui poi procedere alla verifica.<\/p>\n\n\n\n Il caso dimostrativo ha riguardato i codici Data Matrix<\/strong> marcati al laser su metallo, difficili da leggere per il basso contrasto dei segni su superfici speculari e per un\u2019illuminazione che, se inadeguata, rende il codice illeggibile. All\u2019agente si forniscono il CAD dell\u2019ambiente, i vincoli e il tipo e la dimensione del codice; in risposta propone illuminatore, obiettivo, telecamera, posizioni e orientamenti, con la velocit\u00e0 di lettura misurata sulla pipeline reale di elaborazione applicata a immagini simulate. Da qui l\u2019idea di un virtual commissioning dell\u2019intero sistema di visione<\/strong>, 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\u201980% del percorso \u00e8 gi\u00e0 automatizzabile; l\u2019ultima parte resta manuale, affidata alle conoscenze specialistiche. <\/p>\n\n\n\n Claudio Maccarinelli<\/strong>, Field Application Engineer di Allied Vision Italy<\/strong>, \u00e8 intervenuto con la relazione “AI on the edge – L\u2019Intelligenza distribuita nella Visione Industriale”. Il punto di partenza \u00e8 l\u2019evoluzione dei sistemi di visione nel contesto dell\u2019Industria 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<\/strong>, prendono decisioni in tempo reale lungo la filiera, si integrano con MES, ERP, qualit\u00e0 e manutenzione e si appoggiano a modelli ri-addestrabili e generalizzabili.<\/p>\n\n\n\n Il confronto centrale ha riguardato due architetture. Nell\u2019AI tradizionale le telecamere sono collegate a un PC con GPU: l\u2019inferenza gira su hardware ad alte prestazioni, con grande flessibilit\u00e0 software e adatta ad applicazioni complesse, ma con maggiori ingombri e consumi, latenza superiore e un\u2019architettura pi\u00f9 centralizzata. Nell\u2019AI on the edge<\/strong> l\u2019inferenza avviene direttamente a bordo di una smart camera con GPU embedded: la latenza \u00e8 bassa e il sistema compatto, scalabile e distribuito, perch\u00e9 ogni nodo \u00e8 intelligente. Il prezzo \u00e8 una potenza computazionale limitata, che rende questa soluzione ideale per modelli pi\u00f9 leggeri e meno flessibile di un sistema basato su PC. Tra i vantaggi dell\u2019elaborazione locale<\/strong>, che evita di trasferire grandi quantit\u00e0 di dati verso server o cloud, figurano anche l\u2019affidabilit\u00e0 e la protezione dei dati da accessi esterni.<\/p>\n\n\n\n La relazione ha dedicato ampio spazio al quadro tecnico del deep learning applicato alla visione<\/strong>. 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. \u00c8 stato descritto anche il processo di apprendimento di una rete convoluzionale, dalla pulizia e dall\u2019etichettatura dei dati alla data augmentation, con trasformazioni geometriche e fotometriche, fino ad addestramento, validazione a ogni epoca e test finale. In produzione, l\u2019inferenza viene tipicamente eseguita con motori ottimizzati, come OpenVINO per le CPU e TensorRT per le GPU.<\/p>\n\n\n\n La quarta relazione, “La visione artificiale come mezzo che potenzia le capacit\u00e0 dei robot impegnati nella produzione industriale: due esempi pratici”, \u00e8 stata presentata da Mattia Vincenzi<\/strong>, Marketing and International Sales Manager di IT+Robotics<\/strong>. L\u2019azienda \u00e8 nata nel 2005 come spin-off dell\u2019Universit\u00e0 di Padova e conta oggi oltre 25 professionisti. La sua missione \u00e8 utilizzare i risultati della ricerca nella robotica autonoma per aumentare la flessibilit\u00e0 dei processi industriali, attraverso i sistemi di visione EyeT+<\/strong> per la guida dei robot manipolatori.<\/p>\n\n\n\n La prima applicazione \u00e8 il picking automatico<\/strong>, con la presa di oggetti sia da contenitore sia da pallet grazie all\u2019integrazione tra visione 3D e algoritmi di calcolo delle traiettorie, che supera i limiti dei singolatori meccanici usati per caricare le linee. EyeT+ Pick Solid <\/strong>\u00e8 il sistema di random bin-picking per prelevare pezzi da un cassone, anche pallettizzati, semi-ordinati o billette, con vantaggi indicati nell\u2019integrazione diretta con i contenitori di movimentazione, nei cambi produzione pi\u00f9 rapidi e nella riduzione del lavoro usurante per l\u2019operatore. Quando il prodotto non pu\u00f2 essere descritto da un modello CAD interviene EyeT+ Pick Flex<\/strong>, 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\u2019instance 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.<\/p>\n\n\n\n La seconda applicazione \u00e8 la lavorazione adattiva<\/strong>, in cui il percorso utensile \u00e8 generato automaticamente a partire dalla ricostruzione 3D del prodotto. Il punto di partenza \u00e8 la mancanza di manodopera specializzata, richiamata nella presentazione con il rapporto annuale 2024 dell\u2019International Institute of Welding, che definisce documentata e globale la carenza di personale qualificato nella saldatura. La robotizzazione diventa cos\u00ec pi\u00f9 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<\/strong> 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\u2019estrazione di caratteristiche dalla ricostruzione 3D o dal riconoscimento semantico del pezzo, soluzione, quest\u2019ultima, che non richiede nemmeno la conoscenza del processo.<\/p>\n\n\n\n Messe in fila, le quattro relazioni disegnano un percorso che parte dall\u2019inquadramento strategico della visione artificiale nei modelli 4.0 e 5.0 e arriva al reparto produttivo, passando per il gemello digitale e per l\u2019intelligenza che si sposta sul bordo macchina. Il filo comune \u00e8 la centralit\u00e0 del dato<\/strong>, 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.<\/p>\n\n\n\n <\/p>\n","protected":false},"excerpt":{"rendered":" Quattro relazioni, dall\u2019inquadramento accademico alle applicazioni robotiche, per indicare ai progettisti come integrare l\u2019intelligenza artificiale nei sistemi di visione: il resoconto del convegno “L\u2019AI nel mondo della visione artificiale: il supporto concreto per la progettazione”, promosso da AIdAM e TraceParts, del 28 ottobre.<\/p>\n","protected":false},"author":6,"featured_media":17081,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":"","_seopublitec_title":"Quando la macchina vede, capisce e decide","_seopublitec_meta_desc":"Quattro relazioni, dall\u2019inquadramento accademico alle applicazioni robotiche, per indicare ai progettisti come integrare l\u2019intelligenza artificiale nei sistemi di visione: il resoconto del convegno \"L\u2019AI nel mondo della visione artificiale: il supporto concreto per la progettazione\", promosso da AIdAM e TraceParts, del 28 ottobre.","_seopublitec_keyphrases":"AIdAM","_seopublitec_canonical":"","_seopublitec_noindex":false,"_seopublitec_nofollow":false,"_seopublitec_og_title":"","_seopublitec_og_desc":"","_seopublitec_twitter_title":"","_seopublitec_twitter_desc":"","_seopublitec_twitter_image":"","_seopublitec_og_image":"","_seopublitec_twitter_card":"summary_large_image","_seopublitec_cornerstone":false,"_seopublitec_score":"{\"overall\":\"ok\",\"keyphrases\":{\"AIdAM\":\"ok\"},\"readability\":\"ok\"}"},"categories":[74],"tags":[166,8304,4471,4110,8301],"class_list":["post-17065","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-aidam","tag-aidam","tag-allied-vision","tag-basler","tag-itrobotics","tag-traceparts"],"openstation_lock":null,"openstation_contributors":[],"openstation_attached_media":[17081,17082],"_links":{"self":[{"href":"https:\/\/www.publiteconline.it\/assemblaggio\/wp-json\/wp\/v2\/posts\/17065","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.publiteconline.it\/assemblaggio\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.publiteconline.it\/assemblaggio\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.publiteconline.it\/assemblaggio\/wp-json\/wp\/v2\/users\/6"}],"replies":[{"embeddable":true,"href":"https:\/\/www.publiteconline.it\/assemblaggio\/wp-json\/wp\/v2\/comments?post=17065"}],"version-history":[{"count":3,"href":"https:\/\/www.publiteconline.it\/assemblaggio\/wp-json\/wp\/v2\/posts\/17065\/revisions"}],"predecessor-version":[{"id":17083,"href":"https:\/\/www.publiteconline.it\/assemblaggio\/wp-json\/wp\/v2\/posts\/17065\/revisions\/17083"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.publiteconline.it\/assemblaggio\/wp-json\/wp\/v2\/media\/17081"}],"wp:attachment":[{"href":"https:\/\/www.publiteconline.it\/assemblaggio\/wp-json\/wp\/v2\/media?parent=17065"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.publiteconline.it\/assemblaggio\/wp-json\/wp\/v2\/categories?post=17065"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.publiteconline.it\/assemblaggio\/wp-json\/wp\/v2\/tags?post=17065"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}Obiettivi e impostazione<\/h3>\n\n\n\n
La visione artificiale tra Industria 4.0 e 5.0<\/h3>\n\n\n\n
Dal laboratorio di ottica alla simulazione<\/h3>\n\n\n
![\"Si](\"https:\/\/www.publiteconline.it\/assemblaggio\/wp-content\/uploads\/2026\/11\/storage_emulated_0_Android_data_com.miui_.gallery_cache_SecurityShare_1793348674870-800x600.jpg\")
L\u2019intelligenza artificiale a bordo macchina<\/h3>\n\n\n\n
Visione 3D e robotica: due applicazioni<\/h3>\n\n\n\n
Il filo comune<\/h3>\n\n\n\n