Il progetto AI Regio
AI REGIO fa parte dell’iniziativa I4MS della Commissione Europea
(Innovazione ICT per le PMI manifatturiere),
che promuove l’integrazione delle innovazioni digitali da parte delle PMI manifatturiere in Europa al fine di aumentarne la competitività. I4MS è attualmente operativo nella sua quarta fase.
AI REGIO è un progetto finanziato dal Programma Quadro dell’Unione Europea per la Ricerca e l’Innovazione Horizon 2020 nell’ambito del Grant Agreement n° 952003.
Il progetto AQUILA
Il progetto mira ad estendere la piattaforma AI4EU con un asset “eseguibile” denominato AQUILA System, al fine di automatizzare il Controllo Qualità (QI) di prodotti industriali, in particolare quadri elettrici. Il sistema AQUILA combinerà tecniche di deep learning di visione artificiale con ragionamento automatico e programmazione ASP (Answer Set Programming), con l’obiettivo di aumnetare del 30% la precisione del rilevamento dei difetti rispetto a. soluzioni basate esclusivamente sulla visione artificiale
Panoramica
L’Intelligenza Artificiale (AI) svolge un ruolo chiave nel supportare e migliorare le aziende manifatturiere e l’Industria 4.0, consentendo l’automazione di diversi tipi di attività eseguite manualmente. In questo contesto, la valutazione della conformità di un prodotto con il relativo blueprint rappresenta un’attività che richiede tempo ed è soggetta a errori. Un approccio emergente si basa su tecniche di visione artificiale per supportare l’operatore umano in questo processo. L’esperimento mira a confrontare il design di un prodotto elettronico, rappresentato da un file CAD, con l’immagine di un artefatto reale del prodotto.
Partendo dal file CAD è possibile annotare ogni componente base che deve essere integrato nel prodotto finito tramite un parsing automatico del file o un’interfaccia utente grafica. Il file CAD annotato viene quindi rappresentato come diversi fatti logici, consentendo l’uso di ASP e di tecniche di ragionamento automatico
Un approccio basato sul data augmentation viene applicato al set di immagini di ciascun componente di base per creare un dataset del prodotto su cui viene addestrata una rete neurale di deep learning per il rilevamento degli oggetti
La rete neurale addestrata viene utilizzata per elaborare l’immagine di un artefatto reale del prodotto elettronico, riconoscere i componenti e rappresentarli come fatti logici
Un programma logico confronta la rappresentazione logica del file CAD e la rappresentazione logica dell’artefatto reale per riconoscere se tutti i componenti di base previsti nel CAD sono presenti nell’implementazione reale nella posizione corretta
L’output del programma logico è un rapporto di conformità che illustra se vi sono componenti di base mancanti o posizionati in modo errato
Eccellenza Scientifica e Tecnologica
Innovazione
Negli ultimi anni sono stati proposti diversi strumenti e approcci automatici di QI, con l’obiettivo di ottimizzare il processo di controllo della qualità attraverso la visione artificiale. Nel campo dei prodotti elettronici, la natura innovativa di AQUILA è che il sistema utilizza la conoscenza “esplicita” sul modo corretto di assemblare il prodotto, rappresentata da un file CAD, e la conoscenza “implicita” su un artefatto reale, rappresentata da l’immagine del prodotto. In tal modo il confronto tra il prodotto ideale e quello reale potrebbe essere più efficace
Novità nell’approccio
AQUILA integra due approcci innovativi:
• data augmentation, utile per creare un dataset sintetico partendo da un numero ridotto di immagini dei componenti base del prodotto elettronico;
• la combinazione di deep learning con ASP. Il deep learning viene utilizzato per il rilevamento degli oggetti, mentre l’ASP viene utilizzato per il controllo di conformità rispetto al file CAD.
Attualmente, nella letteratura scientifica ci sono pochissimi esempi di combinazione di approcci neurali con quelli simbolici. Pertanto, il sistema AQUILA è una tecnologia all’avanguardia.
Implementazione
Il sistema AQUILA verrà distribuito come due container Docker. Il primo è dedicato all’elaborazione AI e integrerà due tecnologie all’avanguardia per il deep learning (Tensor Flow) e ASP (DLV). In particolare, la piattaforma DLV è riconosciuta come uno dei motori più adatti per le applicazioni industriali di ASP. Il secondo contenitore Docker conterrà l’applicazione web AQUILA, che offre un ambiente di annotazione CAD e un’interfaccia interattiva per il QI.
Sfide
Attualmente il controllo qualità dei quadri elettrici è effettuato da un operatore dedicato che impiega un tempo medio di 340 s per controllare ogni quadro. Inoltre, il tasso di errore associato al controllo qualità dei quadri elettrici è di circa 1 errore ogni 250 quadri. Attraverso l’introduzione del sistema AQUILA, si stima di ridurre il tempo di controllo di circa il 60% e di raggiungere un tasso di errore di circa 1 errore per 1000 fotogrammi. Attualmente, il sistema AQUILA ha un TRL 4 e dovrebbe raggiungere un TRL 6 alla fine dell’esperimento.
Impatto
Digitalizzazione dei processi
L’utilizzo del sistema AQUILA in un’azienda manifatturiera aumenterà il livello di digitalizzazione dei processi di QI. Oggi il QI viene eseguito manualmente e rappresenta un’attività che richiede tempo. Il sistema AQUILA introdurrà uno strumento digitale automatico per il QI, riducendo fortemente errori e tempi.
Impatti tecnologici
Per Revelis, l’impatto tecnologico del progetto AQUILA è previsto in termini di valorizzazione del proprio know-how in ambito Deep Learning e ASP, oltre che in Big Data Analytics.
In particolare, l’esito del progetto sarà: (i) almeno una Deep Neural Network per il riconoscimento di oggetti; (ii) almeno un programma ASP per il controllo di conformità.
Impatti commerciali
Revelis utilizzerà i risultati per rafforzare il rapporto esistente con gli attori industriali manifatturieri. La validazione della piattaforma aprirà la possibilità di creare soluzioni/prodotti integrati per il dominio QI. L’obiettivo principale di Revelis è diventare un’azienda di riferimento leader per le soluzioni AI di visione artificiale.
