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, andr\u00e0 a controllare.<\/p>\n\n\n\n
Lo ha mostrato con chiarezza la tavola rotonda \u201cBeyond the pixel: machine vision nell\u2019era dell\u2019IA\u201d<\/strong>, andata in scena il 5 novembre 2026 al Tecnopolo Unimore di Modena nell\u2019ambito dell\u2019Italian Machine Vision Forum<\/a><\/strong>, organizzato da Messe Frankfurt Italia <\/a>e promosso da ANIE Automazione. Sotto la moderazione di Simone Calderara<\/strong>, professore ordinario del Dipartimento di Ingegneria \u201cEnzo Ferrari\u201d dell\u2019Universit\u00e0 di Modena e Reggio Emilia, si sono confrontati Andrea Dell\u2019Acqua<\/strong> (Basler Italy), Lorenzo Mariani<\/strong> (Baumer Italia), Enricomaria Pavan<\/strong> (Beckhoff Automation), Marco Diani<\/strong> (iMAGE S), Nicola Lo Russo<\/strong> (VISION) e Luca Anesa<\/strong> (Visionlink). Ne sono emerse cinque \u201clezioni\u201d, forse pi\u00f9 controintuitive di quanto ci si aspetterebbe.<\/p>\n\n\n\n Nel manifatturiero si cede spesso all\u2019illusione che una rete neurale sofisticata possa compensare un\u2019acquisizione 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: \u201cgarbage in, garbage out\u201d<\/strong>.<\/p>\n\n\n\n Per spiegarlo ha costruito una metafora: un automobilista che guida di notte nella nebbia fitta. L\u2019algoritmo \u00e8 il cervello del guidatore, il sistema di acquisizione ottica, con illuminatore e sensore, \u00e8 il suo occhio. Se l\u2019occhio non coglie la strada per mancanza di contrasto e per un\u2019illuminazione sbagliata, il cervello non eviter\u00e0 l\u2019impatto, qualunque sia il suo quoziente intellettivo. \u201cSe la fonte dei dati non \u00e8 buona <\/strong>ovviamente il risultato finale sar\u00e0 \u2018garbage\u2019, quindi spazzatura, amplificata\u201d, ha sintetizzato Mariani.<\/p>\n\n\n\n Nonostante i progressi dei modelli software, una corretta illuminazione<\/strong> per far emergere i contrasti, un\u2019ottica e un sensore commisurati alle necessit\u00e0 e ai vincoli dell\u2019applicazione restano prerequisiti ingegneristici irrinunciabili. Senza un dato fisico di partenza pulito, nemmeno il modello pi\u00f9 sofisticato ha qualcosa di buono da elaborare.<\/p>\n\n\n\n Nelle applicazioni generiche di computer vision, come quelle nate in ambito automotive e trasporti, gli algoritmi lavorano su scene aperte e accettano un\u2019ampia variabilit\u00e0. Nell\u2019industria il compito \u00e8 pi\u00f9 circoscritto: il setup di acquisizione \u00e8 progettato per mettere in evidenza solo certi aspetti dell\u2019immagine, e l\u2019obiettivo \u00e8 individuare anomalie e difetti specifici<\/strong>.<\/p>\n\n\n\n Luca Anesa, Area Sales Manager di Visionlink, ha riconosciuto che il deep learning concede allo sviluppatore pi\u00f9 margine di manovra, grazie ad algoritmi capaci di assorbire piccole tolleranze visive<\/strong>. Ma quando l\u2019ispezione impone di cercare, come dice lui, \u201cil pelo nell\u2019uovo\u201d, cio\u00e8 la minima anomalia geometrica o superficiale, la tolleranza del software non basta. Resta decisivo l\u2019operatore<\/strong>: l\u2019empirismo e l\u2019esperienza maturati sul campo, quel patrimonio di affinamenti pratici che negli Stati Uniti prende il nome di circus tricks<\/em>. Sono soluzioni non scritte, talvolta poco accademiche, ma indispensabili per far s\u00ec che il setup ottico catturi l\u2019informazione giusta prima che l\u2019algoritmo cominci a elaborarla.<\/p>\n\n\n\n \u201c\u00c8 vero che l\u2019intelligenza artificiale nel machine vision sta dando un po\u2019 pi\u00f9 di respiro, per\u00f2 sono ancora fondamentali la professionalit\u00e0 <\/strong>e l\u2019artigianalit\u00e0<\/strong>\u201d, ha osservato Anesa.<\/p>\n\n\n\n Allestire un banco di prova ottico richiede tempo, tentativi empirici e settimane di attesa per un illuminatore particolare. La risposta per velocizzare il tutto \u00e8 il fast prototyping basato sul digital twin dell\u2019ambiente di ispezione<\/strong>.<\/p>\n\n\n\n Andrea Dell\u2019Acqua, Senior Computer Vision Expert di Basler Italy, ha illustrato Basler Vision Simulation, soluzione che permette di modellare via software un\u2019intera scena industriale. Grazie a motori di rendering basati sul raytracing ad altissima fedelt\u00e0 fisica, come NVIDIA Omniverse, il sistema riproduce la geometria ottica <\/strong>e la risposta fisica del sensore<\/strong>, rumore compreso, la profondit\u00e0 di campo in funzione dell\u2019apertura del diaframma, gli schemi di illuminazione e la resa dei materiali, dalle superfici metalliche riflettenti ai difetti pi\u00f9 complessi, fino all\u2019integrazione dei file CAD di oggetti e nastri trasportatori.<\/p>\n\n\n\n Il primo vantaggio \u00e8 la rapidit\u00e0<\/strong>: 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\u2019arrivo di un componente per scoprire che l\u2019idea era un fallimento. Il secondo riguarda i dati sintetici<\/strong>: le immagini generate escono gi\u00e0 etichettate e possono servire a bilanciare un dataset quando un difetto critico compare in linea una volta ogni tre anni. Con un\u2019avvertenza dello stesso Dell\u2019Acqua: generare difetti davvero credibili non \u00e8 garantito, ma in tanti casi si pu\u00f2 fare.<\/p>\n\n\n\n Il sistema integra inoltre flussi di lavoro agentici <\/strong>tramite il Model Context Protocol (MCP): un agente IA pu\u00f2 posizionare camera, illuminatore e nastro trasportatore, vedere l\u2019immagine che ne risulta e correggere la scena in autonomia. Poich\u00e9 il simulatore appare al pylon Viewer di Basler come una telecamera qualsiasi, l\u2019agente pu\u00f2 lavorare anche nel Workbench, il pannello in cui si assembla l\u2019algoritmo a blocchi, e ha cos\u00ec in mano entrambi i capi della pipeline, dall\u2019immagine all\u2019algoritmo. Non per ottenere un\u2019immagine esteticamente gradevole, ma la pi\u00f9 efficace per l\u2019algoritmo<\/strong>.<\/p>\n\n\n\n Molti progetti superano brillantemente la fase di Proof of Concept (POC) per poi arenarsi al momento dell\u2019integrazione in produzione. Per Enricomaria Pavan, Product Specialist Vision di Beckhoff Automation, il motivo \u00e8 un disallineamento di fondo: la fattibilit\u00e0 di laboratorio non coincide con le metriche industriali<\/strong>.<\/p>\n\n\n\n Le barriere sono tre. La prima \u00e8 l\u2019hardware<\/strong>: portarvi i sistemi che servono per l\u2019elaborazione, GPU comprese, non \u00e8 sempre fattibile oppure fa salire i costi, un fattore con cui in industria bisogna sempre fare i conti. La seconda \u00e8 il non-determinismo<\/strong>: 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 pi\u00f9 veloci con hardware pi\u00f9 potente significa per\u00f2 alzare ancora i costi, ed \u00e8 sempre un gioco di equilibrio. La terza \u00e8 l\u2019acquisizione<\/strong>: ci\u00f2 che si ottiene in laboratorio in termini di illuminazione e immagini non \u00e8 detto che si possa replicare in fabbrica.<\/p>\n\n\n\n Per uscire dalla trappola, Pavan indica l\u2019efficacia degli approcci ibridi<\/strong>: usare l\u2019intelligenza artificiale offline, in fase di progetto, per generare algoritmi classici, non neurali. La potenza di calcolo resta cos\u00ec fuori dalla fabbrica, e sul campo gira un codice classico, pi\u00f9 prevedibile nei tempi e meno costoso da eseguire. Un\u2019idea che ha anche un risvolto generazionale: i neolaureati conoscono poco la computer vision di una volta, dai descrittori come SIFT in gi\u00f9, perch\u00e9 si insegna ma si applica raramente.<\/p>\n\n\n\n Parlare di governance nei sistemi di visione significa guardare oltre l\u2019architettura tecnica<\/strong>. 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 tracciabilit\u00e0 della qualit\u00e0 del prodotto fino al cliente finale. \u201cLa migliore tecnologia \u00e8 quella che permette alle persone di essere pi\u00f9 capaci <\/strong>e non pi\u00f9 dipendenti\u201d, ha affermato Lo Russo.<\/p>\n\n\n\n L\u2019adozione dell\u2019IA sta ridisegnando l\u2019organigramma aziendale: da piramide a diamante, con la base che si assottiglia e la parte centrale che si allarga. Automatizzando le attivit\u00e0 operative di base nasce per\u00f2 un paradosso formativo<\/strong>: sfuma l\u2019affiancamento che permetteva ai profili junior di maturare l\u2019esperienza necessaria per diventare senior. Ne deriva un attrito culturale<\/strong> tra la conoscenza empirica e analogica dei tecnici veterani e il mindset dei nativi digitali.<\/p>\n\n\n\n Inoltre, la governance deve misurarsi con il pragmatismo dell\u2019impianto<\/strong>. Lo Russo lo sa bene: si parla di futuro, ma capita di arrivare da un\u2019azienda che fattura centinaia di milioni e non ha una rete nel capannone.<\/p>\n\n\n\n Da Modena esce un\u2019idea chiara: l\u2019intelligenza artificiale non soppianter\u00e0 i principi dell\u2019ottica fisica n\u00e9 la sensibilit\u00e0 dell\u2019operatore umano<\/strong>.<\/p>\n\n\n\n A Marco Diani, CEO di iMAGE S, \u00e8 toccato guardare pi\u00f9 lontano, ma lo ha fatto guardando indietro. L\u2019intelligenza 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 \u201cun\u2019integrazione di queste due tecnologie\u201d<\/strong>, il deep learning e quelle tradizionali che hanno ottant\u2019anni di storia. Si scriver\u00e0 meno codice, perch\u00e9 l\u2019IA aiuta a scriverlo e i programmi in C e C++ saranno sempre pi\u00f9 affiancati da strumenti di pi\u00f9 alto livello, ma i sistemi automatici, ha sottolineato, devono aiutare e non sostituire<\/strong>.<\/p>\n\n\n\n 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 pi\u00f9 simulata e guidata dai dati, la domanda da porci \u00e8: sapremo usare l\u2019intelligenza artificiale per potenziare l\u2019ingegno e l\u2019artigianalit\u00e0 umana, senza ridurci a spettatori dipendenti dalle nostre stesse macchine?<\/strong><\/p>\n\n\n\n <\/p>\n","protected":false},"excerpt":{"rendered":" Dalla tavola rotonda dell\u2019Italian Machine Vision Forum, che si \u00e8 tenuta a Modena il 5 novembre, cinque lezioni su come l\u2019intelligenza artificiale incontra davvero il capannone, tra ottica, dati, hardware e persone.<\/p>\n","protected":false},"author":6,"featured_media":17087,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":"","_seopublitec_title":"Oltre al pixel c\u2019\u00e8 il capannone: la tavola rotonda all\u2019Italian Machine Vision Forum Talk","_seopublitec_meta_desc":"Dalla tavola rotonda dell\u2019Italian Machine Vision Forum, che si \u00e8 tenuta a Modena il 5 novembre, cinque lezioni su come l\u2019intelligenza artificiale incontra davvero il capannone, tra ottica, dati, hardware e persone.","_seopublitec_keyphrases":"Vision Forum","_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\":\"good\",\"keyphrases\":{\"Vision Forum\":\"good\"},\"readability\":\"ok\"}"},"categories":[20,82],"tags":[7359,8308,8309,8307,639,7180,609,136,6016],"class_list":["post-17085","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-fiere-convegni","category-flash-news","tag-basler-italy","tag-baumer-italia","tag-beckhoff-automation","tag-beyond-the-pixel-machine-vision-nellera-dellia","tag-intelligenza-artificiale","tag-italian-machine-vision-forum","tag-messe-frankfurt-italia","tag-vision","tag-visionlink"],"openstation_lock":null,"openstation_contributors":[],"openstation_attached_media":[17087],"_links":{"self":[{"href":"https:\/\/www.publiteconline.it\/assemblaggio\/wp-json\/wp\/v2\/posts\/17085","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=17085"}],"version-history":[{"count":1,"href":"https:\/\/www.publiteconline.it\/assemblaggio\/wp-json\/wp\/v2\/posts\/17085\/revisions"}],"predecessor-version":[{"id":17086,"href":"https:\/\/www.publiteconline.it\/assemblaggio\/wp-json\/wp\/v2\/posts\/17085\/revisions\/17086"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.publiteconline.it\/assemblaggio\/wp-json\/wp\/v2\/media\/17087"}],"wp:attachment":[{"href":"https:\/\/www.publiteconline.it\/assemblaggio\/wp-json\/wp\/v2\/media?parent=17085"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.publiteconline.it\/assemblaggio\/wp-json\/wp\/v2\/categories?post=17085"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.publiteconline.it\/assemblaggio\/wp-json\/wp\/v2\/tags?post=17085"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}L\u2019AI non salva un\u2019immagine pessima<\/h3>\n\n\n\n
Nessun modello pu\u00f2 sostituire la professionalit\u00e0<\/h3>\n\n\n\n
Gemelli digitali e dati sintetici: la fabbrica prima della fabbrica<\/h3>\n\n\n\n
Quando il laboratorio non parla la lingua della linea<\/h3>\n\n\n\n
Governance e fattore umano<\/h3>\n\n\n\n
Ibridazione e centralit\u00e0 umana<\/h3>\n\n\n\n