AS3_2026

Automazione e Strumentazione Aprile 2026 Primo piano 15 DOSSIER cola quantità calcolata a partire dal gradiente, e il passo di ogni spostamento è controllato da un para- metro chiamato tasso di apprendimento. Se il tasso di apprendimento è troppo alto si rischia di saltare oltre il punto migliore e non raggiungere mai una soluzione stabile; se è troppo basso l’addestramento diventa lento e potrebbe bloccarsi in zone poco utili della superficie. Per poter applicare la discesa del gradiente, però, è necessario calcolare il gradiente della funzione di costo rispetto a ogni singolo peso della rete. È qui che entra in gioco la retropropa- gazione dell’errore , un algoritmo straordinaria- mente efficace per ottenere questi valori. La rete neurale è organizzata in strati, e ogni strato trasfor- ma l’input attraverso operazioni matematiche diffe- renziabili. Quando l’immagine o il dato attraversa la rete, lo fa procedendo dallo strato iniziale fino a quello finale, producendo la previsione. In questa fase, chiamata forward pass, vengono registrati tutti applicazioni industriali e nei trasporti, dove que- ste soluzioni hanno trovato un terreno particolar- mente fertile. Reti neurali al lavoro La maggior parte delle tecnologie moderne per la visione automatica si basa su reti neurali profon- de , in particolare sulle reti neurali convoluziona- li . Queste architetture si ispirano in modo molto semplificato al funzionamento del sistema visivo biologico e si basano sull’idea che un’immagine possa essere interpretata scomponendola progres- sivamente in caratteristiche sempre più astratte. I primi strati delle reti convoluzionali estraggono dal segnale grezzo componenti fondamentali come bordi, angoli e linee; negli strati intermedi queste informazioni vengono combinate per formare pat- tern più complessi, come texture, forme ricorrenti o parti di oggetti; infine, gli ultimi strati sintetizzano tali rappresentazioni in concetti completi come au- tomobili, persone, semafori, prodotti, difetti di fab- brica e così via. Questo processo avviene attraver- so l’ottimizzazione di milioni, talvolta miliardi, di parametri interni, addestrati tramite tecniche di di- scesa del gradiente e retropropagazione dell’errore, che sono due componenti inseparabili del processo di apprendimento delle reti neurali. Per capire co- me operano, bisogna tenere conto di come una re- te neurale artificiale sia un sistema complesso con molti parametri interni, i pesi, che devono essere regolati affinché le sue previsioni risultino corrette. Ogni volta che la rete elabora un dato di addestra- mento, produce un’uscita; questa uscita viene con- frontata con il valore atteso tramite una funzione di costo che quantifica l’errore. Il problema dell’ap- prendimento diventa quindi quello di minimizzare questa funzione di costo, cioè trovare il set di pesi che produce l’errore più piccolo possibile. I motori dell’apprendimento La discesa del gradiente è il metodo matematico che permette di muoversi all’interno dello ‘spazio dei pesi’ cercando la direzione nella quale l’errore diminuisce più rapidamente. L’idea è che la funzio- ne di costo può essere vista come una superficie più o meno complessa, piena di avvallamenti e punti di minimo. Il gradiente è un vettore che indica la dire- zione in cui questa superficie cresce più rapidamen- te; muoversi in direzione opposta significa scendere verso una zona della superficie dove il valore della funzione di costo è più basso. L’algoritmo procede quindi modificando tutti i pesi della rete di una pic- Le applicazioni industriali della machine vision includono controllo qualità, manutenzione predittiva e robotica collaborativa