AI nella Sicurezza del Carico: Un Nuovo Approccio

La sicurezza del carico è un aspetto cruciale per qualsiasi azienda di logistica. Nel 2020, sono state effettuate molte ispezioni sui camion, rivelando che quasi il 10% di questi controlli ha trovato violazioni delle norme di sicurezza del carico. Ogni violazione può comportare pesanti multe e danneggiare la reputazione dell'azienda. Quando un fornitore di servizi logistici ha un problema di sicurezza del carico, può influenzare sia i conducenti che gli ispettori dei carichi. Se qualcosa va storto che impatta altre persone, l'azienda potrebbe anche affrontare cause legali. Quindi, garantire la sicurezza dei carichi prima che i camion partano è vitale.

#Ruolo delle Foto nella Valutazione della Sicurezza del Carico

Per confermare che seguono le leggi sulla sicurezza del carico, le aziende di logistica spesso scattano foto del carico nei camion prima che partano. Alcune aziende hanno personale addestrato a rivedere queste foto e assicurarsi che tutto rispetti gli standard di sicurezza prima di far partire i camion. Tuttavia, con tanti carichi da controllare, questo processo può essere molto lento, specialmente se le foto sono di bassa qualità. Le immagini potrebbero essere poco chiare o non mostrare i dettagli necessari per valutare efficacemente la sicurezza.

#Come l'IA Può Aiutare nei Controlli di Sicurezza del Carico

Questo articolo esplora come l'intelligenza artificiale (IA) possa semplificare il lavoro di controllo della sicurezza del carico. L'obiettivo è classificare le foto del carico in tre categorie: I) carico caricato in modo sicuro, II) carico caricato in modo non sicuro e III) immagini inutilizzabili. Utilizzando programmi informatici che analizzano le immagini, è possibile aiutare i team di controllo qualità a determinare se un carico è sicuro o meno.

I sistemi IA possono essere sviluppati per separare le immagini inutilizzabili da quelle che possono essere valutate. Questo è essenziale perché a volte i conducenti scattano foto che non mostrano chiaramente il carico o la struttura del camion. Nei casi in cui l'IA può determinare che una foto non può essere utilizzata, un umano può successivamente valutare la sicurezza del carico nelle immagini utilizzabili.

#Proposta di Sistema Centralizzato

Un modo per migliorare questo processo è utilizzare una piattaforma centralizzata. Con un tale sistema, tutti i dati logistici, comprese le foto, possono essere memorizzati e valutati su un'unica piattaforma. Questo potrebbe essere ospitato nel cloud o eseguito su un server interno. Un tale setup può aiutare a mantenere la sicurezza dei carichi controllando le immagini rispetto ai requisiti di sicurezza.

Per garantire la sicurezza del carico, le aziende hanno bisogno di sistemi che possano verificare il carico anche quando i conducenti non sono dipendenti permanenti. Spesso il carico viene caricato da subappaltatori e controllato dal personale successivamente. Se un dipendente annota che un carico è sicuro, scatta una foto e la invia attraverso la piattaforma centralizzata. Incorporando l'IA in questa piattaforma, il processo potrebbe ridurre significativamente il carico di lavoro per il personale di controllo qualità.

#Basi delle Reti Neurali Artificiali (ANN)

Le reti neurali artificiali (ANN) sono strumenti versatili utilizzati per vari compiti come la Classificazione delle Immagini. Possono identificare diverse caratteristiche nelle foto, come bordi e colori. Quando addestrate correttamente, le ANN imparano a riconoscere quali caratteristiche sono significative nel determinare se un carico è sicuro.

Per compiti di classificazione delle immagini come la valutazione della sicurezza del carico, le reti neurali convoluzionali (CNN) sono particolarmente efficaci. Le CNN si concentrano sul riconoscere aspetti rilevanti delle immagini, il che è fondamentale quando si valuta la sicurezza del carico.

#Preparazione dei Dati per l'ANN

Una parte importante dell'addestramento delle ANN è garantire che ci sia abbastanza dati di qualità. Quando si addestrano modelli di IA, avere dataset bilanciati è cruciale. Se alcune categorie contano troppi o troppi pochi esempi, l'IA potrebbe avere difficoltà a imparare correttamente.

Per contrastare questo, possono essere applicate tecniche di Aumento dei Dati. Questo processo aumenta artificialmente la quantità di dati modificando immagini esistenti attraverso tecniche come ribaltamento, rotazione e modifica della luminosità. Questo crea nuove immagini che aiutano ad addestrare meglio le ANN.

#Classificazione delle Immagini per la Sicurezza del Carico

Il compito di valutare la sicurezza del carico comporta il sorteggio delle immagini nelle tre categorie menzionate in precedenza. Questo può essere fatto in due modi principali. Un metodo prevede di classificare direttamente le immagini come sicure, non sicure o inutilizzabili. L'altro metodo utilizza un albero decisionale, dove il primo passo è determinare se un'immagine è utilizzabile o meno. Se lo è, il passo successivo è classificarla come sicura o non sicura.

Utilizzare un albero decisionale può semplificare il processo di classificazione. Le immagini inutilizzabili sono spesso facili da identificare. Tuttavia, determinare se un carico è sicuro o non sicuro può essere più complicato, anche se attualmente sono gli esseri umani a valutare questo, rendendo possibile per l'IA affrontare questo compito con un addestramento adeguato.

#Struttura del Dataset

Il dataset utilizzato per addestrare l'IA contiene oltre 5.700 immagini scattate durante le spedizioni di carico. Tutte le foto mostrano la vista posteriore dei camion, scattate da dipendenti responsabili del controllo della sicurezza del carico. Poiché queste immagini provengono dal processo di spedizione reale in una società di logistica, rappresentano scenari del mondo reale, rendendo i dati preziosi per addestrare il modello di IA.

Le immagini sono suddivise in tre classi:

• I) 1.813 immagini di carico caricato in modo sicuro.
• II) 2.355 immagini di carico caricato in modo non sicuro.
• III) 1.544 immagini inutilizzabili che mancano dei dettagli necessari per i controlli di sicurezza.

#Sfide con il Dataset

Sebbene utilizzare immagini reali sia vantaggioso, comporta anche delle sfide. L'errore umano può portare a una classificazione errata delle immagini, sia a causa di foto di bassa qualità che di standard diversi utilizzati durante le valutazioni. Tuttavia, questi esempi della vita reale aiutano a preparare meglio i sistemi di IA per applicazioni pratiche.

Le immagini hanno tipicamente una risoluzione di 3456x4608 pixel e sono in formato colore RGB. Le tre classi di immagini sono chiaramente definite, facilitando l'addestramento dell'IA.

#Importanza dell'Aumento dei Dati

L'aumento dei dati è cruciale nell'addestramento dei modelli di IA per un apprendimento efficace. Aiuta a prevenire l'overfitting fornendo più esempi da cui l'IA può apprendere, specialmente quando i dataset sono limitati. Tecniche come il ribaltamento delle foto o la modifica della luminosità possono avere un impatto significativo sui risultati dell'addestramento.

#Diverse Architetture CNN Utilizzate

Sono state testate diverse architetture CNN per il progetto, con due modelli profondi (InceptionV3 e ResNet101) e un modello superficiale (LogisticNet basato su AlexNet). Ognuna di queste architetture ha qualità uniche che possono influenzare quanto bene performano nella classificazione delle immagini.

• L'architettura InceptionV3 ha raggiunto la massima accuratezza nei test, mostrando un buon potenziale per valutare la sicurezza del carico.
• ResNet101 ha fornito risultati solidi, ma ha incontrato problemi di overfitting.
• LogisticNet era più semplice ed efficace, ma non ha performato bene come gli altri.

Addestrare ciascuno di questi modelli per 300 epoche ha permesso loro di apprendere schemi e riconoscere caratteristiche nelle immagini del carico.

#Risultati e Accuratezza

Dopo l'addestramento, i modelli CNN hanno mostrato risultati promettenti nel distinguere tra immagini utilizzabili e inutilizzabili per i controlli di sicurezza dei carichi. Tutti i modelli hanno raggiunto oltre il 90% di accuratezza nell'identificare se le immagini potevano essere valutate per la sicurezza.

Tuttavia, quando si trattava di distinguere tra carichi caricati in modo sicuro e non sicuro, l'efficacia dell'IA è diminuita. Anche se alcuni modelli potevano identificare correttamente i carichi sicuri, le classificazioni errate erano più frequenti, indicando che l'IA aveva difficoltà a differenziare casi sfumati.

#Conclusione

In conclusione, l'IA può supportare significativamente le valutazioni della sicurezza del carico per le aziende di logistica. Filtrando le immagini inutilizzabili prima della valutazione umana, riduce il carico sui sistemi di controllo qualità. Tuttavia, classificare accuratamente i carichi sicuri e non sicuri richiede ulteriori perfezionamenti. Implementare questa funzionalità in una piattaforma logistica centralizzata può migliorare l'efficienza dei controlli di sicurezza pur richiedendo comunque una supervisione da parte degli operatori umani. Il settore del trasporto commerciale ha molto da guadagnare dal miglioramento dei protocolli di sicurezza del carico attraverso l'integrazione dell'IA, anche se ci sono sfide da affrontare.