,allowExpansion)
AI e Computer Vision per sicurezza e Quality Assurance
Aumentare la supervisione umana e migliorare il controllo dei processi
La real-time computer vision produce benefici tangibili nei contesti industriali e di security, abilitando l’interpretazione di immagini, video e l’analisi immediata degli eventi in corso.
Fondamenti dell’elaborazione real-time
La visione artificiale in tempo reale si distingue per la capacità di elaborare dati visivi e restituire un output quasi istantaneo. Questa abilità è decisiva per sviluppare soluzioni in grado di intervenire e migliorare processi dinamici, sia in ambito sicurezza sia nella gestione delle linee di produzione. Per ottenerla servono non solo algoritmi avanzati, ma anche uno stack hardware e software ottimizzato per le prestazioni.
Inferenza ad alta velocità con NVIDIA TensorRT
Una componente fondamentale dello stack software è NVIDIA TensorRT, una libreria ad alte prestazioni progettata specificamente per accelerare la velocità di inferenza dei modelli di IA. Una tecnica chiave che impiega è la riduzione della precisione, ovvero l’esecuzione dei calcoli della rete neurale con numeri a precisione inferiore (ad es. FP16 o INT8). Questo accelera in modo significativo il computo, mantenendo sotto controllo l’eventuale impatto sull’accuratezza del risultato finale. TensorRT è compatibile con i principali framework di deep learning — inclusa la libreria PyTorch utilizzata in queste soluzioni — ed è determinante per massimizzare le prestazioni dell’hardware GPU sottostante.
Distribuzione Edge ad alte prestazioni e privata
La base hardware di queste applicazioni real-time è NVIDIA Jetson AGX Orin, un edge device compatto ma potente, progettato per carichi IA ad alte prestazioni. L’elaborazione dei dati “on the edge” — cioè localmente sul dispositivo, senza inviarli a server remoti — offre vantaggi chiave: riduce drasticamente la latenza (i dati non devono attraversare la rete), consente un uso più efficiente della banda e migliora privacy e sicurezza, poiché i dati visivi sensibili restano on-site.
Sfide della Sicurezza Aeroportuale
La sicurezza in ambito aeroportuale è una priorità assoluta: comporta numerosi controlli e un ampio contingente di personale per garantire ogni giorno l’incolumità di migliaia di passeggeri. L’innovazione tecnologica svolge un ruolo cruciale nel supportare e migliorare queste procedure rigorose. Tuttavia, mantenere un livello di attenzione costante e impeccabile è una sfida significativa per il personale umano. È qui che l’intelligenza artificiale può fornire un supporto determinante, potenziando le capacità umane per migliorare i controlli di sicurezza, ad esempio durante la scansione delle carte d’imbarco. Le tecnologie di visione artificiale rivestono un ruolo chiave nel colmare le vulnerabilità di sicurezza in questi contesti, in particolare per affrontare fenomeni come il tailgating e le violazioni del perimetro.
Fighting Tailgating & Climbing Detection
Il tailgating si verifica quando un individuo non autorizzato segue da vicino un passeggero legittimo attraverso un varco prima che questo si chiuda, eludendo i controlli d’identità. Per contrastarlo, è stato sviluppato un sistema di computer vision in tempo reale che traccia continuamente le persone mentre si avvicinano e attraversano gli e-gate. Combinando motion tracking, dati sullo stato del varco e analisi temporale, il sistema determina con precisione se ciascun ingresso è legittimo. Il modello open source RTMDet viene utilizzato per un rilevamento persone efficiente e accurato, mentre un modulo di tracking assegna identificatori univoci agli individui tra i frame video, consentendo l’analisi continua degli spostamenti. Se vengono rilevate due persone che attraversano durante un singolo ciclo di apertura/chiusura del varco o in un intervallo di tempo non plausibile, l’evento viene classificato come tailgating e viene immediatamente attivato un allarme acustico e una notifica sull’interfaccia utente per il personale di sicurezza.
Un secondo caso d’uso critico riguarda i tentativi di scavalcare la balaustra della fila per bypassare la scansione della carta d’imbarco. Questo richiede una comprensione più dettagliata della postura e del movimento umano, ottenuta tramite il modello RTMPose. Il sistema rileva innanzitutto le persone e quindi analizza 17 punti chiave del corpo — con particolare attenzione ai fianchi — per determinare se qualcuno stia tentando di arrampicarsi sulla barriera. In base alla prossimità della persona alla balaustra, il sistema attiva in tempo reale la stima della posa e valuta il movimento. Se viene rilevato un comportamento di climbing/scavalcamento, viene generato un allarme per avvisare il personale. Integrando rilevamento persone, tracking e pose estimation in un’unica pipeline di computer vision, il sistema migliora significativamente la situational awareness e supporta la supervisione umana nell’individuare violazioni che sarebbero difficili da cogliere con il solo monitoraggio manuale.
L’importanza di un basso tasso di falsi positivi
Una metrica cruciale per il successo di qualsiasi sistema di sicurezza automatizzato in un aeroporto affollato è il tasso di falsi positivi. Ogni giorno transitano migliaia di passeggeri — spesso con bagagli o in interazione tra loro — generando scene complesse che possono innescare falsi allarmi. Un numero eccessivo di allarmi non veritieri diventerebbe un elemento di disturbo, anziché di supporto, per il personale di sicurezza, rendendo il sistema di fatto inutilizzabile. I sistemi sviluppati presentano un tasso di falsi positivi inferiore allo 0,2%. Si tratta di un miglioramento significativo rispetto ai precedenti sistemi basati su sensori per il tailgating, che registravano tassi superiori al 5% — un valore che può tradursi in oltre 600 falsi allarmi al giorno.
IA e point cloud 3D per l'Industrial Quality Control
Negli ambienti industriali in cui la precisione è cruciale, l’IA viene sempre più impiegata a supporto del controllo qualità, offrendo un monitoraggio coerente e in tempo reale che supera i limiti dell’ispezione umana, come affaticamento e soggettività. Sebbene l’imaging 2D tradizionale consenta di rilevare difetti superficiali, alcune applicazioni richiedono una comprensione più dettagliata della forma e della struttura dell’oggetto. Per rispondere a questa esigenza, i sistemi di IA possono analizzare point cloud 3D — rappresentazioni tridimensionali ad alta risoluzione composte da migliaia di punti spaziali. Tuttavia, l’elaborazione in tempo reale di dati così densi pone sfide: non esistono standard di compressione consolidati per le informazioni di profondità e le richieste computazionali sono elevate. Tecniche efficienti come il cropping (per isolare le regioni rilevanti) e il downsampling (per ridurre la dimensione dei dati) risultano quindi essenziali per rendere l’ispezione 3D in tempo reale al contempo accurata e praticabile.
Ispezione 3D AI-driven per il controllo dell’assemblaggio dei pallet
Questo sistema impiega IA avanzata e imaging 3D per monitorare un braccio robotico durante l’assemblaggio dei pallet per strati di scatole. Utilizzando una camera 3D Time-of-Flight (ToF), che combina stream RGB e di profondità per generare point cloud 3D precise, il sistema ispeziona ogni strato completato in termini di qualità e accuratezza. Vengono valutati due KPI principali: il tasso di riempimento dello strato e il suo allineamento. La precisione della camera consente di rilevare disallineamenti fino a 2 cm da una distanza di 6 m. La pipeline di ispezione inizia acquisendo scene statiche dopo lo spostamento del braccio, trasformando l’orientamento della point cloud 3D nel sistema di coordinate del mondo e selezionando i frame ottimali tramite analisi di densità — il tutto eseguito in multiprocessing per l’operatività in tempo reale.
Dopo la selezione dei frame, il sistema pulisce e ottimizza la point cloud 3D rimuovendo il rumore dovuto a riflessioni metalliche tramite algoritmi di clustering, concentrandosi sulla componente connessa di maggiori dimensioni. Gestisce i pallet vuoti per definire i KPI di baseline e utilizza il modello MobileSAM (versione rapida) per la segmentazione del pallet. Cropping e downsampling riducono ulteriormente la complessità dei dati. Un approccio ibrido 2D/3D stima quindi con precisione i contorni dello strato del pallet. Infine, i KPI vengono calcolati confrontando l’area poligonale dello strato con quella del pallet vuoto e verificando eventuali anomalie di allineamento quando i punti ricadono fuori dai boundaries definiti, garantendo un’alta qualità dell’assemblaggio del pallet.
Risultati tangibili
L’efficacia di questo sistema in contesti industriali emerge chiaramente dai risultati. In un periodo di prova di tre settimane, il numero di difetti rilevati dal sistema è stato superiore alla media annuale dei reclami ricevuti dal cliente per pallet difettosi, indicando che molti difetti in precedenza passavano inosservati. Le metriche di performance sono risultate eccellenti: le anomalie sono state individuate solo nello 0,009% degli strati analizzati — a testimonianza della loro estrema rarità — con un tasso di falsi positivi eccezionalmente basso pari allo 0,001%.
Technology Reply è l'azienda del Gruppo Reply specializzata nella progettazione e creazione di soluzioni innovative basate sulle tecnologie Oracle. Con una profonda esperienza e competenza acquisita in oltre 25 anni di attività, Technology Reply supporta i propri clienti nei processi di innovazione e trasformazione digitale, con un team di professionisti in grado di intervenire in tutte le fasi del ciclo di vita di un progetto: analisi, progettazione, implementazione, lancio e operazione. Technology Reply si posiziona come partner di riferimento per le tecnologie Oracle on-premise e cloud: BigData, Analytics, eCommerce, Mobile, Identity and Access Management e Content Management. Con la sua cultura Agile, Technology Reply sta diventando un leader nelle tecnologie emergenti, implementando Intelligenza Artificiale, Machine Learning, microservizi basati su DevOps e tecnologie cognitive per una vasta gamma di motivi, settori e clienti.