Visione artificiale: differenze tra le versioni

Versione delle 17:24, 2 lug 2017

Versione attuale delle 16:24, 23 gen 2025

(17 versioni intermedie di 13 utenti non mostrate)

Riga 1:

{{F|tecnologia|maggio 2013}}

[[File:Detected-with-YOLO--Schreibtisch-mit-Objekten.jpg|miniatura| Rilevamento di oggetti all'interno di un'immagine, un problema tipico della visione artificiale]]

La '''visione artificiale''' (nota anche come ''computer vision'') è l'insieme dei processi che mirano a creare un modello approssimato del mondo reale ([[tridimensionalità|3D]]) partendo da immagini bidimensionali ([[bidimensionalità|2D]]). Lo scopo principale della visione artificiale è quello di riprodurre la [[vista]] umana. Vedere è inteso non solo come l'acquisizione di una [[fotografia]] bidimensionale di un'area ma soprattutto come l'interpretazione del contenuto di quell'area. L'informazione è intesa in questo caso come qualcosa che implica una decisione automatica.

Line 6 ⟶ 9:

== Sistema di visione ==

Un [[Sistema di visione artificiale|Sistemasistema di Visionevisione]] è costituito da diverse componenti:

* telecamere e ottiche

* sistema di illuminazione

Line 14 ⟶ 17:

* le interfacce con l'ambiente esterno

Le parti da ispezionare vengono posizionate - spesso attraverso sistemi di movimentazione automatica - di fronte a una o più telecamere ed illuminati in modo appropriato, in modo cioè da evidenziare il più possibile i difetti da individuare. Il [[sistema ottico]] forma un'immagine sul sensore della telecamera che produce un [[segnale elettrico]] in uscita. Questo segnale verrà digitalizzato e memorizzato.

L'immagine, catturata e resa in questo modo "comprensibile" da un calcolatore, potrà quindi essere elaborata con un apposito software che comprende particolari algoritmi di calcolo ed analisi, in grado di individuare le caratteristiche dell'immagine e amplificarne alcuni aspetti - ad esempio contorni, spigoli, forme, strutture - allo scopo di eseguire i controlli e le verifiche per i quali il sistema è stato concepito.

Line 24 ⟶ 27:

Nella letteratura troviamo differenti varietà del problema:

*''Recognition'' (''riconoscimento''): uno o più oggetti prespecificati o memorizzati possono essere ricondotti a classi generiche usalmenteusualmente insieme alla loro posizione 2D o 3D nella scena.

*''Identification'' (''identificazione''): viene individuata un'istanza specifica di una classe. Es. Identificazione di un volto, impronta digitale o veicolo specifico.

*''Detection'' (''rilevamento''): Ll'immagine eè scandita fino all'individuazione di una condizione specifica. Es. Individuazione di possibili cellule anormali o tessuti nelle immagini mediche

Altro compito tipico è la ''ricostruzione delladello scena''scenario: dati 2 o più immagini 2D si tenta di ricostruire un modello 3D delladello scenascenario. Nel caso più semplice si parla di un setinsieme di singoli punti 3D.in Casiuno piùspazio complessi3D tentanoo di generareintere superfici 3D complete. Generalmente è importante trovare la matrice fondamentale che rappresenta i punti comuni provenienti da immagini differenti.

== Applicazioni in campo industriale ==

Line 100 ⟶ 103:

In biologia la percezione visiva dell'uomo e degli animali viene studiata attraverso sistemi che operano in termini di processi psicologici.

La visione artificiale dall'altra parte studia e descrive un sistema visivo artificiale implementato in software o hardware. La prima affronta il problema dall'esterno la seconda dall'interno.

Lo scambio interdisciplinare tra lo studio biologico e la ''computer vision'' ha dato importanti risultati da entrambientrambe le parti.

Nel corso dell'ultimo secolo c'è stato un intenso studio degli occhi, dei neuroni e della struttura del cervello per comprendere come viene processato dall'organismo umano e animale il segnale visivo. Qua le due discipline si sono incontrate in quanto anche la visione artificiale tenta di simulare come realmente si comporta l'apparato visivo biologico anche se ad un differente livello di complessità. Da qui la motivazione per cui alcuni metodi utilizzati nella visione artificiale hanno avuto riscontro anche in ambito biologico.

Line 138 ⟶ 141:

Dobbiamo aspettare gli anni [[1980]] per vedere le prime vere e proprie applicazioni pratiche di questa disciplina, caratterizzate spesso da uno scopo puramente ''dimostrativo''.

Negli anni [[1990]] vediamo comparire i primi ''frame-grabber'' standard da inserire su PC e i sistemi di visione acquistano maggiore funzionalità e robustezza abbandonando l'aspetto tipicamente sperimentale del decennio precedente, soprattutto in campo industriale si notano notevoli alti e bassi di questa disciplina caratterizzati da alcune soluzioni funzionali costellati di parecchi insuccessi.

Nel [[2000]]-[[2008]] il campo della visione artificiale può essere descritto come vario ed immaturo. La causa va probabilmente ricercata nella sua evoluzione, a cui hanno contribuito diverse discipline scientifiche senza però convenire su una formulazione standard del "problema della visione artificiale". Inoltre, con conseguenze ancor più evidenti, non esiste una formulazione standard di come i problemi di visione artificiale vadano risolti. Esiste invece un'abbondanza di metodi atta a risolvere compiti ben definiti della visione artificiale, dove le procedure sono spesso dipendenti dal contesto e raramente possono essere estese ad uno spettro più ampio di applicazioni.

Molti di questi metodi sono ancora a livello di ricerca base, ma molti altri ancora hanno trovato spazio nella produzione commerciale dove fanno parte di grandi sistemi che risolvono problemi complessi.

Nelle applicazioni più pratiche i computer sono pre-addestrati per risolvere un particolare compito, tuttavia attualmente stanno diventando sempre più comuni i metodi basati sull'apprendimento. Dal 2009 vediamo affermarsi l'uso delle telecamere con comunicazione digitale, soprattutto lo standard GIGEtherneth che unisce fattori come una discreta velocità, l'economicità, la standardizzazione (usa normali porte GigaBit Ethernet da PC), ed una discreta robustezza in campo industriale, di conseguenza i frame grabbers analogici tendono a uscire di scena. Dal punto di vista di generazione del software assistiamo ad una particolare concentrazione nella soluzione di problematiche 3D. In generale l'affidabilità delle soluzioni migliora.

Line 152 ⟶ 155:

* [[Guida robot]]

* [[Multi-Networks for Object Detection]]

* [[OpticalFlusso flowottico]]

* [[Riconoscimento dei contorni]]

* [[Riconoscimento dei gesti]]

Line 161 ⟶ 164:

== Altri progetti ==

{{interprogetto|preposizione=sulla}}

== Collegamenti esterni ==

* {{Collegamenti esterni}}

* {{FOLDOC|computer vision|computer vision}}

{{Controllo di autorità}}

{{Portale|informatica|ingegneria|matematica}}