Progetti di matematica applicata
Modelli costruiti sul contesto reale, quando una soluzione esistente non basta
Pilastro
Una lettura oggettiva di ciò che l'occhio vede soltanto in parte.
Estrarre informazione dalle immagini
Un'immagine contiene molte più informazioni di quante l'occhio riesca a registrare con continuità: un grado di maturazione, un difetto, lo stato di un processo. La Computer Vision costruisce una lettura oggettiva e ripetibile di ciò che le persone vedono soltanto in parte, e la mette a disposizione di chi deve decidere.
La Computer Vision permette di trasformare immagini e video in informazioni misurabili attraverso modelli matematici e tecniche di analisi visiva. Prometeo la applica per riconoscere caratteristiche, individuare anomalie e confrontare fenomeni nel tempo, integrando acquisizione, elaborazione e validazione in un unico processo. L’affidabilità dei risultati dipende dalla qualità delle immagini, dalle condizioni di osservazione e dalla comprensione del sistema analizzato.
La capacità di osservare rappresenta uno degli strumenti fondamentali attraverso i quali le persone comprendono la realtà. Riconosciamo forme, distinguiamo caratteristiche, individuiamo variazioni e interpretiamo ciò che vediamo grazie a un patrimonio di esperienze e conoscenze che ci permette di attribuire significato alle informazioni visive. In molti contesti professionali questa capacità costituisce una competenza specialistica, sviluppata attraverso anni di osservazione e confronto con fenomeni appartenenti a un determinato dominio.
Un agronomo riconosce le differenze tra le condizioni delle piante, un tecnico individua segnali di deterioramento su un componente industriale e un ispettore valuta le caratteristiche visibili di un’infrastruttura. Queste osservazioni possono essere estremamente accurate, ma rimangono condizionate dalla possibilità materiale di esaminare gli oggetti, dalla continuità dei controlli e dalle condizioni nelle quali vengono effettuati.
La Computer Vision affronta questo problema attraverso strumenti matematici e informatici che permettono di estrarre informazioni dalle immagini, rappresentarle attraverso grandezze confrontabili e utilizzarle all’interno di processi di analisi e decisione.
Il suo contributo non consiste semplicemente nel riconoscere un oggetto all’interno di una fotografia. Può comprendere la localizzazione di elementi, la misurazione di caratteristiche geometriche, la classificazione di condizioni visibili, l’individuazione di variazioni e il confronto tra osservazioni raccolte in momenti differenti. L’obiettivo è trasformare una parte dell’informazione visiva in dati che possano essere interpretati, verificati e collegati al comportamento del sistema reale.
Una delle semplificazioni più frequenti consiste nel presentare la Computer Vision come una tecnologia che riceve un’immagine e restituisce automaticamente una risposta. In realtà, l’affidabilità del risultato dipende da una successione di scelte che precedono e accompagnano l’elaborazione matematica.
Occorre stabilire che cosa si intende osservare, quali caratteristiche siano significative, come debbano essere raccolte le immagini e quali condizioni possano influenzarne l’interpretazione. È necessario scegliere gli strumenti di acquisizione, definire eventuali riferimenti di misura, costruire procedure di elaborazione e individuare criteri attraverso i quali confrontare i risultati con osservazioni indipendenti.
Un modello capace di riconoscere correttamente una determinata caratteristica in condizioni controllate potrebbe produrre risultati meno affidabili quando cambiano l’illuminazione, la distanza, l’orientamento dell’oggetto o le caratteristiche del dispositivo utilizzato. Queste variazioni possono modificare l’informazione disponibile senza che sia intervenuto alcun cambiamento significativo nel fenomeno che si desidera analizzare.
Per questo Prometeo considera l’intera catena che collega acquisizione, elaborazione, interpretazione e verifica come parte integrante del modello di Computer Vision, evitando di separare le prestazioni dell’algoritmo dalle condizioni nelle quali viene utilizzato.
Ogni immagine è il risultato dell’interazione tra un oggetto, una sorgente di illuminazione, un sistema ottico e un dispositivo di acquisizione. Le caratteristiche di questa interazione determinano ciò che può essere osservato e il livello di precisione con il quale determinate informazioni possono essere ricavate.
La posizione della camera, la risoluzione, la distanza dall’oggetto, le condizioni di luce e gli eventuali movimenti durante l’acquisizione possono influenzare significativamente il risultato. Quando le immagini vengono raccolte in momenti differenti, queste condizioni devono essere considerate anche per stabilire se le osservazioni siano effettivamente confrontabili.
La definizione di un protocollo di acquisizione permette di ridurre la variabilità introdotta dagli strumenti e dalle procedure, distinguendola per quanto possibile dalle differenze che appartengono al fenomeno osservato.
In un processo industriale può essere opportuno controllare l’illuminazione e la posizione degli oggetti, mentre in un ambiente agricolo le condizioni naturali possono rendere necessario adottare procedure di compensazione, riferimenti visivi o modalità di raccolta capaci di limitare l’influenza delle variazioni ambientali.
Standardizzare non significa necessariamente rendere identiche tutte le immagini, ma conoscere e governare le condizioni che possono modificarne il significato. Un protocollo ben progettato permette di stabilire quali differenze siano accettabili, quali richiedano una correzione e quali rendano un’osservazione inadatta all’analisi prevista.
Quando l’obiettivo riguarda la misurazione di dimensioni, distanze o caratteristiche geometriche, è necessario considerare anche il rapporto tra le coordinate dell’immagine e quelle dello spazio reale.
Le proprietà del sistema ottico, le distorsioni prospettiche e la posizione della camera possono influenzare le grandezze osservate. Attraverso procedure di calibrazione e riferimenti appropriati è possibile costruire relazioni matematiche che permettano di interpretare le misure in modo coerente con le condizioni di acquisizione.
La precisione del risultato dipende dalla qualità dell’intero processo di misurazione, perché nessuna elaborazione successiva può ricostruire con certezza informazioni che non sono state adeguatamente acquisite.
Le metodologie di analisi visiva comprendono famiglie di problemi differenti, che possono essere affrontate attraverso strumenti geometrici, statistici, probabilistici e di apprendimento automatico. La scelta dipende dalle caratteristiche delle immagini, dalle informazioni che si desidera ottenere e dalle condizioni nelle quali il risultato dovrà essere utilizzato.
La classificazione permette di associare un’immagine o una sua porzione a categorie definite in relazione al problema. Può essere utilizzata per distinguere condizioni visibili di un prodotto, riconoscere tipologie di elementi oppure identificare configurazioni che richiedono trattamenti differenti.
Le categorie devono essere formulate in modo sufficientemente preciso e validate rispetto a osservazioni di riferimento, perché una distinzione che appare evidente a un operatore esperto può dipendere da caratteristiche non rappresentate adeguatamente nell’immagine.
La localizzazione permette di individuare la posizione di determinati elementi, mentre la segmentazione consente di identificare regioni dell’immagine associate a oggetti o caratteristiche specifiche.
Queste capacità possono contribuire alla misurazione di superfici, alla valutazione della distribuzione spaziale di determinate condizioni e al confronto tra osservazioni successive. La qualità del risultato dipende dalla capacità di distinguere le caratteristiche di interesse da quelle dello sfondo e da altri elementi che possono interferire con l’analisi.
In alcuni contesti non è necessario riconoscere anticipatamente tutte le possibili tipologie di difetto. Può essere più utile costruire una rappresentazione delle condizioni visive considerate normali e individuare le osservazioni che se ne discostano.
Questa applicazione della Computer Vision può essere integrata con metodologie di Anomaly Detection, permettendo di riconoscere variazioni che richiedono un approfondimento. Lo scostamento visivo non costituisce necessariamente la prova di un guasto o di una condizione patologica, ma rappresenta un’informazione da interpretare alla luce delle caratteristiche del sistema.
Quando le immagini vengono raccolte secondo procedure coerenti, è possibile confrontare le caratteristiche osservate nel tempo e studiare l’evoluzione dei fenomeni.
Questa dimensione assume particolare importanza nei processi di deterioramento, nello sviluppo delle colture e nelle attività di monitoraggio, dove il significato di una singola osservazione può essere limitato rispetto alla conoscenza che deriva dal confronto tra momenti differenti.
Il collegamento con modelli di analisi temporale permette di valutare tendenze e cambiamenti, mantenendo una distinzione tra ciò che viene effettivamente osservato e ciò che può essere stimato attraverso il modello.
La Computer Vision comprende metodologie che si fondano su principi matematici differenti. Geometria, algebra lineare, ottimizzazione, probabilità e analisi numerica contribuiscono alla costruzione degli strumenti utilizzati per rappresentare ed elaborare le informazioni visive.
Le tecniche di apprendimento automatico e di intelligenza artificiale ampliano le possibilità di riconoscere caratteristiche complesse, soprattutto quando le relazioni tra le informazioni osservate non possono essere descritte integralmente attraverso regole esplicite.
Questo non significa che ogni problema di Computer Vision debba essere affrontato attraverso modelli di apprendimento profondo. Quando le caratteristiche del fenomeno sono sufficientemente conosciute e possono essere rappresentate mediante relazioni geometriche o fisiche, approcci più espliciti possono offrire risultati adeguati con requisiti informativi e computazionali differenti.
Prometeo valuta quindi le metodologie in funzione delle caratteristiche del problema, della qualità delle immagini e delle esigenze di interpretabilità e verifica. L’intelligenza artificiale rappresenta una possibilità all’interno della Computer Vision, non un requisito da introdurre indipendentemente dalla natura del sistema.
Le competenze di Computer Vision possono contribuire ad affrontare problemi in numerosi contesti operativi, perché le informazioni visive costituiscono una fonte importante di conoscenza nei sistemi industriali, agricoli e infrastrutturali.
Nei processi industriali l’analisi visiva può contribuire al riconoscimento di difetti, alla verifica di caratteristiche geometriche e al monitoraggio di componenti e prodotti. La possibilità di integrare immagini e altre misurazioni permette di costruire rappresentazioni più articolate delle condizioni operative, quando le informazioni risultano sufficientemente coerenti e pertinenti.
Nel monitoraggio delle infrastrutture, immagini e rilievi possono essere utilizzati per individuare alterazioni visibili e confrontare le condizioni dei componenti nel tempo. In soluzioni come Critical Infrastructure Analysis, questo livello di osservazione può essere collegato alla modellazione matematica del sistema, permettendo di valutare il significato delle anomalie rispetto alle relazioni tra gli asset.
Nei sistemi agricoli, la Computer Vision può contribuire allo studio delle condizioni delle colture e all’osservazione di caratteristiche visibili associate ai processi biologici. ProAgri, il prototipo di Prometeo dedicato alla viticoltura, utilizza l’analisi delle immagini per costruire indicatori da confrontare durante l’evoluzione della maturazione delle uve, attraverso un percorso che richiede ancora validazione nelle condizioni reali dei vigneti.
Le applicazioni devono essere valutate rispetto alle caratteristiche delle colture e alle condizioni di acquisizione, evitando di equiparare automaticamente un indicatore visivo a una misurazione diretta di fenomeni fisiologici che richiedono strumenti differenti.
Un modello di Computer Vision deve essere valutato attraverso osservazioni di riferimento rappresentative delle condizioni nelle quali verrà utilizzato. Le prestazioni misurate durante lo sviluppo possono non descrivere correttamente il comportamento del sistema quando cambiano le caratteristiche degli oggetti, l’ambiente di acquisizione o la distribuzione dei casi osservati.
Per questo la validazione deve considerare non soltanto le metriche complessive, ma anche le tipologie di errore, la loro frequenza e le conseguenze che possono produrre nel processo operativo.
Un falso allarme può comportare un’ispezione non necessaria, mentre un’anomalia non riconosciuta può assumere conseguenze differenti a seconda della criticità del componente o del fenomeno osservato. La scelta delle metriche deve quindi riflettere le caratteristiche del problema e le esigenze delle persone che utilizzeranno i risultati.
La qualità di un modello non può essere separata dalle condizioni di validità e dalle conseguenze degli errori che può commettere. Questa consapevolezza accompagna anche la necessità di verificare periodicamente le prestazioni quando il sistema viene utilizzato nel tempo.
La Computer Vision produce valore quando le informazioni ricavate dalle immagini possono essere utilizzate all’interno di un processo operativo riconoscibile. Una misura, una classificazione o una segnalazione devono poter essere interpretate rispetto al problema che le ha generate, contribuendo a individuare verifiche, confrontare condizioni o sostenere decisioni.
Per Prometeo questo significa progettare l’intera relazione tra acquisizione, modello matematico e utilizzo del risultato, definendo fin dall’inizio quali informazioni siano necessarie e come debbano essere valutate.
Il percorso comincia da un assessment del sistema reale e delle condizioni di osservazione, attraverso il quale viene verificata la disponibilità di dati rappresentativi, la possibilità di costruire un protocollo di acquisizione e l’esistenza di criteri attraverso cui misurare le prestazioni.
La soluzione può quindi essere sviluppata e validata progressivamente, mantenendo un collegamento tra le caratteristiche visive riconosciute e il significato che assumono per il sistema analizzato.
La Computer Vision non sostituisce la comprensione del fenomeno, ma permette di estendere e rendere più sistematica una parte della capacità di osservarlo. Il suo contributo è tanto più significativo quanto maggiore è la possibilità di integrare le informazioni prodotte con conoscenze scientifiche, competenze professionali e procedure di verifica appropriate.
Analisi di immagini e video per riconoscere, classificare e misurare.
Modelli costruiti sul contesto reale, quando una soluzione esistente non basta
Lo stato delle infrastrutture, dal singolo componente al sistema intero
Analisi visiva per la viticoltura premium
Un modello di visione artificiale riconosce la fase di ogni grappolo fotografato e ne stima la maturazione, appezzamento per appezzamento.
Il risultato di un'analisi visiva non può essere più affidabile delle immagini da cui parte. Per questo il protocollo di acquisizione fa parte del modello, e spesso è la parte che decide se il resto funzionerà.