PRO475

67 progettare 475 • GENNAIO/FEBBRAIO 2026 ad Aspen nell’ambito dei nostri servizi di consulenza”, spiega Patrick Ratzinger. Elevati tassi di rilevamento Entrambe le linee di produzione sono ora in funzione. “Il nostro obiettivo era sviluppare un’applicazione che riflettesse lo stato attuale della tecnologia di visione artificiale. Era chiaro che volevamo utiliz- zare il deep learning, anche per ampliare le nostre conoscenze interne. Con il sup- porto dei nostri colleghi di MVTec, siamo riusciti ad aumentare significativamente il tasso di rilevamento degli errori e a ri- durre i falsi negativi”, spiegaVincentTrom- betta. L’azienda prevede di implementare ulteriormente l’automazione basata sulla visione artificiale in futuro. Tutte le immagini sono di Aspen NDB. lo strumento di deep learning. Il Deep Learning Tool è un prodotto software MVTec che consente di eti- chettare le immagini per applicazioni di deep learning. I dati etichettati sono stati combinati con immagini di buona qualità, ovvero ampolle prive di difetti, per creare un set di dati utilizzato per l’addestramento delle reti di deep lear- ning. Le sessioni di addestramento, che vengono eseguite più volte, vengono poi valutate per verificarne l’efficacia nell’uso reale. “Grazie al nostro lavo- ro di consulenza e supporto, abbiamo acquisito una conoscenza approfondita dei dati e del loro utilizzo. Ad esempio, come etichettare al meglio i difetti, quale sia la composizione ideale dei set di dati e come interpretare al meglio i risultati. Abbiamo trasmesso queste conoscenze MVTec. Il deep learning è in grado di pren- dere decisioni solide solo se le immagini sono preparate in modo appropriato. Il supporto di MVTec consisteva nell’ordi- namento, nella post-elaborazione e nella ricompilazione dei dati precedentemente etichettati da Aspen, per poi addestrarli più volte. Lo stesso set di dati è stato addestrato più volte per confrontare i diversi risultati. MVTec ha quindi creato una rete neurale che Aspen può utilizzare per eseguire ispezioni sulle proprie ap- parecchiature. Questa rete è addestrata per segmentare le particelle dallo sfondo e quindi rilevarle in modo affidabile. Per l’addestramento, le fiale di prova sono state manipolate per simulare possibi- li difetti che potrebbero verificarsi. Le immagini di queste fiale di prova sono state acquisite ed etichettate utilizzando Esempi di diversi difetti: macchie sulla fiala, sporcizia nella fiala. Le fiale vengono posizionate nel carosello in modo che le telecamere possano acquisire immagini per l’ispezione.