Riconoscimento di pattern

Il pattern recognition è il processo di classificazione dei dati di input in oggetti, classi o categorie mediante l’utilizzo di algoritmi informatici sulla base di caratteristiche chiave o regolarità. Il pattern recognition trova applicazione, ad esempio, nella visione artificiale, la segmentazione di immagini, il rilevamento di oggetti, l’elaborazione radar, il riconoscimento vocale e la classificazione testuale.

Il pattern recognition prevede due metodi di classificazione: classificazione con supervisione e senza supervisione. Per applicare il pattern recognition con supervisione, è necessario disporre di un vasto set di dati etichettati; in caso contrario, è possibile provare ad adottare un approccio senza supervisione.

Pattern recognition con il Machine Learning e il Deep Learning

Con MATLAB^® è possibile utilizzare tecniche di Machine Learning o Deep Learning in applicazioni di pattern recognition.

Un approccio basato sul Machine Learning consiste nel preparare i dati, estrarre manualmente le feature, al fine di differenziare le classi presenti nei dati, e addestrare un modello di Machine Learning per classificare nuovi oggetti. Le tecniche o modelli di Machine Learning più diffusi per il rilevamento di oggetti includono le ACF (Aggregate Channel Feature), la classificazione SVM mediante le funzionalità degli istogrammi dei gradienti orientati (HOG) e Viola-Jones. Questi metodi sono tutti disponibili in MATLAB^®.

Un approccio basato sul Deep Learning consiste nel preparare i dati, addestrare la rete neurale profonda e testare il modello addestrato su nuovi dati. I modelli di Deep Learning più diffusi utilizzati per il pattern recognition sono R-CNN e YOLO v2, anche questi disponibili in MATLAB. Negli ultimi anni, gli approcci basati sul Deep Learning hanno acquisito maggiore popolarità rispetto a quelli basati sul Machine Learning.

Le principali differenze tra gli approcci basati sul Machine Learning e il Deep Learning consistono nel fatto che i modelli di Deep Learning richiedono un set di dati più grande e più tempo per l’addestramento, mentre i modelli di Machine Learning possono essere addestrati con un set di dati più piccolo, possono essere più facili da interpretare e da sottoporre a debug se non funzionano come previsto, ma producono una precisione inferiore rispetto a un modello di Deep Learning addestrato su un vasto set di dati etichettati. 

Un’applicazione diffusa del pattern recognition nel settore ingegneristico è il rilevamento di difetti in fase di fabbricazione per migliorare la qualità dei prodotti e ridurre i costi di produzione nelle applicazioni industriali. La figura qui sotto mostra come le aziende utilizzano tecniche basate sulla visione con MATLAB per rilevare in maniera efficace i difetti in tre fasi: acquisizione delle immagini, elaborazione delle immagini per migliorare la qualità e modellazione dell’IA per classificare l’oggetto come buono o difettoso.

Classificazione con supervisione

I metodi di classificazione con supervisione per il pattern recognition applicano algoritmi di apprendimento con supervisione ai dati di input, abbinando manualmente i dati di addestramento etichettati agli output desiderati.

Nella visione artificiale, le tecniche di pattern recognition con supervisione sono utilizzate per il riconoscimento ottico dei caratteri (OCR), il rilevamento e la classificazione di oggetti.

Classificazione senza supervisione

I metodi di classificazione senza supervisione consistono nell’individuare strutture nascoste in dati non etichettati mediante tecniche di segmentazione o clustering. I metodi di classificazione senza supervisione più diffusi includono:

• Clustering K-means
• Modelli di misture gaussiane
• Modelli di Markov di tipo hidden

Le tecniche di pattern recognition senza supervisione sono utilizzate anche per il rilevamento di oggetti e la segmentazione di immagini, in particolare per attività in cui è difficile ottenere dati etichettati sufficienti per applicare il rilevamento e la classificazione di oggetti con supervisione.