L’Image Recognition può velocizzare mansioni noiose ed elaborare le immagini più velocemente o con maggiore precisione rispetto all’ispezione manuale. L’Image Recognition è una tecnica fondamentale per molte applicazioni ed è il motore principale delle applicazioni di Deep Learning come:

• Ispezione visiva: identificando le parti come difettose o non difettose in produzione, può ispezionare rapidamente migliaia di componenti su una linea di montaggio.
• Classificazione di immagini: categorizzazione delle immagini in base al loro contenuto. È utile soprattutto in applicazioni quali l’Image Retrieval e i sistemi di raccomandazione nell’e-commerce.
• Guida autonoma: la capacità di riconoscere un segnale di stop o un pedone in un’immagine è fondamentale nelle applicazioni di guida autonoma.
• Robotica: l’Image Recognition può essere utilizzato dai robot per identificare oggetti e migliorare la navigazione autonoma riconoscendo luoghi e oggetto sul loro percorso.

L’Image Recognition è la tecnologia base che sta al centro di queste applicazioni. Individua oggetti o scene nelle immagini e utilizza queste informazioni per prendere decisioni nell’ambito di un sistema più grande. L’Image Recognition sta aiutando tali sistemi a diventare più consapevoli, dando sostanzialmente modo ai sistemi di prendere decisioni migliori grazie a una fornitura supplementare di dati.

Image Recognition e rilevamento oggetti a confronto

L’Image Recognition e il rilevamento oggetti sono tecniche simili, che spesso vengono utilizzate insieme. Con l’Image Recognition si individua l’oggetto o la scena presente in un’immagine; con il rilevamento oggetti invece si trovano le istanze e le posizioni di tali oggetti nelle immagini.

Le tecniche più note di rilevamento oggetti sono Faster R-CNN e YOLOv3.

Tecniche di Image Recognition

Esistono tanti metodi per effettuare l’Image Recognition, tra cui le tecniche di Machine Learning e di Deep Learning. La tecnica da usare dipende dall’applicazione ma, in generale, più il problema è complesso, più si propende a fare uso delle tecniche di Deep Learning.

Image Recognition mediante Deep Learning

Un approccio all’Image Recognition basato sul Deep Learning può prevedere l’uso di una rete neurale convoluzionale per apprendere automaticamente delle feature rilevanti dalle immagini campione e individuare automaticamente tali feature nelle nuove immagini.

Tipico workflow di Deep Learning per l’Image Recognition:

Le tecniche di Deep Learning possono sembrare complicate, ma degli esempi semplici sono un ottimo modo per iniziare e capire più approfonditamente questa tecnologia.

Suggerimento: le tecniche di Deep Learning sono molto utilizzate nell’Image Recognition in quanto consentono di ottenere risultati robusti e altamente precisi. Il Deep Learning tende a funzionare meglio con un numero elevato di dati di addestramento e tecniche quali il transfer learning riescono a semplificare il workflow dell’Image Recognition. Deep Learning Toolbox™ mette a disposizione un framework per progettare e implementare reti neurali profonde con algoritmi, modelli pre-addestrati e app.

Image Recognition mediante Machine Learning

Un approccio all’Image Recognition basato sul Machine Learning prevede l’identificazione e l’estrazione delle feature principali dalle immagini e il loro utilizzo quali input per un modello di Machine Learning.

• Addestramento dei dati: inizia con una raccolta di immagini e inseriscile nelle rispettive categorie associate.
• Estrazione delle feature: seleziona le feature rilevanti in ciascuna immagine. Un algoritmo di estrazione di feature potrebbe estrarre delle feature di bordo o angolo da utilizzare per diversificare le classi nei dati.
• Creazione di un modello di Machine Learning: queste feature vengono aggiunte a un modello di Machine Learning, che le separerà in categorie distinte, per poi utilizzare tali informazioni in fase di analisi e classificazione di nuovi oggetti.

È possibile utilizzare svariati algoritmi di Machine Learning e metodi di estrazione delle feature, che offrono più combinazioni per creare un modello accurato per il riconoscimento degli oggetti.

Suggerimento: l’uso del Machine Learning per il riconoscimento oggetti offre una maggiore flessibilità, in quanto consente di scegliere la combinazione migliore di feature e classificatori per l’apprendimento. È possibile ottenere risultati accurati con un numero minimo di dati. Statistics and Machine Learning Toolbox™ offre funzioni e applicazioni per descrivere, analizzare e modellare i dati.

Image Recognition: Deep Learning e Machine Learning a confronto

Come si fa a sapere quando usare il Deep Learning e quando il Machine Learning per l’Image Recognition? In linea generale, la differenza è che il Machine Learning prevede la scelta manuale delle feature mentre il Deep Learning l’apprendimento automatico.

Image Recognition con tecniche tradizionali di elaborazione delle immagini

Oltre al Deep Learning e al Machine Learning, molti metodi classici di elaborazione delle immagini sono estremamente efficaci per effettuare l’Image Recognition in alcune applicazioni. Le tecniche di elaborazione delle immagini tendono a essere particolarmente adatte alle applicazioni di riconoscimento “basate su pixel” come:

• Image Recognition basato sui colori: spesso i colori rappresentano un ottimo modo per individuare feature per l’Image Recognition. Feature quali tonalità, saturazione e valore (HSV) o rosso, verde e blu (RGB) possono offrire informazioni su un’immagine.
• Confronto di modelli: questa tecnica usa una piccola immagine, o un modello, per trovare regioni corrispondenti in un’immagine più grande.
• Segmentazione di immagini e analisi Blob: in questo caso vengono utilizzate delle proprietà semplici degli oggetti, quali la dimensione, il colore o la forma.

MATLAB^® semplifica i passaggi dell’Image Recognition più laboriosi.

1. App di etichettatura immagini: dati puliti e pre-elaborati aumentano le probabilità che l’Image Recognition porti a buoni risultati. Con l’app Image Labeler, è possibile automatizzare il processo di ritaglio e di etichettatura delle immagini.

2. Esplorazione degli algoritmi di Deep Learning e di Machine Learning: all’inizio, potrebbe essere difficile scegliere tra le tecniche di Deep Learning o quelle di Machine Learning. MATLAB offre la possibilità di provare tutte le combinazioni di approcci. Analizza i modelli pre-addestrati per il Deep Learning oppure gli algoritmi di classificazione del Machine Learning.

Sfrutta l’interoperabilità con reti e architetture di rete da framework come TensorFlow™, Keras, PyTorch e Caffe2 usando le funzionalità di importazione e di esportazione di ONNX™ (Open Neural Network Exchange).

Vedi anche:  riconoscimento dei modelli