Esplorare vari tipi di dati per le applicazioni di Vision AI

Tecnologie come i droni erano un tempo limitate e accessibili solo a ricercatori e specialisti, ma oggi l'hardware avanzato è sempre più alla portata di un pubblico più ampio. Questo cambiamento sta trasformando il modo in cui raccogliamo i dati visivi. Grazie a tecnologie più accessibili, oggi possiamo acquisire immagini e video da diverse fonti, non solo dalle tradizionali fotocamere.

Parallelamente, l'analisi delle immagini, resa possibile dalla visione artificiale, un ramo dell'intelligenza artificiale (AI), si sta evolvendo rapidamente e permette alle macchine di interpretare ed elaborare i dati visivi in modo più efficace. Questo progresso ha aperto nuove possibilità per l'automazione, il rilevamento degli oggetti e l'analisi in tempo reale. Le macchine ora possono riconoscere schemi, tracciare movimenti e interpretare input visivi complessi.

Tra i principali tipi di dati visivi ci sono le immagini RGB (rosso, verde, blu), comunemente usate per il riconoscimento degli oggetti; le immagini termiche, che aiutano a rilevare le tracce di calore in condizioni di scarsa illuminazione; e i dati di profondità, che permettono alle macchine di comprendere gli ambienti 3D. Ciascuno di questi tipi di dati svolge un ruolo fondamentale in diverse applicazioni di Vision AI, dalla sorveglianza all'imaging medico.

In questo articolo esamineremo i principali tipi di dati visivi usati nell'AI visiva e vedremo come ciascuno contribuisce a migliorare precisione, efficienza e prestazioni in vari settori.

I tipi più comuni di insiemi di dati per immagini e video usati nell'AI#

Di solito, quando usi uno smartphone per scattare una foto o guardare le riprese di una telecamera di sorveglianza, stai lavorando con immagini RGB. RGB sta per rosso, verde e blu: sono i tre canali di colore che rappresentano le informazioni visive nelle immagini digitali.

Le immagini e i video RGB sono tipi di dati visivi strettamente correlati, entrambi acquisiti con fotocamere standard e usati nella visione artificiale. La differenza principale è che le immagini catturano un singolo istante, mentre i video sono sequenze di fotogrammi che mostrano come cambiano le cose nel tempo.

Le immagini RGB sono generalmente usate per attività di visione artificiale come il rilevamento degli oggetti, la segmentazione di istanze e la stima della posa, supportate da modelli come Ultralytics YOLO11. Queste applicazioni si basano sull'identificazione di schemi, forme o caratteristiche specifiche in un singolo fotogramma.

I video, invece, sono essenziali quando il movimento o il tempo sono fattori rilevanti, ad esempio nel riconoscimento dei gesti, nella sorveglianza o nel tracciamento delle azioni. Poiché i video possono essere considerati sequenze di immagini, i modelli di visione artificiale come Ultralytics YOLO11 li elaborano fotogramma per fotogramma per comprendere i movimenti e il comportamento nel tempo.

Per esempio, Ultralytics YOLO11 può essere usato per analizzare immagini o video RGB, rilevare le erbacce e contare le piante nei campi agricoli. Questo migliora il monitoraggio delle colture e aiuta a tenere traccia dei cambiamenti durante i cicli di crescita, per una gestione più efficiente delle aziende agricole.

Fig. 1. YOLO11 può rilevare e contare le piante per monitorare le colture in modo più intelligente.

Dati di profondità nella Vision AI: LiDAR e percezione 3D#

I dati di profondità aggiungono una terza dimensione alle informazioni visive, indicando quanto distano gli oggetti dalla fotocamera o dal sensore. A differenza delle immagini RGB, che catturano solo il colore e la trama, i dati di profondità forniscono un contesto spaziale. Mostrano la distanza tra gli oggetti e la fotocamera, rendendo possibile interpretare la disposizione 3D di una scena.

Questo tipo di dati viene acquisito con tecnologie come LiDAR, la visione stereoscopica (che usa due fotocamere per riprodurre la percezione della profondità umana) e le fotocamere Time-of-Flight (che misurano il tempo impiegato dalla luce per raggiungere un oggetto e tornare indietro). La profondità può anche essere stimata da una singola immagine RGB usando modelli di stima monoculare della profondità.

Tra queste tecnologie, il LiDAR (rilevamento e misurazione della distanza tramite luce) è spesso il metodo più affidabile per misurare la profondità. Funziona emettendo rapidi impulsi laser e misurando quanto impiegano a tornare indietro. Il risultato è una mappa 3D molto precisa, detta nuvola di punti, che evidenzia in tempo reale forma, posizione e distanza degli oggetti.

Il ruolo crescente del LiDAR nei sistemi di Vision AI#

La tecnologia LiDAR si divide in due tipologie principali, ciascuna progettata per applicazioni e ambienti specifici. Ecco una panoramica più dettagliata di entrambe:

• LiDAR aviotrasportato: usati in genere per mappare aree estese, gli scanner LiDAR aviotrasportati sono montati su droni o aeromobili per acquisire dati ad alta risoluzione e realizzare mappe topografiche su vasta scala. Sono ideali per rilevare terreni, foreste e paesaggi.
• LiDAR terrestre: questo tipo di dati LiDAR viene acquisito da sensori montati su veicoli o piattaforme fisse per applicazioni come il monitoraggio delle infrastrutture, l'edilizia e la mappatura di interni. Fornisce dati estremamente dettagliati su aree più piccole e localizzate, risultando utile per attività come la pianificazione urbana e il rilievo di strutture specifiche.

Un'importante applicazione dei dati LiDAR riguarda i veicoli autonomi, in cui svolgono un ruolo fondamentale in attività come il rilevamento delle corsie, la prevenzione delle collisioni e l'identificazione degli oggetti vicini. Il LiDAR genera mappe 3D dettagliate dell'ambiente in tempo reale, consentendo al veicolo di vedere gli oggetti, calcolarne la distanza e spostarsi in sicurezza.

Fig. 2. La tecnologia LiDAR consente ai veicoli autonomi di mappare la profondità e rilevare gli oggetti.

Uso dei dati termici e a infrarossi nelle applicazioni di AI#

Le immagini RGB catturano ciò che vediamo nello spettro della luce visibile; altre tecnologie di imaging, come quelle termiche e a infrarossi, vanno però oltre. L'imaging a infrarossi cattura la luce infrarossa emessa o riflessa dagli oggetti, risultando utile in condizioni di scarsa illuminazione.

L'imaging termico, invece, rileva il calore emesso dagli oggetti e mostra le differenze di temperatura, consentendo di operare nel buio completo o attraverso fumo, nebbia e altri ostacoli. Questo tipo di dati è particolarmente utile per il monitoraggio e il rilevamento dei problemi, soprattutto nei settori in cui le variazioni di temperatura possono segnalare potenziali criticità.

Un esempio interessante è l'uso dell'imaging termico per monitorare i componenti elettrici e rilevare eventuali surriscaldamenti. Individuando le differenze di temperatura, le termocamere possono identificare i problemi prima che causino guasti alle apparecchiature, incendi o danni costosi.

Fig. 3. Esempio di imaging termico usato per monitorare i componenti elettrici.

Allo stesso modo, le immagini a infrarossi possono aiutare a rilevare perdite nelle condutture o problemi nell'isolamento, individuando differenze di temperatura che segnalano la fuoriuscita di gas o liquidi. Questo è fondamentale per prevenire situazioni pericolose e migliorare l'efficienza energetica.

Imaging multispettrale e iperspettrale nell'AI#

Mentre l'imaging a infrarossi e quello termico catturano aspetti specifici dello spettro elettromagnetico, l'imaging multispettrale raccoglie la luce in alcune bande di lunghezza d'onda selezionate, ciascuna scelta per uno scopo specifico, come rilevare la vegetazione in buona salute o identificare i materiali delle superfici.

L'imaging iperspettrale amplia ulteriormente questo approccio, acquisendo la luce in centinaia di intervalli di lunghezze d'onda molto ristretti e continui. In questo modo si ottiene una firma luminosa dettagliata per ogni pixel dell'immagine, che permette di comprendere molto meglio qualsiasi materiale osservato.

Fig. 4. Confronto tra imaging multispettrale e iperspettrale.

Sia l'imaging multispettrale che quello iperspettrale usano sensori e filtri speciali per catturare la luce a diverse lunghezze d'onda. I dati vengono poi organizzati in una struttura 3D chiamata cubo spettrale, in cui ogni strato rappresenta una lunghezza d'onda diversa.

I modelli di AI possono analizzare questi dati per rilevare caratteristiche invisibili alle fotocamere tradizionali o all'occhio umano. Per esempio, nel fenotipaggio delle piante, l'imaging iperspettrale può essere usato per monitorare la salute e la crescita delle piante, rilevando cambiamenti impercettibili nelle foglie o nei fusti, come carenze nutritive o stress. Questo aiuta i ricercatori a valutare la salute delle piante e a ottimizzare le pratiche agricole senza ricorrere a metodi invasivi.

Analisi delle immagini radar e sonar tramite AI#

Il radar e il sonar sono tecnologie che rilevano e mappano gli oggetti inviando segnali e analizzandone i riflessi, in modo simile al LiDAR. A differenza dell'imaging RGB, che si basa sulle onde luminose per acquisire informazioni visive, il radar usa onde elettromagnetiche, in genere onde radio, mentre il sonar usa onde sonore. Entrambi i sistemi emettono impulsi e misurano il tempo che il segnale impiega a rimbalzare su un oggetto, fornendo informazioni su distanza, dimensioni e velocità.

L'imaging radar è particolarmente utile quando la visibilità è scarsa, ad esempio in presenza di nebbia, pioggia o di notte. Non dipendendo dalla luce, può rilevare aeromobili, veicoli o terreni nel buio completo. Per questo il radar è una soluzione affidabile nell'aviazione, nel monitoraggio meteorologico e nella navigazione autonoma.

Il sonar, invece, è comunemente usato negli ambienti sottomarini, dove la luce non arriva. Usa onde sonore che viaggiano nell'acqua e rimbalzano sugli oggetti sommersi, permettendo di rilevare sottomarini, mappare i fondali oceanici e svolgere missioni di soccorso subacquee. I progressi nella visione artificiale consentono ora di potenziare ulteriormente il rilevamento subacqueo, combinando i dati sonar con un'analisi intelligente per migliorare il rilevamento e il processo decisionale.

Fig. 5. Come un sistema sonar usa impulsi a ultrasuoni per misurare la profondità del mare. (Fonte: bbc.co.uk)

Dati visivi sintetici e simulati per l'addestramento dei modelli di AI#

Finora, i diversi tipi di dati di cui abbiamo parlato erano quelli che si possono raccogliere nel mondo reale. Tuttavia, i dati visivi sintetici e simulati sono entrambi tipi di contenuti artificiali. I dati sintetici vengono generati da zero usando la modellazione 3D o l'IA generativa per produrre immagini o video dall'aspetto realistico.

Fig. 6. Uno sguardo alle immagini generate sinteticamente.

I dati simulati sono simili, ma comportano la creazione di ambienti virtuali che replicano il comportamento del mondo fisico, compresi il riflesso della luce, la formazione delle ombre e il movimento degli oggetti. Sebbene tutti i dati visivi simulati siano sintetici, non tutti i dati sintetici sono simulati. La differenza fondamentale è che i dati simulati replicano comportamenti realistici, non solo l'aspetto.

Questi tipi di dati sono utili per addestrare modelli di visione artificiale, soprattutto quando è difficile raccogliere dati del mondo reale o quando è necessario simulare situazioni specifiche e rare. Gli sviluppatori possono creare intere scene, scegliere tipi e posizioni degli oggetti e condizioni di illuminazione, e aggiungere automaticamente etichette come i riquadri di delimitazione per l'addestramento. Ciò permette di creare rapidamente dataset ampi e diversificati, senza bisogno di foto reali o annotazioni manuali, che possono essere costose e richiedere molto tempo.

Per esempio, in ambito sanitario, i dati sintetici possono essere usati per addestrare modelli a segmentare le cellule del cancro al seno, per le quali è difficile raccogliere e annotare ampi dataset di immagini reali. I dati sintetici e simulati offrono flessibilità e controllo, colmando le lacune dove i contenuti visivi del mondo reale sono limitati.

Scegliere il tipo di dati visivi giusto per la tua applicazione di IA#

Ora che abbiamo visto come funzionano i diversi tipi di dati visivi e cosa possono fare, esaminiamo più da vicino quali sono i più adatti a compiti specifici:

• Immagini RGB: sono adatte alle attività generali di visione artificiale, come la classificazione delle immagini e il rilevamento degli oggetti. Acquisiscono colore e trama, ma presentano dei limiti in condizioni difficili, come la scarsa illuminazione o la visibilità ridotta.
• Imaging LiDAR: questo tipo di imaging offre mappature 3D ad alta precisione usando impulsi laser. È ideale per le applicazioni che richiedono misurazioni accurate delle distanze, come la robotica, i veicoli autonomi e l'ispezione delle infrastrutture.
• Imaging termico: poiché rileva le differenze di temperatura, è utile in condizioni di scarsa visibilità, ad esempio per il monitoraggio notturno, la lotta agli incendi o il rilevamento di dispersioni di calore in macchinari ed edifici.
• Imaging multispettrale e iperspettrale: è utile per le attività che richiedono un'analisi dettagliata dei materiali, come il monitoraggio agricolo, il controllo della qualità farmaceutica o il telerilevamento. Questi metodi forniscono informazioni più approfondite acquisendo dati in un ampio intervallo di lunghezze d'onda, oltre lo spettro visibile.
• Imaging radar e sonar: è preferito negli ambienti con scarsa visibilità. Il radar usa onde radio ed è utile nell'aviazione e nella navigazione, mentre il sonar usa onde sonore per il rilevamento subacqueo.
• Dati visivi sintetici e simulati: sono ideali per addestrare modelli di AI quando i dati reali sono limitati, non disponibili o difficili da etichettare. Questi elementi visivi artificiali aiutano a creare insiemi di dati diversificati per scenari complessi, come eventi rari o situazioni critiche per la sicurezza.

A volte, un singolo tipo di dati non fornisce precisione o contesto sufficienti nelle situazioni reali. È qui che la fusione multimodale dei sensori diventa fondamentale. Combinando i dati RGB con altri tipi di dati, come quelli termici, di profondità o LiDAR, i sistemi possono superare i limiti dei singoli sensori, migliorando affidabilità e adattabilità.

Per esempio, nell'automazione dei magazzini, usare i dati RGB per il riconoscimento degli oggetti, quelli di profondità per misurare le distanze e quelli termici per rilevare il surriscaldamento delle apparecchiature rende le operazioni più efficienti e sicure. In definitiva, i risultati migliori si ottengono selezionando o combinando i tipi di dati in base alle esigenze specifiche della tua applicazione.

Punti chiave#

Quando crei modelli di IA per la visione, scegliere il tipo di dati visivi giusto è fondamentale. Attività come il rilevamento degli oggetti, la segmentazione e il tracciamento del movimento dipendono non solo dagli algoritmi, ma anche dalla qualità dei dati di input. Dataset puliti, diversificati e accurati aiutano a ridurre il rumore e a migliorare le prestazioni.

Combinando tipi di dati come RGB, profondità, termici e LiDAR, i sistemi di IA ottengono una visione più completa dell'ambiente e diventano più affidabili in condizioni diverse. Con il continuo progresso della tecnologia, è probabile che la visione artificiale diventi più veloce, adattabile ed efficace in tutti i settori.

Unisciti alla nostra community ed esplora il nostro repository GitHub per saperne di più sulla visione artificiale. Scopri le diverse applicazioni legate all'IA in ambito sanitario e alla visione artificiale nel commercio al dettaglio nelle nostre pagine dedicate alle soluzioni. Dai un'occhiata alle opzioni di licenza per iniziare a usare l'IA per la visione.