Sistema di Classificazione della Qualità del Legno

Introduzione

Una delle sfide principali affrontate dalle aziende che operano nell’industria del legno è la classificazione accurata dei fogli di legno in base alla loro qualità visiva. L’approccio tradizionale alla valutazione della qualità del legno prevede l’ispezione visiva da parte di specialisti umani, che si basano sulla loro esperienza e giudizio per effettuare classificazioni soggettive. Tuttavia, questo processo presenta alcuni principali svantaggi:

• Consumo di tempo: Un essere umano sarà sempre più lento di una macchina nell’eseguire questo compito, specialmente quando si tratta di casi limite.
• Disponibilità della Manodopera: Quando un dipendente è assente dal lavoro, si licenzia o viene addestrato, la produttività diminuisce.
• Incoerenze ed Errori: Due specialisti diversi possono non essere d’accordo sulla classificazione di un caso limite, causando perdite di entrate quando un legno di alta qualità viene classificato erroneamente.

La valutazione della qualità del legno sta venendo rivoluzionata dai recenti progressi nel campo della visione artificiale. Un maggiore grado di automazione nella fase di ispezione riduce i rischi per i produttori di legno, permettendo di rispettare costantemente le previsioni di bilancio. La sezione successiva evidenzia i principali componenti della soluzione sviluppata da Ennova Research e come tale soluzione migliori le finanze dei suoi clienti.

Soluzione proposta

Abbiamo proposto una pipeline completa di Machine Learning che non solo migliora la valutazione della qualità, ma minimizza anche l’errore umano e la soggettività:

• Raccolta Dati e Annotazioni degli Esperti: Gli specialisti umani etichettano i dati come parte del loro lavoro di routine.
• Accordo tra Annotatori: Solo i fogli su cui gli esperti raggiungono un consenso sulla qualità del legno vengono selezionati per ulteriori analisi, riducendo l’ambiguità e il rumore nei dati.
• Addestramento o Fine-Tuning del Modello: Con i dati preparati, il nostro modello di IA viene addestrato da zero o affinato se è disponibile un modello esistente.
• Distribuzione del Modello Migliorato: Se il modello appena addestrato o affinato supera il suo predecessore, viene distribuito in produzione.
• Miglioramento Iterativo: I passaggi precedenti vengono ripetuti fino a quando il modello non può più migliorare.
• Supervisione Umana per i Casi Limite: I casi limite, che l’IA trova difficili da classificare, sono supervisionati da dipendenti umani e le loro annotazioni vengono aggiunte ai set di addestramento e di test per perfezionare ulteriormente le capacità del modello.

Risultati

Sfruttando le capacità di Google Cloud Platform AutoML Vision, abbiamo ottenuto un modello di classificazione dei fogli di legno all’avanguardia che ha elevato significativamente gli standard di valutazione della qualità per il cliente. L’integrazione di Google Cloud Platform AutoML Vision, in particolare, si è rivelata rivoluzionaria. L’efficienza del modello nell’automazione della classificazione dei fogli di legno ci ha permesso di concentrarci sulla creazione dell’intera pipeline e prepararla per la fase di scala, in cui verranno gestite decine di tipi di legno.