Secondo il Manufacturing Vision Study 2024 di Zebra, il 61% dei leader nel settore manifatturiero a livello globale si aspetta che l’AI guidi la crescita entro il 2029. Un secondo rapporto di Zebra sull’AI nell’industria automobilistica ha rilevato che questa tecnologia, ad esempio il deep learning, è utilizzata in tutta la supply chain automobilistica. Gli utenti, però, vogliono che la loro AI faccia di più: queste nuove funzionalità rispondono alle esigenze del settore. Zebra Technologies ha ufficializzato l’implementazione di una serie di funzionalità avanzate di intelligenza artificiale per il software di machine vision Aurora. La suite software Aurora di Zebra con strumenti di deep learning fornisce potenti soluzioni di ispezione visiva per costruttori di macchine e linee di produzione, ingegneri, programmatori e data scientist nei settori automobilistico, elettronico e dei semiconduttori, food and beverage e del packaging. La suite include Ocr (riconoscimento ottico dei caratteri) basato su deep learning senza codice, ambienti di drag-and-drop e ampie librerie che consentono agli utenti di creare soluzioni per risolvere casi d’uso complessi che i sistemi basati su regole tradizionali faticano ad affrontare.
«I produttori in molti settori affrontano problemi di qualità persistenti e nuove sfide con i progressi nei materiali e nei settori come quello automobilistico ed elettronico», ha dichiarato Donato Montanari, vice president and general manager, Machine Vision di Zebra Technologies «Stanno cercando nuove soluzioni che completino ed espandano quelle attuali con capacità di AI necessarie per un’ispezione visiva più efficace, in particolare in casi d’uso complessi».
Aurora Design Assistant
Gli utenti dell’ambiente di sviluppo integrato Aurora Design Assistant di Zebra possono creare applicazioni costruendo e configurando diagrammi di flusso invece di scrivere codice di programma tradizionale. Il software consente inoltre agli utenti di progettare un’interfaccia uomo-macchina (Hmi) basata sul web per le applicazioni. Inoltre, include il rilevamento di oggetti basato su deep learning, e l’ultima versione dell’applicazione di Aurora Imaging Copilot supporta uno spazio di lavoro dedicato per l’addestramento di un modello di deep learning per il rilevamento degli oggetti. Sono disponibili componenti aggiuntivi separati per l’addestramento di un modello di deep learning con una scheda Gpu Nvidia e l’esecuzione di un modello di deep learning per eseguire inferenze o previsioni su una GPU Nvidia e una Gpu integrata Intel, rispettivamente.
Aurora Vision Studio
Gli ingegneri di machine e computer vision che utilizzano Aurora Vision Studio possono creare, integrare e monitorare rapidamente potenti applicazioni di machine vision. Il software avanzato e indipendente dall’hardware fornisce un ambiente grafico intuitivo per la creazione di applicazioni di visione sofisticate senza la necessità di scrivere una sola riga di codice. Dispone di un set completo di oltre 3.000 filtri collaudati e pronti all’uso, che consentono agli ingegneri di machine e computer vision di progettare soluzioni personalizzate in un flusso di lavoro semplice in tre fasi: progettare l’algoritmo, creare un’interfaccia Hmi locale personalizzata o una Hmi Web online e distribuirla su un computer industriale basato su PC. Una serie di tool di deep learning è stata aggiornata con un nuovo modulo di addestramento con meccanismi per il bilanciamento dei dati da acquisire, per produrre risultati migliori su set di dati di bassa qualità. L’addestramento è ora più veloce e più ripetibile, e l’add-on di deep learning è compatibile con i sistemi Linux, solo per inferenze.
Aurora Imaging Library
Il kit di sviluppo software Aurora Imaging Library di Zebra è destinato a programmatori esperti che codificano applicazioni di visione in C++, C# e Python. Include un’ampia collezione di strumenti per elaborare e analizzare immagini 2D e dati 3D utilizzando metodi tradizionali basati su regole, nonché quelli basati su deep learning. Le ultime funzionalità aggiunte espandono le sue capacità con l’introduzione di strumenti di rilevamento delle anomalie utilizzando il deep learning per compiti di rilevamento dei difetti e verifica dell’assemblaggio in cui l’obiettivo è trovare anomalie. A differenza di altri strumenti di deep learning disponibili, l’addestramento è non supervisionato e richiede solo riferimenti normali.
Lo strumento Ocr basato su deep learning utilizza un modello di rete neurale profonda pre-addestrato per leggere caratteri, cifre, segni di punteggiatura e alcuni simboli senza la necessità di specificare o insegnare font specifici. Include modelli di stringa e vincoli per consentire una lettura più efficace e precisa.
