en
PROBLEMA

Realizzare un sistema di intelligenza artificiale per oggettivare la qualità dell’uva conferita in cassette, come elemento di controllo in entrata e di gestione della filiera di approvvigionamento della materia prima.

Il sistema costituisce per il cliente un importante tassello verso la tracciatura del prodotto (dal campo fino alla bottiglia) ed un elemento informativo fondamentale volto a migliorare l’efficienza produttiva e a garantire elevati standard qualitativi per il cliente finale.

Situazione iniziale

Il controllo qualità sull’uva in entrata veniva eseguito a mano, da personale specializzato, con un notevole dispendio di tempo e un elevato rischio di errore dato dalla soggettività nel giudizio.

Il sistema messo in campo prevede l’utilizzo di tecniche di deep learning per il riconoscimento preliminare della qualità dell’uva raccolta, sulla base dell’analisi automatica di fotografie dall’alto delle cassette.

Il modello di classificazione sviluppato si basa sulla suddivisione delle immagini in “patch” e sul riconoscimento delle singole patch come appartenenti a una classe specifica. Sulla base di queste informazioni, viene poi classificata l’intera immagine. 

Il sistema permette, inoltre, di mettere in evidenza le specifiche aree di prodotto compromesse da fogliame, peronospora, marciume, corpi estranei o altri danni generici, restituendo una mappa delle zone più o meno qualitative delle cassette.

 

Una stazione di visione acquisisce le immagini che vengono caricate in AI-go Studio e usate per l’allenamento del modello di classificazione, che identifica all’interno delle immagini la presenza delle diverse classi di qualità impostate dall’utente. Attraverso alcune regole, definite sulla base di parametri qualitativi individuati dal cliente, AI-go restituisce come risultato finale la classificazione complessiva della cassetta d’uva raccolta.

Il modello, allenato e testato, è stato poi messo in produzione attraverso AI-go Runtime che ha, inoltre, permesso l’attivazione del servizio di monitoraggio, indispensabile per il mantenimento delle performance e dell’accuratezza del giudizio del modello nel tempo e l’integrazione con la piattaforma di raccolta dati del cliente.

Risultati raggiunti

Tempo di training dei modelli ~ 30 minuti

Tempo di inferenza dei modelli ~ 280 ms

Oggettivazione del giudizio di qualità. Il giudizio è più affidabile nel tempo ed è possibile risalire alle specifiche aree classificate dalla rete per spiegarne il risultato e confrontarlo con altri.

Migliore rilevabilità delle anomalie – anche in condizioni visive non ottimali.

Autonomia nella creazione di nuovi modelli.

Puntuale rilevazione delle aree non qualitative.

Approccio guidato dai dati. Il sistema costituisce per il cliente un importante tassello verso la tracciatura del prodotto ed un elemento informativo fondamentale volto a migliorare l’efficienza produttiva e a trasferire la garanzia di qualità al cliente finale.