IL CLIENTE
Selene è un’azienda italiana che produce imballaggi flessibili per uso industriale e che si dedica a varie fasi della filiera produttiva, come il recupero dei sacchi pressati presso clienti e centri di raccolta, il riciclo, il lavaggio e la rigenerazione della materia
prima di qualità e la produzione dei prodotti combinati con polimeri vergini e riciclati. L’approccio produttivo di Selene è orientato alla sostenibilità e alla responsabilità ambientale e sociale.

ESIGENZE
L’azienda aveva alcune necessità per poter perfezionare e ottimizzare il flusso produttivo. Serviva infatti ottenere:
- imballi più leggeri
- spessori ridotti
- prestazioni eccellenti
- alta qualità
- sostenibilità ambientale, con l’uso di materiale plastico
(PE) riciclato.
Nello specifico l’esigenza era effettuare controlli molto più accurati sul materiale in ingresso che, anche se di qualità ha caratteristiche molto più aleatorie del materiale nuovo, ed eventualmente prendere provvedimenti.
IL PROGETTO
Anche in questo caso, ADR-Flow, il nostro sistema Open Source di supporto al riconoscimento automatico dei difetti di produzione industriale basato su Reti Neurali Profonde (DNN) e algoritmi di Machine Learning, ha mostrato la sua flessibilità ed adattabilità.
In questo caso, abbiamo deciso di applicarlo all’estrusore pilota, che veniva già utilizzato per valutare il materiale in ingresso, ma manualmente, tenendo impegnato per ore un operatore. L’estrusore pilota viene alimentato con un campione della partita da verificare, dopo di che deve essere valutata la qualità dell’estruso. Il modulo edge, di ADR-Flow, cioè la parte del sistema che si trova a
diretto contatto in questo caso con l’estrusore pilota, è stato configurato con la presenza di:
– una stazione di controllo, che gestisce l’interazione con l’operatore tramite un’interfaccia utente grafica che permette di identificare la partita sotto esame; questa organizza anche l’invio delle foto e dei metadati al server remoto (modulo cloud)
– una telecamera “intelligente”, un vero e proprio calcolatore (Raspberry, come negli altri casi) con delle potenti funzionalità incorporate che permettono di effettuare il riconoscimento automatico della presenza di difetti nell’estruso in tempo reale.
Il modulo cloud, invece, è costituito da una macchina virtuale che ha
il compito di:
- ricevere, registrare ed analizzare le immagini
- consentire a dei tecnici specializzati di ricercare le immagini, visualizzarle e classificarle manualmente, cioè dire se rappresentano un difetto oppure no, al fine di utilizzarle per
l’addestramento e la verifica continua delle prestazioni delle reti
neurali - supportare i data scientist nell’attività di addestramento delle reti
neurali - fornire al responsabile del sistema un cruscotto per tenerlo sotto controllo tramite semplici grafici e tabelle con la ripartizione dei difetti nel tempo, la sequenza di acquisizione delle immagini su scala giornaliera, settimanale o mensile, l’analisi della bontà dei riconoscimenti effettuati e, alla fine dell’acquisizione, una valutazione della bontà della partita esaminata.
Una volta addestrate, le reti neurali vengono inviate alle rispettive telecamere perché effettuino il riconoscimento in tempo reale.

RISULTATI
Il flusso di lavoro è stato migliorato e ottimizzato: ora l’operatore deve solo avviare il processo e seguirlo a campione, mentre può svolgere altri compiti. Inoltre questo ha permesso di creare un archivio di fotografie classificate che permettono di tracciare nel modo più preciso possibile le varie partite di materiale utilizzate in
ingresso.