IRIDE - Metodi di machine vision per l'elaborazione dei video e la gestione delle allerte

Betti G., Coscetti S., Moroni D., Pardini F., Pieri G. Tampucci M.

Video analytics  Fotocamere  Videosorveglianza  Machine vision  Autoregolazione 

In questo documento vengono presentati i metodi di machine vision per l'elaborazione dei video e la gestione delle allerte realizzati nel corso dell'Obiettivo Operativo 1 del progetto IRIDE. Il converting del tissue si basa sull'utilizzo di linee di trasformazione costituite da una successione di macchinari altamente interconnessi fra loro: la materia prima scorre attraverso i vari macchinari a velocità costante dagli svolgitori fino alla ribobinatrice, passando attraverso uno o più goffratori e stampanti. Trattandosi di un sistema complesso, in cui eventuali guasti e anomalie tipicamente si propagano ed hanno effetti lungo tutta la linea, l'impiego di soluzioni ICT basate su visione e video analytics può contribuire in misura significativa al miglioramento del controllo della produzione sia a livello di singolo macchinario che a livello di intero processo produttivo. Con l'introduzione dei metodi descritti in questo documento ci si attende un notevole miglioramento dei livelli di automazione ed efficacia della linea di converting, una significativa riduzione del numero dei fermi macchina e la raccolta di significative insights sull'intera linea di converting. Lo stato dell'arte mostra come attualmente le linee di converting dei player a livello globale non sfruttino ancora questa opportunità. Attualmente il sistema di monitoraggio della filiera del converting è tipicamente costituito da varie tipologie di sensori scalari quali: i) sensori laser per la lettura del diametro delle bobine; ii) celle di carico per determinare la tensione della carta durante lo svolgimento; iii) sensoristica sui motori COTS, capace di fornire informazioni sulla velocità di rotazione, sulla corrente assorbita e, in alcuni casi, sulla temperatura; iv) sensoristica basata su accelerometri. I sensori alimentano il sistema SCADA (Supervisory Control And Data Acquisition) che raccoglie i dati, li archivia e li rende fruibili ai fini della analisi delle problematiche insorte a livello di processo. Futura spa ha già sviluppato un evoluto sistema di manutenzione predittiva basato sui dati raccolti nello SCADA. La sensoristica attualmente disponibile consente infatti di osservare in punti specifici il processo e di indentificare possibili anomalie, quali il riscaldamento di un motore oppure un assorbimento di corrente eccessivo, entrambi indici di problemi hardware incipienti. Inoltre tali sensori possono supportare autoregolazioni base, quali la regolazione ottimale della tensione della carta, mediante opportuni meccanismi di automazione. L'introduzione di sensori basati sulla visione e di opportune logiche di visione artificiale per l'analisi dei video amplia grandemente la gamma di informazioni che sarà possibile ottenere rispetto ai precedenti sensori scalari. Ciò consentirà sia di migliorare i modelli di autoregolazione esistenti, sia di renderne possibili altri, innovativi, aumentando il livello di automazione della linea di converting. Inoltre i sistemi a supporto della manutenzione ordinaria e della manutenzione predittiva saranno potenziati sia grazie ad analisi locali più fini, sia grazie alla possibilità di condurre una valutazione globale del processo, che con le tecnologie dello "stato dell'arte" non risulta possibile. Ad esempio, mentre l'assenza di difetti sul velo in ingresso è attualmente verificata solo in alcuni punti specifici medianti sensori laser, l'utilizzo di sensori di visione e dei metodi descritti in questo documento consente l'analisi dell'intero velo, lungo la sua intera larghezza (tavola). Mediante opportuni algoritmi di elaborazione delle immagini è possibile procedere ad una quantificazione dell'area con difetti inquadrata, con copertura totale della materia prima in ingresso. Tale informazione renderà possibile valutare il rischio di fermi macchina dovuti alla materia prima difettosa, valutare gli accumuli di colla sui rulli dovuti ad eventuali buchi e stimare lo stato di pulizia dell'intera linea di converting; e ciò permetterà di programmare in maniera ottimale le operazioni di manutenzione e di pulitura dalla linea. In particolare, sulla base delle specifiche individuate nell'Attività 1.1 e riportate nel Deliverable D1.1, nell'ambito dell'attività operativa AO1.2 sono stati sviluppati i moduli di machine vision delocalizzati che sono deputati alla acquisizione, elaborazione e codifica del video, alla stima dei parametri di processo e allo scambio di informazioni col PLC per la gestione e la generazione di allerte. Nel suo complesso l'attività abbraccia per intero la progettazione e sviluppo di soluzioni software/firmware da eseguire a bordo dei moduli di controllo delle telecamere e l'integrazione delle stesse. Tali moduli, costituiti da hardware dedicato, sono normalmente localizzati lungo la linea e sono preposti alla gestione di una telecamera o di un gruppo di telecamere (in genere costituito da 2-4 sensori). Il documento è organizzato come segue. Nella Sezione 2, vengono presentate le scelte hardware per la disposizione dei sensori e la predisposizione dei moduli locali di elaborazione. Nella Sezione 3 si presentano gli algoritmi per il rilevamento di difetti sul velo. Infine, nella sezione 4 si presentano le conclusioni con riferimento ai lavori futuri e al rispetto dei KPI previsti in fase di proposta.

Source: ISTI Project report, IRIDE, D1.2, 2019