Soluções de software para visão artificial

Hoje entrevistamos Adriano Biocchi, CEO Regional Sales Manager da MVTec Software por ocasião do 25º aniversário desta empresa líder no mercado do software para visão artificial. A MVTec é um dos principais parceiros da INFAIMON no desenvolvimento de soluções de software para visão artificial.

INFAIMON – Bom dia, Adriano. Para começar, fale-nos um pouco sobre a MVTec e o seu trabalho como Regional Sales Manager. Como é o seu dia-a-dia?

Adriano Biocchi – A MVTec desenvolve software para visão artificial exclusivamente há 25 anos. Começou como uma spin-off da Munich Technical University e Bavarian Institute for Knowledge-based System (FORWISS). Apesar de já contar com cerca de 200 trabalhadores, a MVTec ainda mantém o espírito original de desenvolver produtos tecnológicos inovadores para a utilização em todas as aplicações no mercado da visão artificial.

No que se refere ao meu dia-a-dia, a pandemia obrigou-nos a alterar hábitos em determinados aspetos. Antes viajava a cada duas semanas para visitar clientes, mas agora passei a fazer mais videochamadas. Em todo o caso, aquilo de que mais gosto no meu trabalho é dialogar com os clientes e escutar as sugestões que fazem no sentido de melhorar os nossos produtos. Sinceramente considero-me afortunado por trabalhar na MVTec.

INF – Os produtos de software da MVTec oferecem um conjunto de funções e métodos baseados em tecnologias como, por exemplo, o Deep Learning. Fala-se muito de Inteligência Artificial, Machine Learning, Deep Learning… Quais as diferenças entre estes três conceitos?

AB – A Inteligência Artificial representa a possibilidade de uma máquina imitar a inteligência humana para realizar tarefas. Apesar de muitas vezes nem nos apercebermos disso, a Inteligência Artificial está muito presente nas nossas vidas como, por exemplo, no Siri, nos filtros de spam para o correio eletrónico, nas aplicações de reconhecimento facial, Google, etc.

O Machine Learning é a prática que passa por definir regras para que um computador realize um conjunto de tarefas. Isto é, estamos a falar de uma metodologia no sentido de as máquinas aprenderem a realizar as tarefas de forma independente recorrendo a redes neurais, que trabalham de uma forma semelhante ao nosso cérebro e que permitem o treino e a inferência (por exemplo, reconhecer maças e laranjas e fazer a distinção entre as mesmas).

Por sua vez, o Deep Learning é uma malha de redes neurais que permite processar imagens com um elevado grau de precisão.

INF – Quais as vantagens do processamento de imagens utilizando Deep Learning?

AB – As soluções convencionais não funcionam no caso de determinadas aplicações industriais e é necessário aplicar algoritmos de Deep Learning para resolvê-las. Por exemplo, sem o Deep Learning, é praticamente impossível para uma máquina, por exemplo, detetar a presença ou ausência de determinados defeitos na fruta devido à sua grande variedade e heterogeneidade. Graças ao Deep Learning, a máquina aprende a reconhecer os defeitos de uma forma semelhante ao cérebro humano.

Outra vantagem é o tempo de programação. Com a visão clássica, a criação de regras e o treino podem demorar vários meses, ao passo que utilizando um software como o HALCON e MERLIC, é uma mera questão de horas (por vezes, minutos) dependendo do grau de dificuldade.

INF – Qual o papel do Big Data no boom do Deep Learning e as suas aplicações na visão artificial?

AB – Há cerca de 15 anos, as GPU não tinham potência suficiente para suportar as exigências de processamento das redes neurais de Deep Learning. Contudo, para além da potência, o treino de uma rede neural também depende da compilação de uma enorme quantidade de imagens; por isso, o Big Data é fundamental para o desenvolvimento de aplicações com Deep Learning.

Não é por acaso que as primeiras empresas que começaram a trabalhar sistematicamente com Deep Learning foram a Google, o Facebook e a Amazon, uma vez que não têm este problema com as imagens. Por curiosidade, cabe referir que o primeiro algoritmo de Deep Learning para o reconhecimento automático foi desenvolvido pela Google a partir de milhões de vídeos de gatos no YouTube.

Na MVTec usamos uma tecnologia chamada Transfer Learning que evita que o cliente tenha que investir tempo e recursos na compilação destes milhões de imagens. Oferecemos uma rede pré-treinada com milhões de imagens aos nossos clientes para que estes só tenham de realizar um segundo treino utilizando algumas dezenas de imagens para adaptar a rede à sua aplicação específica. Esta é uma das principais vantagens dos nossos softwares HALCON e MERLIC.

INF- Como prevê que será a evolução das aplicações nos próximos 5 anos graças ao Deep Learning?

AB – Há cinco anos, já trabalhávamos com Deep Learning em aplicações de OCR, mas naquela altura estava longe de imaginar a miríade de aplicações nas quais iríamos utilizar o Deep Learning atualmente. A nossa equipa de I&D está em contacto permanente com universidades e centros de investigação para estar a par dos mais recentes avanços tecnológicos e filtrar os que nos poderão ser úteis no âmbito industrial. Por isso é que se torna tão difícil fazer pronósticos sobre o desenvolvimento ou implementação de uma tecnologia específica no futuro.

Sem dúvida que o Deep Learning vai assumir uma maior relevância em aplicações futuras. Esta evolução também é evidente na nossa relação com a INFAIMON, já que, ao início, colaborávamos anualmente numa ou duas aplicações com Deep Learning, ao passo que agora trabalhamos em mais de 50 aplicações todos os anos. Acreditamos que o Deep Learning é um dos três motores que vão ganhar mais impulso nos próximos anos, juntamente com a nuvem e com a visão embedded.

INF – Das aplicações nas quais tem trabalhado, quais lhe parecem ser as mais interessantes? Pode dar-nos alguns exemplos?

AB – Como já comentámos anteriormente, o Deep Learning é uma boa solução quando se trabalha com produtos naturais, uma vez que o produto nunca vai ser igual, mas será sempre semelhante. Por vezes, apenas o cliente será capaz de fazer a distinção entre aquilo que é “bom” ou “mau”. Este tipo de projeto é ideal para o Deep Learning porque aumenta não só a precisão, como a velocidade de inspeção. Noutras aplicações, por exemplo, na indústria do metal (deteção de defeitos, arranhões, riscos, etc.), a inspeção sem Deep Learning permitia alcançar uma precisão de 95%, ao passo que com Deep Learning são alcançados níveis de precisão de 99%.

INF – A nova versão da MVTec HALCON 21.11 Progress (e o novo MERLIC 5) inclui muitas características novas e melhoradas. Que setores acha que poderão beneficiar mais com estas características?

AB – Tanto o HALCON como o MERLIC são produtos padrão, ou seja, não estão direcionados para setores específicos. A versão HALCON Progress 21.11 inclui a tecnologia Instance Segmentation que combina as vantagens das duas tecnologias com que já contávamos antes desta versão: a segmentação semântica e a deteção de objetos. Esta tecnologia é ideal para aplicações de Bin Picking e para as tarefas relacionadas com produtos naturais, uma vez que é capaz de identificar numa imagem onde está cada pixel e a que classe pertence com toda a precisão. No setor logístico, outra característica muito importante é o Barcode Reader 128, um tipo de código de barras que é muito compacto e tem uma elevada densidade de dados.

Relativamente ao MERLIC, em outubro passado lançámos o MERLIC 5 com muitas características novas e com um sistema de licença muito mais simples e flexível. Cabe salientar que o MERLIC conta agora com Anomaly Detection e Classification, duas tecnologias de Deep Learning. São as duas tecnologias mais simples para trabalhar com Deep Learning e que se adaptam às necessidades do utilizador do MERLIC para aplicações simples que exigem um desenvolvimento mais célere. Além disso, em 7 de abril deste ano iremos lançar uma nova edição do MERLIC com mais novidades.

INF – Referiu que as vossas soluções são transversais e que podem ser aplicadas em diversos setores. Em qual destes mercados identifica um maior potencial de crescimento?

AB – Acreditamos que o mercado da eletrónica e dos semicondutores vai assumir uma enorme importância este ano, tal como aconteceu em 2021. Outro mercado com muito potencial é o setor agro. A agricultura é um mercado com uma enorme dimensão ao nível mundial e onde a visão artificial ainda não está muito implantada. Também prevemos um crescimento deste setor nos próximos anos.

INF – Fale-nos um pouco mais sobre a vossa relação com a INFAIMON. Quais diria que são as vantagens de trabalhar com um parceiro como a INFAIMON?

AB – A nossa colaboração com a INFAIMON teve início em 2009. Para nós, é fundamental contar com parceiros comerciais com um elevado grau de conhecimentos sobre os sistemas de visão artificial: das câmaras ao software, passando pelas óticas e pela iluminação. O HALCON é um software bastante complexo. Nesse sentido, necessitávamos que o nosso parceiro tivesse capacidade para trabalhar com esse nível de complexidade e que contasse com uma vasta carteira de clientes em vários mercados. A INFAIMON é uma marca altamente reconhecida que conta com um suporte técnico que dá garantias e com uma equipa comercial que abrange toda a Península Ibérica, o México e o Brasil.

INF – Para terminar, tem alguma história engraçada com a INFAIMON que possa partilhar connosco?

AB – Bem, como sou italiano, a maioria das minhas histórias está relacionada com a comida. Lembro-me de uma visita que fizemos a um cliente em Espanha com o meu colega alemão e com os nossos colegas da INFAIMON. Quando a reunião terminou ao meio-dia, o meu colega alemão pensava que já estava na hora do almoço, mas infelizmente tive de informá-lo de que em Espanha se come mais tarde e que ainda tínhamos de fazer uma visita a outro cliente. Então, o meu colega teve de comer todo o chocolate que trazia consigo e teve de passar fome até às 14h30.