OCR e riconoscimento ottico dei caratteri nei processi industriali

Come funziona l’OCR e cosa cambia con il Deep Learning

Per comprendere il funzionamento dell’OCR è utile distinguere l’acquisizione dell’immagine dalla lettura delle informazioni che contiene. Una telecamera ad esempio può inquadrare perfettamente un’etichetta sulla quale compare il lotto “AB12345”, ma il sistema dispone ancora di un’immagine; attraverso l’OCR può invece individuare la zona in cui è presente la scritta, riconoscere i singoli caratteri, ricostruire la sequenza e trasformarla in un’informazione digitale, pronta per essere elaborata da altri software.
Il principio di funzionamento è relativamente semplice, almeno sulla carta; nella realtà di una linea produttiva, però, le condizioni nelle quali devono essere riconosciuti i caratteri possono cambiare considerevolmente. Una data stampata in nero su un’etichetta bianca, sempre nella stessa posizione e con un’illuminazione controllata, rappresenta una situazione molto diversa rispetto a un seriale inciso su una superficie metallica riflettente, dove possono variare contrasto, angolazione e posizione del componente. Anche sulle confezioni si incontrano condizioni tutt’altro che uniformi: materiali lucidi, superfici curve, stampe poco definite o parzialmente deteriorate possono rendere più complesso il riconoscimento. L’immagine acquisita diventa quindi una parte fondamentale dell’intero processo. Illuminazione, ottica, distanza, orientamento e caratteristiche della superficie devono permettere al software di disporre di informazioni sufficientemente chiare da interpretare; per questo un progetto OCR in ambito industriale non può essere valutato esclusivamente sulla base delle capacità dell’algoritmo di riconoscimento, ma deve tenere conto dell’ambiente nel quale il sistema sarà chiamato a lavorare.
Negli ultimi anni l’utilizzo dell’Intelligenza Artificiale (AI) e, in particolare, del Deep Learning, una tecnica di apprendimento automatico basata su reti neurali addestrate a riconoscere schemi e caratteristiche all’interno delle immagini, ha permesso di affrontare con maggiore flessibilità proprio questa variabilità. Font differenti, orientamenti non uniformi, basso contrasto e diverse modalità di stampa o marcatura sono situazioni frequenti negli ambienti produttivi, dove non sempre è possibile presentare ogni oggetto alla telecamera nelle stesse condizioni. Questo non significa che il Deep Learning debba necessariamente sostituire l’OCR tradizionale. Quando i caratteri sono ben definiti, la loro posizione è prevedibile e l’acquisizione avviene in condizioni controllate, una tecnologia OCR tradizionale può rispondere perfettamente all’esigenza; se aumenta la variabilità, invece, strumenti basati sull’AI possono offrire una maggiore capacità di adattamento. Come spesso accade nei progetti di automazione, la soluzione più evoluta non è automaticamente quella più adatta: è il processo a indicare quale livello tecnologico sia realmente necessario.
Un esempio arriva dagli strumenti di Deep Learning OCR disponibili nell’ambiente Zebra Aurora Focus: la soluzione AI OCR presentata nel video che accompagna questo articolo utilizza smart camera NS42 e scanner fisso industriale FS42 con elaborazione AI integrata, insieme al software Aurora Focus, per riconoscere caratteri anche in presenza di stampe poco nitide, superfici riflettenti o basso contrasto; i modelli sono inoltre pre-addestrati su immagini reali, famiglie di font, texture, angolazioni e differenti metodi di marcatura, con l’obiettivo di ridurre le attività necessarie per la configurazione rispetto agli approcci OCR tradizionali.
Prima di scegliere la tecnologia, quindi, conviene osservare attentamente ciò che dovrà essere letto: non soltanto il contenuto dell’informazione, ma anche la superficie sulla quale compare, il metodo utilizzato per stamparla o marcarla, la posizione dell’oggetto, l’illuminazione e la velocità con cui attraverserà il punto di acquisizione. Definito questo scenario, diventa più semplice stabilire quale tipo di lettura sia necessario e capire come l’OCR possa affiancare le altre tecnologie di identificazione automatica già presenti nel processo.

OCR, barcode e controllo dei caratteri possono lavorare insieme

Per chi utilizza già barcode, QR Code o Data Matrix può sembrare naturale chiedersi perché sia necessario ricorrere anche all’OCR; in realtà, le diverse tecnologie rispondono a esigenze differenti e, in molti processi, possono lavorare contemporaneamente sullo stesso prodotto.
Un barcode o un codice 2D rappresenta un’informazione attraverso un simbolo progettato appositamente per essere acquisito da una macchina: il lettore interpreta il codice e restituisce i dati che contiene. L’OCR lavora invece sui caratteri leggibili anche dalle persone, come una data, un numero di lotto, un seriale o una sigla stampata sull’etichetta oppure marcata direttamente sul componente; informazioni che possono essere presenti accanto a un codice automatico e che, per esigenze di tracciabilità o controllo, devono essere acquisite a loro volta.
Una confezione farmaceutica, ad esempio, può riportare un Data Matrix insieme al numero di lotto e alla data di scadenza stampati in chiaro. Il sistema può acquisire il codice per identificare il prodotto e utilizzare contemporaneamente l’OCR per leggere le informazioni testuali, mettendo poi in relazione i dati raccolti. Lo stesso principio può essere applicato a una confezione alimentare, a un componente automotive oppure a un prodotto industriale identificato attraverso un seriale.
Quando l’obiettivo non è soltanto leggere ma anche controllare la correttezza di ciò che è stato stampato, occorre considerare un’ulteriore funzione: l’OCV (Optical Character Verification), ovvero la verifica ottica dei caratteri. La differenza è sostanziale, perché l’OCR riconosce ciò che compare nell’immagine, mentre l’OCV verifica che quella sequenza corrisponda all’informazione attesa; nei sistemi di visione le due funzioni possono quindi completarsi, soprattutto nel controllo di date, numeri di lotto e altre informazioni variabili.
Prendiamo una linea che sta confezionando un prodotto appartenente al lotto 2458 con scadenza 10/2027. Riconoscere correttamente i caratteri è necessario, ma il controllo diventa realmente utile quando il sistema può confrontarli con i dati relativi alla produzione in corso: se sulla confezione compare un lotto differente, manca un carattere oppure la data non corrisponde a quella prevista, l’anomalia può essere individuata mentre il prodotto è ancora sulla linea.
Non si tratta quindi di stabilire se sia “migliore” un barcode oppure l’OCR, ma di comprendere quali informazioni devono essere acquisite e quale controllo deve essere effettuato su ciascuna di esse. In alcuni processi sarà sufficiente leggere un codice, in altri occorrerà riconoscere una stringa alfanumerica; quando l’identificazione deve essere accompagnata dalla verifica delle informazioni stampate, più tecnologie possono entrare nello stesso flusso di controllo.
È proprio osservando questi flussi nella loro applicazione quotidiana che il ruolo dell’OCR diventa più chiaro, perché la tecnologia smette di essere semplicemente uno strumento per riconoscere caratteri e comincia a partecipare alle attività di produzione, qualità e tracciabilità.

Dove l’OCR trova applicazione nei processi industriali e logistici

In produzione numeri di lotto, seriali, date, codici alfanumerici e marcature accompagnano prodotti e componenti durante diverse fasi della lavorazione; sono informazioni indispensabili per la tracciabilità e il controllo qualità, ma la loro acquisizione manuale diventa difficilmente sostenibile quando aumentano i volumi e il controllo deve essere effettuato senza rallentare la linea.
Pensiamo a un impianto di confezionamento nel quale i prodotti attraversano rapidamente la stessa stazione: un operatore può effettuare controlli periodici verificando che lotto e data siano corretti, ma tra una verifica e quella successiva un problema di stampa potrebbe interessare numerose confezioni; integrando l’OCR con un sistema di visione artificiale, invece, l’immagine può essere acquisita direttamente durante il passaggio del prodotto, il testo riconosciuto e l’informazione confrontata con quella prevista. Il controllo entra così nel processo produttivo e può essere ripetuto in maniera sistematica, senza dipendere esclusivamente dalla verifica manuale.
È questo il caso d’uso sul quale si concentra anche la soluzione Zebra mostrata nel video: nelle linee di packaging ad alto volume, AI OCR, Aurora Focus e dispositivi NS42 o FS42 vengono utilizzati per automatizzare il controllo di date e codici di lotto, lavorando anche su superfici riflettenti, stampe poco nitide o caratterizzate da basso contrasto. Zebra collega questa automazione alla possibilità di ridurre gli errori, gli scarti e il rischio di richiami, intervenendo sul controllo mentre la produzione è ancora in corso.
Il passaggio successivo ci porta naturalmente fuori dalla linea produttiva. Una volta confezionato, il prodotto entra nei flussi logistici e le informazioni che lo accompagnano devono continuare a essere disponibili durante ricevimento, stoccaggio, movimentazione e spedizione; cambiano le condizioni operative, perché non abbiamo necessariamente oggetti presentati alla telecamera sempre nello stesso modo, ma colli e pallet con etichette differenti, riferimenti alfanumerici e informazioni che possono dover essere acquisite o confrontate con quelle presenti nei sistemi aziendali.
Durante il ricevimento merci, ad esempio, può essere necessario acquisire un riferimento stampato sull’imballaggio che non è codificato all’interno di un barcode. L’operatore potrebbe trascriverlo manualmente, con il tempo e il rischio di errore che questa attività comporta, oppure acquisirlo attraverso un dispositivo dotato di capacità OCR; nei processi caratterizzati da volumi elevati e flussi ripetitivi, la stessa operazione può essere affidata a una postazione fissa. Una volta riconosciuto, il dato può essere confrontato con le informazioni presenti nel WMS (Warehouse Management System), il sistema utilizzato per gestire le attività di magazzino, verificando che quanto ricevuto corrisponda a ciò che era atteso.
Una dinamica simile può verificarsi prima della spedizione, quando un riferimento presente sul collo deve essere confrontato con l’ordine, oppure durante altre attività nelle quali informazioni già disponibili fisicamente devono essere riportate nel flusso digitale. La configurazione della soluzione dipenderà dal processo: poche letture distribuite in punti differenti possono rendere più funzionale un dispositivo mobile utilizzato dall’operatore, mentre volumi elevati e percorsi ripetitivi possono giustificare una postazione automatizzata.
Seguendo idealmente il percorso del prodotto, l’OCR trova poi applicazioni anche nel retail, dove informazioni presenti su confezioni ed etichette possono supportare attività di verifica e controllo, e in settori come il farmaceutico e l’alimentare, nei quali lotto e data di scadenza assumono una particolare rilevanza. In questi casi un’informazione errata o illeggibile non rappresenta soltanto un rallentamento operativo: può incidere sulla tracciabilità del prodotto e sulla capacità di individuare tempestivamente eventuali anomalie.
Produzione, magazzino e punto vendita presentano quindi condizioni molto diverse, ma condividono la stessa esigenza di fondo: trasformare un’informazione già presente fisicamente sul prodotto o sull’imballaggio in un dato digitale, evitando quando possibile attività di lettura e trascrizione manuale. Stabilire come farlo richiede però un’analisi del processo, perché cambiano il dispositivo, l’ottica, l’illuminazione, il software e il livello di automazione necessario; ciò che rimane invariato è la necessità di capire quale informazione dobbiamo acquisire e per quale motivo ci serve.
La risposta porta inevitabilmente oltre la semplice lettura dei caratteri, verso il modo in cui quel dato dovrà essere gestito una volta entrato nel sistema.

Dalla lettura dei caratteri alla gestione del dato

Riconoscere correttamente una sequenza di caratteri rappresenta solo una parte dell’applicazione. Se una smart camera legge un numero di lotto, ma quell’informazione rimane confinata all’interno del dispositivo, abbiamo automatizzato una lettura; il valore per il processo aumenta quando il dato viene associato al prodotto, confrontato con quello atteso e condiviso con i sistemi che gestiscono produzione, qualità, magazzino o tracciabilità.
Un seriale acquisito lungo una linea può, ad esempio, essere associato alla storia produttiva di un componente, mentre una data può essere confrontata automaticamente con quella prevista per il lotto in lavorazione; in magazzino, un riferimento letto durante il ricevimento può invece essere trasmesso al WMS per verificare la merce in ingresso. A seconda dell’architettura aziendale, le informazioni possono dialogare anche con il MES (Manufacturing Execution System), utilizzato per gestire e monitorare l’esecuzione della produzione, o con l’ERP (Enterprise Resource Planning), che coordina dati e processi aziendali più ampi.
Progettare un’applicazione OCR significa quindi partire dal processo, non dalla telecamera. Occorre stabilire quale informazione debba essere acquisita, dove si trovi, come venga stampata o marcata, a quale velocità debba essere letta e con quale livello di affidabilità; allo stesso tempo bisogna definire cosa dovrà accadere dopo il riconoscimento, perché da questa risposta dipenderanno l’integrazione software, l’eventuale verifica del dato e le azioni da attivare quando viene rilevata un’anomalia.
È un approccio che Lexter applica più in generale ai progetti di identificazione automatica e visione artificiale: partire dall’informazione necessaria al processo consente di individuare la tecnologia più adatta per acquisirla e integrarla con l’infrastruttura esistente, evitando di costruire il progetto intorno a uno strumento scelto a priori.
Vista da questa prospettiva, la funzione dell’OCR va oltre la capacità di far “leggere” dei caratteri a una macchina: crea un collegamento tra le informazioni presenti nel mondo fisico e i sistemi digitali che devono utilizzarle. Quando questo collegamento entra realmente nel flusso operativo, il riconoscimento automatico può contribuire a rendere più continui i controlli, più affidabile la tracciabilità e, soprattutto, immediatamente disponibili dati che altrimenti richiederebbero ancora un intervento manuale.