IT201900011778A1

IT201900011778A1 - Metodi implementati tramite computer per addestrare o utilizzare una infrastruttura software basata su tecniche di machine learning

Info

Publication number: IT201900011778A1
Application number: IT102019000011778A
Authority: IT
Inventors: Enrico Ursella; Federico Giudiceandrea; Enrico Vicario
Original assignee: Microtec Srl
Priority date: 2019-07-15
Filing date: 2019-07-15
Publication date: 2021-01-15
Also published as: US20210019873A1; US11620742B2; EP3767583B1; EP3767583C0; EP3767583A1

Description

DESCRIZIONE

annessa a domanda di brevetto per invenzione industriale avente per titolo:

METODI IMPLEMENTATI TRAMITE COMPUTER PER ADDESTRARE O UTILIZZARE UNA INFRASTRUTTURA SOFTWARE BASATA SU TECNICHE DI MACHINE LEARNING

DESCRIZIONE

La presente invenzione attiene sia ad un metodo implementato tramite computer per rilevare caratteristiche interne di interesse di un oggetto di tipo predeterminato, che impiega su una infrastruttura software basata su tecniche di machine learning, e che utilizza, come dati di input, dati ottenuti da un esame tomografico tridimensionale dell'oggetto di interesse, sia al metodo utilizzato per addestrare l'infrastruttura software.

L'invenzione in questione è stata inizialmente sviluppata con riferimento al settore della lavorazione del legname, allo scopo di rendere sempre più efficienti gli strumenti informatici utilizzabili per esaminare i risultati di un esame tomografico in modo tale da permettere una ottimizzazione sempre migliore del taglio dei tronchi o delle tavole in pezzi di legno più piccoli.

Ciò nonostante la presente invenzione è applicabile in qualsiasi altro settore in cui siano sentite esigenze analoghe. A titolo di esempio può essere utilizzata in relazione ai seguenti prodotti:

– parti di carne animale: per una loro valutazione in ottica di utilizzarle per la preparazione di alimenti quali insaccati e salumi;

– salumi ed insaccati: per l'identificazione di grasso, cartilagini, bolle d'aria, presenza di muffe prima o dopo l’affettatura;

– pane a fette e formaggi: per identificare eventuali bolle d'aria e/o inquinanti

– materiali lapidei (es. marmo): per verificare la presenza di inclusioni e/o vuoti interni;

– prodotti di fusione: anche in questo caso per rilevare la presenza di eventuali inclusioni e/o vuoti interni;

– prodotti stampati 3D: per verificare la presenza di eventuali vuoti interni. Come detto, la presente invenzione mira ad utilizzare, come dati di partenza, esclusivamente le informazioni che possono essere ottenute da un esame tomografico di un oggetto.

Come è noto, la tomografia è una tecnologia che permette di analizzare la struttura interna di un oggetto tramite l’elaborazione di immagini a raggi x acquisite da angolature diverse.

Oggi le applicazioni principali della tomografia sono in campo medico, per l’ispezione di bagagli negli aeroporti, per test scientifici e per la valutazione a campione della qualità della produzione industriale.

Una applicazione che da alcuni anni sta iniziando a diffondersi, è quella della indagine non distruttiva sull’intera produzione in una certa filiera ed in particolare la possibilità di utilizzare tale indagine per ottimizzare le fasi successive di lavorazione. Come accennato all'inizio di questa descrizione, in questo campo rientrano le applicazioni nel contesto degli impianti di lavorazione del legname (segherie), ed in particolare l'utilizzo della tomografia nell’ottimizzazione del taglio di tronchi per la produzione di tavole.

Lo sviluppo di sistemi automatici di ispezione e di calcolo di uno schema di taglio ottimizzato, richiede di avere a disposizione software in grado di analizzare le immagini tomografiche prodotte, in modo preciso, veloce e totalmente automatico, ed in grado di poter predire correttamente la qualità e le caratteristiche dei sottoprodotti (tavole) che si potranno ottenere una volta che il materiale di partenza (tronco) sia stato lavorato. La qualità dei sottoprodotti dipenderà ad esempio dalla loro struttura interna (es. presenza o meno di difetti quali nodi per applicazioni strutturali del legno), o dal loro aspetto superficiale (nel caso di applicazioni "estetiche" del legno).

Si noti che nel contesto della presente invenzione le diciture "immagini tomografiche" e "dati ottenuti da un esame tomografico" devono essere intese come sinonimi e intercambiabili in quanto le immagini tomografiche sono la semplice riproduzione grafica dei dati.

La tomografia computerizzata per l'ottimizzazione della produzione nelle segherie è una realtà da alcuni anni. Lo scanner denominato CT Log è uno scanner tomografico prodotto e commercializzato da questa stessa richiedente, che è in grado di eseguire una tomografia di tronchi con velocità fino a 180 m/min, calcolare un modello delle caratteristiche interne di ciascun tronco e ottimizzare l'intero processo di taglio successivo, in base alle caratteristiche della materia prima e le richieste di produzione della segheria (Giudiceandrea, F., Ursella, E., & Vicario, E. - 2011, September -. A high speed CT scanner for the sawmill industry. In Proceedings of the 17th international non destructive testing and evaluation of wood symposium - pp.14-16. Sopron, Hungary: University of West Hungary). Molte pubblicazioni hanno dimostrato il vantaggio economico di ottimizzare il processo di taglio con l'uso di immagini tomografiche (Rais, A., Ursella, E., Vicario, E., & Giudiceandrea, F. (2017). The use of the first industrial X-ray CT scanner increases the lumber recovery value: case study on visually strength-graded Douglas-fir timber. Annals of forest science, 74(2), 28; Berglund, A., Broman, O., Grönlund, A., & Fredriksson, M. (2013). Improved log rotation using information from a computed tomography scanner. Computers and electronics in agriculture, 90, 152-158; Stängle, S. M., Brüchert, F., Heikkila, A., Usenius, T., Usenius, A., & Sauter, U. H. (2015). Potentially increased sawmill yield from hardwoods using X-ray computed tomography for knot detection. Annals of forest science, 72(1), 57-65).

Il problema del rilevamento automatico delle caratteristiche interne di un tronco dalle immagini tomografiche è stato affrontato da molti lavori, in particolare per il rilevamento dei nodi (Andreu, Jean-Philippe, and Alfred Rinnhofer. "Modeling of internal defects in logs for value optimization based on industrial CT scanning." Fifth International Conference on Image Processing and Scanning of Wood. Bad Waltersdorf Austria, 2003; Breinig, L., Brüchert, F., Baumgartner, R., & Sauter, U. H. (2012). Measurement of knot width in CT images of Norway spruce (Picea abies [L.] Karst.)— evaluating the accuracy of an image analysis method. Computers and electronics in agriculture, 85, 149-156; Fredriksson, M., Cool, J., Duchesne, I., & Belley, D. (2017). Knot detection in computed tomography images of partially dried jack pine (Pinus banksiana) and white spruce (Picea glauca) logs from a Nelder type plantation. Canadian Journal of Forest Research, 47(7), 910-915; Cool, J., Fredriksson, M., & Avramidis, S. (2017). Knot detection in coarse resolution CT images of logs. In 23rd International Wood Machining Seminar, Warsaw, Poland, 28-31 May 2017; Longuetaud, F., Mothe, F., Kerautret, B., Krähenbühl, A., Hory, L., Leban, J. M., & Debled-Rennesson, I. (2012). Automatic knot detection and measurements from X-ray CT images of wood: a review and validation of an improved algorithm on softwood samples. Computers and Electronics in Agriculture, 85, 77-89.). Tutti questi lavori, pur presentando risultati interessanti, hanno evidenziato come sviluppare un software in grado di interpretare in modo corretto le immagini tomografiche costituisca una sfida molto difficile che richiederebbe la capacità di programmare un computer in modo tale da poter discriminare tra tutti i possibili casi reali che possono capitare.

Proprio per cercare di ovviare a questa difficoltà è stato anche proposto di applicare allo studio dei dati ottenibili da un esame tomografico, tecniche di machine learning (Pei Li, Jing He, A. Lynn Abbott, & Daniel L. Schmoldt; (1996); Labeling Defects in CT Images of Hardwood Logs With Species-Dependent and Species-Independent Classifiers; Proceedings of the IAPR TC-8 Workshop on Machine Perception Applications Technical University Graz, Austria 2-3 September, 1996; 113-126; Daniel L. Schmoldt, Pei Li, A. Lynn Abbott; (1995), Log Defect Recognition Using CT Images and Neural Net Classifiers 2nd International Workshop/Seminar on Scanning Technology and Image Processing on Wood Skellefteå Sweden, Aug 14-16, 1995, 77-87). Con la definizione machine learning (data la sua diffusione universale nella presente invenzione si usa la definizione inglese corrispondente alla definizione italiana “apprendimento automatico”) si intende una serie di tecniche utilizzate addestrare un calcolatore a determinare in modo autonomo informazioni a partire da un set di dati di partenza.

Come è noto, una delle applicazioni principali attuali del machine learning è il riconoscimento di immagini. In tale contesto lo scopo è riconoscere in modo autonomo il contenuto di una immagine. L'addestramento si basa solitamente su di un algoritmo matematico implementato su una apposita infrastruttura software, cui vengono forniti numerosi esempi di immagini etichettate in base ai criteri di interesse. Una parte degli esempi (denominata training set) viene valutata dell’algoritmo per calcolare in modo autonomo una serie di parametri interni dell'algoritmo utilizzando anche degli algoritmi di ottimizzazione del risultato ottenuto (in questo caso intesi come minimizzazione dell'errore).

Una volta che il sistema ha trovato una ottimizzazione dei propri parametri, esso viene valutato su un altro gruppo di esempi noti (denominato test set ), per verificare la capacità del sistema di funzionare anche in situazioni nuove; se il responso è favorevole, vale a dire se i risultati sono quelli attesi, il sistema può finalmente essere utilizzato a livello industriale.

Fino ad alcuni anni fa, le tecniche di machine learning applicate al riconoscimento di immagini si basavano solo su di una elaborazione preliminare delle immagini, durante la quale venivano calcolate delle caratteristiche predefinite su ogni parte dell’immagine (ad es. gradienti, distribuzione statistica di gruppi di pixel, SIFT… ); i risultati dell'elaborazione preliminare venivano poi passati ad un classificatore (ad es. bayesiano, SVN, random forest) precedentemente addestrato tramite esempi (ciascuno costituito da dati di input e corrispondenti dati di output desiderati) a calcolare dei parametri in grado di classificare correttamente intere immagini o loro porzioni.

Negli ultimi anni si sono invece diffuse anche tecniche denominate di deep learning, che utilizzano reti neuronali profonde (cioè con un numero di strati superiore alle 2 o 3 presenti in passato) ed in particolare le reti neuronali convoluzionali, che si sono rivelate particolarmente adatte all’analisi di immagini. Le reti neuronali convoluzionali (in inglese "Convolutional Neural Network" - CNN) sono degli algoritmi matematici che utilizzano come ingresso una o più immagini digitali, e sono tipicamente in grado di fornire come uscita una classifica dell’intera immagine (es. immagine di auto, immagine di gatto, immagine di volto di persona, ecc…), una classifica dei singoli pixel dell’immagine (pixel appartenente all'oggetto principale dell'immagine – persona, auto, animale, pixel appartenente allo sfondo, al cielo, al pavimento, ecc…), o una classifica di aree dell'immagine che presentino caratteristiche comuni (es. suddivisione dell'immagine in un'area che corrisponde ad un edificio, in una area che corrisponde al cielo, in un'area che corrisponde alla pavimentazione, ecc… – questa suddivisione di un'immagine in aree che racchiudono pixel tra loro coerenti è definita segmentazione semantica o semantic segmentation).

Sia in letteratura, sia a livello software, esistono molti tipi di CNN. In molte applicazioni le CNN sono costituite da molti strati (o livelli) di elaborazione successivi. All’interno di ciascuno strato ai dati in ingresso possono essere applicate convoluzioni con uno o più nuclei (i cui valori vengono imparati – decisi dalla CNN in fase di addestramento), funzioni lineari o non lineari (ad esempio max(x,0) min(x,0), ecc… dove x è il valore in esame) o funzioni di sottocampionamento. In tutte le applicazioni di machine learning di interesse per la presente invenzione, ciascuna elaborazione prevede più livelli attivati in successione, ove ciascun livello successivo al primo utilizza come input i dati di uscita del livello precedente. All'interno di ciascun livello i dati sono poi trattati in accordo con varie funzioni matematiche combinate a seconda delle scelte del programmatore; può trattarsi sia di funzioni lineari, sia di funzioni non lineari, sia di loro combinazioni.

In generale, la realizzazione di una rete neurale specializzata per una certa funzionalità prevede che un programmatore definisca solo i cosiddetti “iperparametri”, quali il numero di strati, il numero di convoluzioni per ogni strato, le dimensioni ed il passo dei nuclei di convoluzione, e così via. Poi è necessario fornire alla CNN un numero sufficiente di esempi in cui siano noti sia l’ingresso, sia l’uscita desiderata.

Oggi sono disponibili molte infrastrutture software in grado di gestire una CNN nonché di ottimizzare, in fase di addestramento, il calcolo dei parametri interni della rete (quelli utilizzati da ogni funzione) affinché questa risolva il compito assegnatole al meglio.

Negli ultimi anni, sia la comunità scientifica sia molti investitori privati hanno fatto investimenti enormi in questo campo, cosicché oggi esistono vari strumenti che permettono sia di strutturare l'infrastruttura software di una rete, sia di eseguirne l'addestramento (per farle "imparare" i parametri ottimali della rete), sia di eseguire la cosiddetta inferenza (usare la rete per analizzare dati sconosciuti dopo che la rete è stata addestrata).

A titolo di esempio si ricordano TensorFlow, Caffe.

La difficoltà principale che si presenta nell’uso effettivo di sistemi di machine learning in generale, e di reti neurali profonde (quali le CNN) in particolare, è la necessità di avere a disposizione un numero estremamente elevato di esempi accuratamente elaborati affinché un sistema sia in grado di imparare correttamente i propri parametri. Il numero di esempi necessari cresce inoltre con la complessità del problema affrontato.

Mentre per applicare algoritmi classici a problemi sufficientemente semplici qualche centinaio di esempi possono essere sufficienti, le CNN di ultima generazione hanno dimostrato di saper risolvere problemi anche molto difficili, ma a patto di avere a disposizione migliaia, decine di migliaia e talvolta milioni di esempi da utilizzare in fase di addestramento.

Sino ad oggi, per permettere lo sviluppo di reti in grado di eseguire analisi accurate di immagini, la principale soluzione adottata è stata quella di coinvolgere grandi numeri di persone nel guardare immagini e classificarle; in questo modo è stato in un certo senso possibile insegnare ai computer l’abilità del cervello umano nell’analizzare immagini.

Nell’applicazione delle tecniche di machine learning all’interpretazione di risultati di un esame tomografico, tuttavia, sebbene il risultato di un esame tomografico possa essere rappresentato in forma di immagini (tipicamente immagini in scala di grigio rappresentative della densità dell'oggetto in ciascun punto), ci si è dovuti scontrare con il fatto che quelle che si possono ottenere sono immagini di una natura completamente diversa rispetto a quelle per le quali il cervello umano è generalmente addestrato. L’interpretazione di una immagine tomografica è infatti completamente diversa da quella di una normale immagine quotidiana, sia per il suo aspetto, sia per il fatto specifico di essere un’immagine tridimensionale. In campo medico diagnostico, un radiologo ha bisogno di una lunga fase di apprendimento per riuscire ad interpretare correttamente la rappresentazione di una immagine tomografica e tipicamente deve necessariamente soffermarsi a guardare solo un certo insieme di immagini bidimensionali estratte dalle scansioni tridimensionali (eseguendo tramite un computer delle sezioni virtuali dell'immagine tomografica).

La creazione di un database sufficientemente numeroso di immagini tomografiche correttamente etichettate da esseri umani si è quindi rivelato un lavoro molto complicato e dispendioso in termini di tempi.

L’intuizione innovativa che sta alla base della presente invenzione è stata quella di mettere a punto sia un metodo innovativo di addestramento di una infrastruttura software basata su tecniche di machine learning, che ha permesso di addestrare infrastrutture software per l'analisi di dati ottenuti da esami tomografici, sia un corrispondente metodo per la creazione di un folto database di esempi da utilizzare per il training.

Nel contesto sin qui descritto, è stato quindi compito tecnico della presente invenzione mettere a punto un metodo implementato tramite computer per addestrare una infrastruttura software, basata su tecniche di machine learning, all'analisi di dati ottenuti da un esame tomografico tridimensionale di oggetti di tipo predeterminato, allo scopo di determinare informazioni circa caratteristiche interne di interesse degli oggetti stessi.

È stato ulteriormente compito tecnico della presente invenzione mettere a punto un metodo che permettesse di creare un ampio (numeroso) database di esempi noti (per ciascuno dei quali fossero noti sia il risultato dell'esame tomografico, sia informazioni circa le caratteristiche di interesse) da utilizzare per l'addestramento di una infrastruttura software basata su tecniche di machine learning per l'analisi di dati tomografici.

Almeno alcuni dei compiti tecnici indicati sono raggiunti da quanto descritto nelle unite rivendicazioni, ma la richiedente si riserva fin d'ora la possibilità di tutelare autonomamente anche altri aspetti innovativi descritti nella presente descrizione, eventuale mediante deposito di successive domande di brevetto divisionali.

Ulteriori caratteristiche ed i vantaggi della presente invenzione appariranno maggiormente evidenti dalla descrizione dettagliata di alcune forme di esecuzione preferite, ma non esclusive, della presente invenzione.

Come già anticipato sopra, la presente invenzione è stata sviluppata nel contesto di un metodo implementato tramite computer che permette di rilevare caratteristiche interne di interesse di un oggetto di tipo predeterminato. L'applicazione preferita ma non limitativa della presente invenzione riguarda il caso in cui gli oggetti sono tronchi o tavole da tagliare in più pezzi.

Il metodo implementato tramite computer prevede l'utilizzo di una infrastruttura software basata su tecniche di machine learning, preferibilmente una infrastruttura software che comprende una rete neurale, una rete neurale profonda, una rete neurale convoluzionale, o una combinazione di due o più di queste.

L'infrastruttura software è programmata in modo tale da utilizzare, come dati di input, dati ottenuti da un esame tomografico tridimensionale dell'oggetto. In modo di per sé noto, l'esame tomografico viene effettuato suddividendo virtualmente, in un computer, l'oggetto esaminato in una pluralità di voxel, vale a dire in una pluralità di volumi elementari, ciascuno dei quali viene assunto come avente una densità (assoluta o relativa) costante. In una applicazione oggi preferita per quanto riguarda l'esame tomografico di tronchi (lo scanner CT Log prodotto e commercializzato da questa stessa richiedente), ciascun voxel ha una dimensione di 1 mm x 1 mm trasversalmente all'asse principale di sviluppo del tronco, e di 10 mm parallelamente all'asse.

I dati ottenuti dall'esame tomografico tridimensionale corrispondono ad un valore per ciascun voxel; tale valore è rappresentativo della densità media (assoluta o relativa) dell'oggetto in quel voxel, anche se non può essere inteso come una misura esatta della densità stessa (si ricorda che esso è ottenuto calcolando l'attenuazione dei raggi x attribuibile a quel voxel di materiale che costituisce l'oggetto).

A seconda delle forme realizzative, l'infrastruttura software può essere programmata per fornire risultati di tipo diverso.

In una prima applicazione, essa è programmata per fornire come dati di output, una classificazione di ciascun voxel (o di almeno una serie dei voxel in cui l'oggetto è stato suddiviso dall'esame tomografico), in una classe di appartenenza. La classe di appartenenza sarà preferibilmente scelta all'interno di un gruppo di possibili classi di appartenenza preimpostate. A titolo di esempio, nel caso in cui l'oggetto sia costituito da un tronco, per ciascun voxel il dato potrebbe corrispondere ad una caratteristica del legno o altro materiale che lo costituisce. Il gruppo delle possibili classi di appartenenza potrebbe quindi comprendere: durame, alburno, nodo sano, nodo morto, sacca di resina, crepa/vuoto, ecc… Nel caso di questa applicazione, quindi, le caratteristiche interne di interesse possono essere costituite dalla natura di ciò che costituisce ciascun voxel.

In accordo con una seconda applicazione, l'infrastruttura software può fornire, come dati di output, una segmentazione di almeno parte dei voxel in cui l'oggetto è stato suddiviso dall'esame tomografico, in una pluralità di volumi ciascuno dei quali è costituito da voxel classificati tutti in una medesima classe di appartenenza, all'interno di un gruppo di possibili classi di appartenenza preimpostate. Utilizzando lo stesso esempio del caso precedente, i dati di output potrebbero essere le zone/superfici che delimitano il durame, l'alburno, la parte viva di ciascun nodo, la parte morta di ciascun nodo, eventuali sacche di resina, eventuali crepe/vuoti, ecc… Nel caso di questa applicazione, quindi, le caratteristiche interne di interesse possono essere costituite dalle zone/superfici di separazione tra parti dell’oggetto che presentano una natura comune.

In accordo con una ulteriore applicazione, invece, l'infrastruttura software può essere programmata per fornire, come dati di output, uno o più raggruppamenti tridimensionali di voxel spazialmente contigui, per ciascuno dei quali sia stata determinata una medesima classe di appartenenza all'interno di un gruppo di possibili classi di appartenenza preimpostate. Sempre facendo riferimento al caso di un tronco, in questo caso i dati di output potrebbero essere costituiti da tutti i volumi interni del tronco che corrispondono ad un difetto in particolare, o a qualsiasi tipo di difetto. I voxel che corrispondono invece a legno privo di difetti potrebbero non essere presi in considerazione nei dati di output. A titolo di esempio, i dati di output potrebbero essere quindi costituiti da tutti i volumi interni all'oggetto che sono occupati da un nodo, o, in altri termini, da un modello tridimensionale di tutti i nodi del tronco. Nel caso di questa applicazione, quindi, le caratteristiche interne di interesse possono essere costituite dai volumi interni dell'oggetto che condividono una particolare caratteristica.

Si noti peraltro che a seconda di come sono state definite le classi, uno specifico voxel può essere classificato anche in due o più classi (ad esempio può essere classificato sia come alburno, sia come nodo). Nel contesto della presente invenzione rientrano anche classificazioni multiple di ciascun nodo.

In una evoluzione del metodo che si sta qui descrivendo, può essere inoltre prevista, dopo la generazione dei dati di output, una fase di elaborazione dei dati di output durante la quale vengano determinate le caratteristiche interne di interesse dell'oggetto che, in questo caso, possono non corrispondere direttamente ai dati di output. A titolo di esempio, nel caso in cui i dati di output siano costituiti da tutti i volumi interni all'oggetto che sono occupati da un nodo, le caratteristiche interne di interesse potrebbero essere informazioni descrittive di ciascun nodo, quali la posizione lungo l'asse del tronco, il volume, l'estensione radiale, l'inclinazione rispetto all'asse, l'angolo di conicità, ecc… In accordo con questa forma realizzativa del metodo, queste informazioni possono essere dedotte dai dati di output mediante elaborazioni successive dei dati di output. In altre forme attuative le stesse informazioni potrebbero essere tuttavia ottenute direttamente come dati di output.

Come tutte le infrastrutture software basate su tecniche di machine learning, anche quella cui si rivolge la presente invenzione richiede, oltre alla messa a punto dell'infrastruttura stessa secondo le comuni modalità di sviluppo di questo tipo di software, un preventivo addestramento dell'infrastruttura durante il quale l'infrastruttura procede mano a mano ad ottimizzare i propri parametri interni di calcolo, analizzando, uno dopo l'altro, un numero elevato di esempi per i quali siano disponibili dati di input di addestramento, che si presentino qualitativamente analoghi a quelli che l'infrastruttura è destinata ad utilizzare a regime, e dati di output di addestramento, che corrispondano ai dati di output che la rete dovrebbe fornire a regime a fronte dei dati di input di addestramento che le sono stati forniti.

Proprio in questa ottica è stato messo a punto il secondo aspetto innovativo della presente invenzione, che attiene ad un metodo implementato tramite computer, per addestrare una infrastruttura software basata su tecniche di machine learning, e destinata all'analisi di dati ottenuti da un esame tomografico tridimensionale di oggetti di tipo predeterminato, allo scopo di determinare informazioni circa caratteristiche interne di interesse degli oggetti stessi.

In accordo con una prima forma attuativa di questo metodo, scelto un insieme di addestramento comprendente una pluralità di oggetti di un medesimo tipo predeterminato (ad esempio tronchi di una medesima specie), per ciascun oggetto vengono forniti all'infrastruttura software dati di input di addestramento e corrispondenti dati di output di addestramento. I dati di input di addestramento comprendono, per ciascun oggetto, i dati ottenuti da un esame tomografico tridimensionale dell'oggetto.

Per ciascun oggetto, i dati di output di addestramento comprendono, invece, informazioni circa le caratteristiche interne di interesse valutate in corrispondenza di punti interni dell'oggetto. Riallacciandosi agli esempi sopra riportati, si possono avere ad esempio i seguenti casi:

– le caratteristiche interne di interesse vengono fornite per una pluralità di punti interni indicando per ciascuno di essi una classe di appartenenza; – le caratteristiche interne di interesse vengono fornite solo per i punti interni che corrispondono ad una specifica zona/superficie di separazione tra due zone appartenenti a classi diverse;

– le caratteristiche interne di interesse vengono fornite solo per punti che appartengono ad una specifica classe.

Successivamente, elaborando i dati di input di addestramento e i dati di output di addestramento relativi a ciascun oggetto dell'insieme di addestramento, l'infrastruttura software, tramite una propria unità di training appositamente programmata, setta i propri parametri interni di elaborazione in modo tale che vi sia una correlazione tra i dati di input di addestramento e i dati di output di addestramento (ovviamente la correlazione vi sarà sempre a meno di un certo errore ritenuto o definito come accettabile).

Sebbene molti dati di output di addestramento (vale a dire informazioni circa caratteristiche interne di interesse dell'oggetto) possano essere determinati sulla base di un esame diretto dei dati di input di addestramento (vale a dire sulla base di un esame dei dati ottenuti dall'esame tomografico dell'oggetto), in accordo con la presente invenzione è stato ideato un procedimento preferito per l'acquisizione dei dati di output di addestramento che non risenta dei limiti che esistono nell’interpretazione delle immagini tomografiche, già sopra descritti.

In accordo con questo procedimento preferito, le informazioni circa le caratteristiche interne di interesse almeno in parte sono valutate in corrispondenza di punti interni reali dell'oggetto, dopo che tali punti sono stati resi accessibili mediante un taglio o una rottura dell'oggetto. Si noti che nel contesto della presente descrizione con l'indicazione che i punti interni reali sono resi accessibili si intende che gli stessi devono essere o osservabili visivamente o analizzabili direttamente con altre tecniche di esame (applicabili grazie al fatto che si è praticato il taglio o la rottura dell’oggetto).

Sebbene sia possibile rendere i punti interni accessibili anche solo eseguendo dei fori nell'oggetto, nella forma attuativa preferita della presente invenzione è vantaggiosamente previsto che il taglio o la rottura dell'oggetto lo suddividano in due o più pezzi.

Nella forma realizzativa preferita, dopo la suddivisione dell’oggetto in due o più parti i punti interni reali dell'oggetto sono posizionati ciascuno su una superficie esterna di uno dei pezzi dell'oggetto ottenuti.

In un’altra forma realizzativa, invece, dopo la suddivisione dell’oggetto in due o più parti, i punti interni reali dell’oggetto possono anche essere posizionati all’interno della rispettiva parte dell’oggetto, a condizione che le loro caratteristiche di interesse possano essere determinate con buona precisione da un esame della rispettiva parte dell’oggetto.

Vantaggiosamente, una volta che i punti interni sono stati resi accessibili, in accordo con questo aspetto innovativo della presente invenzione è previsto che le informazioni circa le caratteristiche interne di interesse siano ottenute mediante un esame del pezzo su cui ciascun punto è posizionato, ed in particolare della sua superficie esterna se i punti interni reali di interesse dell'oggetto sono posizionati su tale superficie esterna.

A seconda delle esigenze, l'esame di ciascun punto reale può essere fatto in molti modi diversi.

Nel caso di punti interni reali posizionati sulla superficie esterna del relativo pezzo dell’oggetto, in una forma realizzativa l'esame può essere eseguito osservando la superficie su cui si trova il punto, nella banda della luce visibile, preferibilmente con una fotocamera RGB, in scala di grigi o con un numero diverso di canali. In altre forme realizzative possono tuttavia essere utilizzate anche altre tecniche di esame, quali un dispositivo che utilizzi l'effetto tracheide per determinare l'andamento delle fibre del legno, scanner laser, analisi spettrografiche in varie bande del visibile, infrarosso o ultravioletto, ecc…

Nel caso invece di punti interni reali posizionati internamente al pezzo dell’oggetto, la tecnica di esame preferita è l’esame radiografico; questa tecnica si rivela utile soprattutto nel caso di pezzi ottenuti dalla suddivisione dell’oggetto, che presentino uno spessore relativamente ridotto.

Maggiori dettagli circa la modalità di preparazione dei dati di output di addestramento, con particolare riferimento all'acquisizione delle informazioni circa le caratteristiche interne di interesse di punti reali interni resi precedentemente accessibili, verranno fornite nel seguito con riferimento ad un ulteriore aspetto innovativo della presente invenzione. Come detto sopra, in accordo con la presente invenzione, almeno parte delle informazioni circa le caratteristiche interne di interesse sono valutate in corrispondenza di punti interni reali dell'oggetto dopo che gli stessi sono stati resi accessibili. Sebbene sia possibile basare i dati di output di addestramento esclusivamente su informazioni circa le caratteristiche interne di interesse valutate in corrispondenza di punti interni reali dell'oggetto precedentemente resi accessibili, nella forma realizzativa preferita della presente invenzione, per aumentare i dati utilizzabili per l’addestramento, vengono utilizzate anche informazioni circa le caratteristiche interne di interesse valutate in corrispondenza di punti interni dell'oggetto deducibili in modo noto direttamente dai risultati dell’esame tomografico.

Una volta che le informazioni circa le caratteristiche interne di interesse sono state acquisite, in accordo con una prima forma attuativa del metodo di addestramento oggetto della presente invenzione, le informazioni circa le caratteristiche interne di interesse sono memorizzate in una memoria elettronica. In particolare, per ciascun punto interno in cui sono state valutate, le informazioni circa le caratteristiche interne di interesse sono memorizzate in abbinamento a informazioni circa la corrispondenza del punto interno ad uno o più dei voxel in cui l'oggetto è stato suddiviso dall'esame tomografico.

Alternativamente, in una diversa forma realizzativa, almeno per le caratteristiche valutate per punti interni reali resi precedentemente accessibili, è previsto che venga prima stabilita una corrispondenza spaziale tra ciascun punto interno reale considerato dell'oggetto ed uno dei voxel in cui l'oggetto è stato suddiviso dall'esame tomografico, e che le informazioni circa le caratteristiche interne di interesse vengano memorizzate nella memoria elettronica direttamente in abbinamento al voxel corrispondente (vale a dire il voxel con cui sia stata determinata la corrispondenza spaziale). In questo caso, alla fine della preparazione dei dati di output di addestramento, i dati di output di addestramento sono costituiti da un insieme di dati tomografici etichettati.

In una forma realizzativa diversa, le caratteristiche interne di interesse (valutate in corrispondenza di ciascun punto interno) sono memorizzate nella memoria elettronica in abbinamento ad uno o più pixel di una immagine di addestramento digitale che rappresenti la superficie esterna del pezzo dell'oggetto. In questo caso, i dati di output dovranno essere corredati da informazioni circa la corrispondenza di ciascun punto interno esaminato, ad uno o più dei voxel. Anche tali informazioni saranno memorizzate nella memoria elettronica. In alcune forme attuative, l’immagine di addestramento può essere costituita da una semplice rappresentazione grafica (tipicamente in scala di grigi) dei dati ottenuti con l’esame tomografico in corrispondenza di una specifica superficie che intersechi l’oggetto.

Vantaggiosamente, in una soluzione attuativa, ciò è ottenuto considerando il posizionamento relativo della superficie esterna visibile nell'immagine di addestramento (o, meglio, di ciascun suo pixel), nella rappresentazione tomografica dell'oggetto costituita dall'insieme tridimensionale dei voxel in cui l'oggetto è stato suddiviso dall'esame tomografico.

Ad esempio, nel caso in cui gli oggetti siano tronchi, e la fase di taglio abbia determinato la loro suddivisione in tavole, ciascuna superficie delle tavole può essere rappresentata come un piano che interseca in un modo ben preciso la rappresentazione tomografica del tronco di partenza. Conoscendo la posizione di tale piano rispetto al tronco è facile individuare i voxel attraversati dal piano e determinare così a quale voxel appartenga ciascun pixel dell'immagine della superficie della tavola. Nel caso della lavorazione del legname sono già note tecniche per stabilire la posizione di una tavola rispetto ad un tronco da cui la tavola sia stata ottenuta. Ciò può essere fatto sia utilizzando marker o altri riferimenti applicati al tronco e ritrovabili nella tavola, sia direttamente esaminando l'aspetto superficiale della tavola o le caratteristiche interne della tavola come descritto ad esempio nella domanda di brevetto europeo n. 19161248.0 a nome di questa stessa richiedente.

Tornando ora alla preparazione preliminare dei dati di output di addestramento a partire da punti reali interni dell’oggetto resi precedentemente accessibili mediante un taglio o una rottura dell’oggetto, un ulteriore aspetto innovativo della presente invenzione riguarda proprio il relativo metodo di preparazione di questi dati di output di addestramento da utilizzare in combinazione con il metodo di addestramento implementato tramite computer sin qui descritto, alcune caratteristiche del quale sono già state anticipate nei paragrafi che precedono.

Nella sua definizione più generale, il metodo di preparazione dei dati di output di addestramento prevede innanzitutto, dopo che sono stati ottenuti i dati di input di addestramento di un oggetto, una fase di suddivisione in cui l'oggetto è suddiviso in una pluralità di pezzi. La fase di suddivisione è svolta in modo tale che ciascun pezzo ottenuto presenti una superficie esterna almeno in parte costituita da porzioni di materiale che prima della suddivisione erano interne all'oggetto. Vantaggiosamente, se possibile, la fase di suddivisione è eseguita in modo tale da massimizzare l'estensione delle superfici che corrispondono a parti interne dell'oggetto di partenza. Nel caso di tronchi questo risultato è ottenuto tagliando il tronco con piani di taglio sostanzialmente paralleli alla direzione principale di sviluppo del tronco, o con piani di taglio perpendicolari all’asse del tronco. Più ravvicinati sono poi i piani di taglio, meglio è.

Il metodo di preparazione dei dati di output di addestramento prevede poi una fase di etichettatura durante la quale si memorizzano, in una memoria elettronica, informazioni circa le caratteristiche interne di interesse dell'oggetto in corrispondenza di voxel che corrispondano a porzioni dell’oggetto che giacciono sulla superficie esterna.

In una forma realizzativa, prima della fase di etichettatura, il metodo prevede una fase fotografica durante la quale, tramite un dispositivo elettronico, viene generata un’ immagine digitale di almeno una parte della superficie esterna di almeno uno dei pezzi in cui è stato suddiviso l'oggetto. Vantaggiosamente un'immagine digitale così generata, riguarda una superficie esterna costituita da porzioni di materiale che prima della suddivisione erano interne all'oggetto. Ciò non toglie che, per avere maggiori informazioni da inserire nei dati di output di addestramento, sia possibile anche far riferimento ad una immagine digitale di superfici che corrispondono a superfici esterne dell'oggetto di partenza. In modo di per sé noto, ogni immagine digitale è costituita da una pluralità di pixel.

In una forma realizzativa preferita, l’immagine digitale corrisponde ad una rappresentazione grafica della superficie di interesse ottenuta dai dati tomografici. In questo caso, vantaggiosamente, ciascun pixel dell’immagine digitale corrisponde ad un voxel dell’esame tomografico.

In questo caso, durante la fase di etichettatura si memorizzano, nella memoria elettronica, informazioni circa le caratteristiche interne di interesse dell'oggetto in corrispondenza di ciascun pixel di interesse dell’immagine digitale . A seconda delle applicazioni, i pixel di interesse potranno essere tutti quelli che costituiscono l'immagine digitale, o solo un gruppo di essi. In generale, la fase di etichettatura è vantaggiosamente eseguita tramite uno strumento software che, a seconda delle applicazioni, può assumere diverse forme. In un primo caso previsto, lo strumento software fornisce un'interfaccia grafica attraverso la quale un operatore può attribuire determinate informazioni circa le caratteristiche interne di interesse (ad esempio direttamente a ciascun voxel o ad uno o più pixel dell'immagine digitale se questa è utilizzata).

In un altro caso previsto, invece, il software è autonomamente in grado di attribuire le informazioni circa le caratteristiche interne di interesse ad uno o più voxel. In questo caso rientra l'utilizzo, nel settore della lavorazione del legname, delle apparecchiature già presenti in molti impianti, per la classificazione automatica delle tavole di legno.

Nel caso di utilizzo di una immagine digitale per l’etichettatura delle caratteristiche interne, una volta che le informazioni circa le caratteristiche interne di interesse sono state associate ad uno o più pixel dell'immagine digitale, se una corrispondenza tra ciascun pixel ed un voxel non è già preimpostata, il metodo di preparazione dei dati di output di addestramento può prevedere inoltre una fase di correlazione, eseguita da un computer, durante la quale viene determinata una corrispondenza spaziale tra ciascun pixel cui sono state associate le informazioni, e uno dei voxel in cui l'oggetto è stato suddiviso dall'esame tomografico. In altre parole il computer determina in quale voxel ricada ciascun punto reale esaminato. Una volta stabilita la corrispondenza spaziale, il metodo prevede una fase di associazione durante la quale le informazioni circa le caratteristiche interne di interesse dell'oggetto, memorizzate in associazione a ciascun pixel, vengono associate nella memoria elettronica anche (o solo) al corrispondente voxel per il quale è stata determinata la corrispondenza spaziale con il pixel.

Infine, nella definizione dei dati di output di addestramento, ulteriori dati possono anche essere dedotti da quelli reali rilevati sull’oggetto reale o sulle sue parti, in base ad esempio, a valutazioni di tipo biologico.

Un’applicazione preferita della presente invenzione è nel contesto della lavorazione degli oggetti di tipo predeterminato, laddove l’infrastruttura software è utilizzata per determinare le migliori modalità di taglio o di utilizzo di ciascun oggetto, a partire dai dati dell’esame tomografico di quest’ultimo. Un esempio di questo tipo di applicazione è il taglio dei tronchi per la produzione di tavole.

In questi casi, il metodo di preparazione dei dati di output di addestramento può essere vantaggiosamente eseguito, in tutto o in parte, da uno o più computer di gestione e controllo di un impianto di lavorazione degli oggetti di tipo predeterminato, a condizione che l'impianto comprenda almeno: una stazione di taglio in cui ciascun oggetto sia suddiviso in una pluralità di pezzi in modo tale da rendere accessibili suoi punti interni; e una stazione di controllo in cui siano eseguiti uno o più controlli sui pezzi ottenuti dalla suddivisione dell’oggetto iniziale, per rilevare caratteristiche reali di tali pezzi e la loro posizione in ciascun pezzo. Un esempio di stazione di controllo di questo tipo, nel settore della produzione di tavole di legno, può essere costituito dall’apparecchiatura denominata Goldeneye prodotta e commercializzata da questa stessa richiedente. I dati determinati dalla stazione di controllo vengono resi disponibili agli uno o più computer di controllo.

In questa situazione, le caratteristiche reali valutate dalla stazione di controllo sono considerate come le caratteristiche interne di interesse in accordo con la presente invenzione (con ciò intendendo, ai sensi della presente invenzione, quelle valutate in corrispondenza di punti interni reali dell'oggetto precedentemente resi accessibili mediante un taglio o una rottura dell'oggetto).

Gli uno o più computer di gestione e controllo dell’impianto saranno poi programmati per combinare le informazioni circa le caratteristiche di interesse ai voxel tomografici dell’oggetto di partenza; il taglio dell’oggetto sarà infatti eseguito sulla base di uno schema di taglio determinato a partire dai dati di un esame tomografico, che potrà essere stato svolto o nell’impianto stesso o in remoto.

Vantaggiosamente, comunque, l’impianto comprende una stazione tomografica in cui è eseguita la tomografia di ciascun oggetto; in questo modo, anche i dati di input di addestramento dell’oggetto possono essere ottenuti tramite la stazione tomografica.

In accordo con un ulteriore aspetto innovativo della presente invenzione, il metodo di addestramento può prevedere un addestramento iniziale dell’infrastruttura software alla fine del quale l’infrastruttura software possa essere utilizzata con buoni risultati in un contesto industriale, ed un successivo addestramento di miglioramento/affinamento, volto a migliorare ulteriormente le prestazioni dell’infrastruttura software. In accordo con la modalità attuativa preferita, l’addestramento di miglioramento/affinamento è vantaggiosamente svolto durante il normale utilizzo dell’infrastruttura software e i suoi risultati, appena disponibili, sono direttamente utilizzati nel successivo utilizzo.

In particolare, l’addestramento di miglioramento/affinamento può essere svolto in modo molto vantaggioso nel contesto di impianti di lavorazione degli oggetti di tipo predefinito, nei quali gli oggetti vengano suddivisi in più pezzi e nei quali venga controllata la qualità dei singoli pezzi (quali quelli sopra descritti). Per ogni oggetto lavorato in tali impianti, infatti, l’impianto fornisce sia dati utilizzabili come dati di input di addestramento (i risultati dell’esame tomografico), sia dati utilizzabili come dati di output di addestramento (i risultati della stazione di controllo).

Vantaggiosamente, quindi, i dati di output di addestramento vengono generati per ciascun oggetto, dagli uno o più computer di gestione e controllo dell’impianto per la lavorazione degli oggetti, senza interrompere il funzionamento dell’impianto di lavorazione, e vengono poi utilizzati dall’unità di training, insieme ai dati di input di addestramento generati per lo stesso oggetto, per eseguire un ulteriore settaggio dei parametri interni di elaborazione dell'infrastruttura software che correlano i dati di input di addestramento ai dati di output di addestramento; il tutto durante il normale utilizzo dell’impianto.

Quanto appena descritto costituisce un esempio applicativo di una forma attuativa più generale del metodo di addestramento implementato tramite computer oggetto della presente invenzione, in cui sono previste una fase di inizializzazione in cui viene creato un insieme di addestramento che comprende una pluralità di oggetti di tipo predeterminato, ed una pluralità di fasi di ampliamento durante ciascuna delle quali uno o più oggetti del tipo predeterminato vengono aggiunti all’insieme di addestramento, ed in cui l’unità di training, elabora i dati di input di addestramento e i dati di output di addestramento relativi a ciascun oggetto dell'insieme di addestramento, per settare parametri interni di elaborazione dell'infrastruttura software che correlano i dati di input di addestramento ai dati di output di addestramento, sia dopo l’esecuzione della fase di inizializzazione, sia dopo l’esecuzione di ciascuna fase di ampliamento. In altri termini, l’addestramento dell’infrastruttura software viene ripetuto dopo ogni ampliamento dell’insieme di addestramento, ogni volta prendendo come parametri iniziali quelli determinati precedentemente ed eseguendo il nuovo settaggio solo sulla base degli oggetti aggiunti.

Come nell’esempio sopra descritto, vantaggiosamente gli oggetti aggiunti all’insieme di addestramento in ogni fase di ampliamento, sono oggetti ai quali l'infrastruttura software ha precedentemente applicato le tecniche di machine learning per l'analisi di dati ottenuti da un esame tomografico tridimensionale degli stessi oggetti, allo scopo di determinare informazioni circa caratteristiche interne di interesse degli stessi oggetti. Questo vale ad esempio nel caso di tavole ottenute dal taglio di tronchi sulla base di schemi di taglio determinati a partire dall’elaborazione dei risultati dell’esame tomografico da parte dell’infrastruttura software.

Rientra infine nell’ambito della presente invenzione anche un impianto per la lavorazione di oggetti di tipo predeterminato, ed in particolare per la lavorazione di tronchi, che comprenda almeno:

uno o più computer di gestione e controllo (collegati a tutte le parti dell’impianto);

una stazione di taglio in cui ciascun oggetto è suddiviso in una pluralità di pezzi; e

una stazione di controllo in cui sono eseguiti uno o più controlli sui pezzi ottenuti dalla suddivisione dell’oggetto iniziale, per rilevare caratteristiche reali di tali pezzi e la loro posizione in ciascun pezzo.

Vantaggiosamente l’impianto comprende anche una stazione tomografica in cui è eseguito l’esame tomografico tridimensionale di ciascun oggetto, anche se può alternativamente essere previsto di utilizzare i risultati di un esame tomografico tridimensionale svolto in precedenza.

Gli uno o più computer di controllo implementano un metodo per rilevare le caratteristiche interne di interesse di ciascun oggetto, che prevede l'utilizzo di una infrastruttura software basata su tecniche di machine learning che utilizza come dati di input dati ottenuti da un esame tomografico tridimensionale di detto oggetto. L'infrastruttura software è inoltre addestrata con un metodo di addestramento, implementato tramite computer, secondo quanto sopra descritto, e fornisce come dati di output le caratteristiche interne di interesse dell’oggetto.

Tali caratteristiche interne di interesse di ciascun oggetto fornite dall’infrastruttura software sono poi utilizzate dagli uno o più computer di gestione e controllo per determinare una modalità di taglio di ciascun oggetto nella pluralità di pezzi.

Vantaggiosamente, infine, i dati di input ed i dati generati dalla stazione di controllo relativi ad almeno alcuni degli oggetti lavorati nell’impianto, sono utilizzati dagli uno o più computer di gestione e controllo per eseguire, tramite l’unità di training, un addestramento continuo dell’infrastruttura software nel corso del normale utilizzo dell’impianto (ad esempio secondo le modalità sopra indicate).

ESEMPIO APPLICATIVO

Nel seguito verrà ora descritto un esempio di applicazione multiplo di quanto forma oggetto della presente invenzione.

1. Introduzione

Come detto nella parte iniziale di questa descrizione, il rilevamento automatico dei nodi di un tronco dai dati di un esame tomografico è stato affrontato da molti lavori. Solo pochi di questi hanno tuttavia affrontato il problema del rilevamento della superficie del nodo morto. La superficie del nodo morto è la superficie che divide la parte di nodo che corrisponde a un nodo sano (sound knot) da quella in cui il nodo è morto (dead knot).

In corrispondenza della parte morta di un nodo, infatti, un sottile strato di corteccia divide il nodo stesso dal resto del legno; la resistenza meccanica di questa parte è inferiore, a volte causando la fuoriuscita del nodo. Sarebbe quindi molto importante essere in grado di avere una stima precisa della zona in cui vi è li passaggio tra nodo sano e nodo morto, per essere in grado di ottimizzare il modello di taglio al fine di produrre tavole con una qualità superiore. In Oja, J. (2000), Evaluation of knot parameters measured automatically in CT-images of Norway spruce (Picea abies (L.) Karst.), European Journal of Wood and Wood Products, 58(5), 375-379, la correlazione tra la percentuale prevista e quella misurata di nodi sani su ciascuna tavola è stata misurata essere R<2 >= 0,72. In Johansson, E., Johansson, D., Skog, J., & Fredriksson, M. (2013), Automated knot detection for high speed computed tomography on Pinus sylvestris L. and Picea abies (L.) Karst. using ellipse fitting in concentric surfaces, Computers and electronics in agriculture, 96, 238-245, il rilevamento della zona di passaggio è stato fatto misurando il punto in cui il diametro dei nodi smetteva di crescere. Il valore RMSE della stima della superficie del nodo morto su tronchi di pino era di 12 mm.

Sulla base di queste premesse, due metodi in accordo con la presente invenzione sono stati applicati in successione al fine di cercare di migliorare il rilevamento dei nodi dai dati tomografici.

In entrambi i casi, è stata utilizzata una infrastruttura software basata su reti neuronali convoluzionali.

In particolare, il problema è stato affrontato suddividendo il rilevamento dei nodi in due passi.

Durante il primo passo, il metodo della presente invenzione è stato attuato per eseguire una segmentazione semantica lungo l'intero asse del tronco per definire la posizione di ciascun nodo.

Nel secondo passo, è stata analizzata esclusivamente una zona attorno a ciascun nodo per calcolare in generale le proprietà del nodo e, in particolare, individuare la superficie del nodo morto.

Nel primo passo, quindi, le informazioni circa le caratteristiche interne di interesse erano costituite dalla posizione dei nodi lungo l'asse, e più precisamente dalla posizione e dall'orientamento dell'asse del nodo.

Nel secondo passo, invece, le informazioni circa le caratteristiche interne di interesse riguardavano il diametro del nodo e la posizione della superficie di delimitazione del nodo morto.

La rete neurale orientata alla segmentazione semantica utilizzata nel primo passo è una rete completamente convoluzionale che esegue convoluzioni 2D su volumi di sezioni assiali consecutive del tronco, per produrre mappe di probabilità che esprimano la probabilità che ciascun voxel faccia parte di un nodo.

La rete utilizzata nel secondo passo, aveva invece ha lo scopo di classificare i volumi dei nodi come sani o morti e di identificare la posizione corretta della superficie del nodo morto.

Come detto, uno dei requisiti fondamentali per l'addestramento di ciascuna infrastruttura software basata su tecniche di machine learning è che un numero elevato di esempi input-output sia fornito al sistema.

L'etichettatura dei dati di output di addestramento forniti alla rete per il primo passo è stata effettuata mediante l'ispezione visiva delle immagini tomografiche utilizzando un software di interfaccia specifico.

La definizione invece della superficie del nodo morto dalle immagini tomografiche non è stata invece possibile. Per la generazione dei dati di output di addestramento si è quindi deciso di utilizzare misurazioni effettuate direttamente sulla superficie di tavole dopo che le stesse erano state ottenute tagliando tronchi.

2 Materiale e metodi

2.1 Primo Passo: identificazione di ciascun nodo

Per la generazione dei dati tomografici è stato usato uno scanner CT Log prodotto da questa richiedente, scanner che è in grado di produrre dati relativi ad immagini tridimensionali in cui ciascun voxel ha la dimensione di 1x1 mm in direzione trasversale, e 10 mm lungo l'asse del tronco.

Nel prosieguo della descrizione x e y saranno le due coordinate delle immagini tomografiche trasversali ad un asse longitudinale del tronco, e z la terza coordinata lungo l'asse.

Per visualizzare ed etichettare in 3D ogni nodo direttamente con riferimento alle immagini tomografiche, è stato sviluppato un apposito software di interfaccia, in cui diverse viste di una stessa sezione trasversale del tronco, sono state presentate nella stessa schermata, per permettere di etichettare il punto iniziale, il punto finale, la superficie del nodo morto e il profilo del diametro dei nodi. Su tali immagini l'operatore poteva anche definire un numero qualsiasi di punti intermedi lungo la traiettoria dell'asse del nodo. Le immagini tomografiche di 75 tronchi di pino silvestre (Pinus sylvestris), precedentemente ottenute in diverse segherie in Europa, sono state raccolte al fine di creare un database. I nodi di quel tronco sono stati marcati manualmente con il software descritto in precedenza per un totale di 10.118 nodi.

L'etichettatura parametrica in ciascuna sezione trasversale, è stata trasformata per produrre un volume di voxel corrispondente a ciascun tronco in cui a ciascun voxel è stato assegnato il valore 1 se il voxel apparteneva a un nodo, e il valore 0 in caso contrario.

Ogni porzione di entrambe le immagini è stata ridimensionata per avere sezioni con una dimensione di 128 x 128 pixel per tutti i tronchi, quindi sono stati creati gruppi di immagini composte da 5 sezioni adiacenti.

Addestrata con questi dati, la rete neurale è stata in grado di produrre, a partire da generici dati di input, un'immagine 3D in cui ogni voxel è stato sostituito dalla probabilità di essere parte di un nodo.

Per identificare la posizione e il riquadro di delimitazione di ciascun nodo, è stata implementata una versione speciale della trasformata di Hough (vd. Ballard, D. H. (1981); Generalizing the Hough transform to detect arbitrary shake; Pattern recognition, 13(2), 111-122).

Nello sviluppo della trasformata è stata applicata una notevole semplificazione del modello considerando che tutti i nodi in un tronco partano dal midollo centrale (i nodi epicormici sono infatti molto rari nelle foreste).

La posizione del midollo lungo il tronco può essere facilmente calcolata, ad esempio usando l'algoritmo proposto in Boukadida, H., Longuetaud, F., Colin, F., Freyburger, C., Constant, T., Leban, J. M., & Mothe, F. (2012); PithExtract: A robust algorithm for pith detection in computer tomography images of wood–Application to 125 logs from 17 tree species; Computers and electronics in agriculture, 85, 90-98.

In questo modo è stato possibile creare una lista di valori xPith (z) e yPith (z). L'asse di un nodo è stato quindi parametrizzato con 3 parametri:

• z-Inizio, la coordinata z della posizione in cui inizia il nodo,;

• Orientamento, l'angolo della direzione del nodo nel piano x, y;

• Pendenza, l'inclinazione della direzione del nodo nella direzione z rispetto al piano x y.

L'algoritmo creava una mappa di Hough 3D basata sui 3 parametri eseguendo il loop su un intervallo di possibili valori di Pendenza tra -30% e 30% con un passo 2%.

Per una data Pendenza, per ogni voxel è possibile calcolare l'unica posizione possibile nel midollo da cui un asse del nodo potrebbe partire per passare dal voxel, in modo tale che è stato possibile creare una funzione zStart (x, y, z, Pendenza), dove x, y, z sono la posizione di un voxel generico.

È stato quindi possibile calcolare l'orientamento del nodo come Orientamento (x, y, z) = atan<2 >(yPith (zStart), xPith (zStart)). Con queste due funzioni è stato possibile calcolare per ogni Pendenza e ogni voxel (individuato dalle relative coordinate x, y, z), le corrispondenti coordinate z-Inizio e Orientamento nella mappa di Hough. Aggiungendo il valore di probabilità calcolato con la rete neurale convoluzionale è stato possibile calcolare la probabilità di avere un nodo con i parametri dati. Scegliendo i migliori massimi locali della mappa è stato possibile definire la lista degli assi dei nodi.

2.2 Secondo passo: analisi della zona del nodo

Una volta identificato l'asse di ciascun nodo, è stato estratto un volume 3D di voxel che conteneva l'asse.

Per ciascun volume estratto sono state definite le seguenti tre direzioni di riferimento:

• direzione radiale (r): lungo l’orientamento del nodo nel piano x-y;

• direzione tangenziale (t) ortogonale alle direzioni r e z;

• direzione z.

Il volume 3D di voxel estratto è stato impostato sempre ad una dimensione di 160 x 80 x 80 rispettivamente nelle direzioni r, t, z. Un fattore di scala diverso è stato applicato alle tre direzioni per adattare il nodo nello spazio con la risoluzione massima consentita. La scala in direzione r era determinata dal raggio del tronco nel punto dato, la scala in direzione t dal diametro massimo previsto, la scala nella direzione z dalla Pendenza e dal diametro massimo previsto.

In una prima soluzione testata, sono stati utilizzati gli stessi dati utilizzati nel primo passo per addestrare anche una seconda rete neurale convoluzionale che segmentava i volumi 3D di voxel estratti.

L'analisi della dimensione e del centro dei voxel segmentati lungo la direzione r ha permesso di calcolare la direzione, la dimensione e la lunghezza. La superficie del nodo morto è stata calcolata come punto in cui la dimensione del nodo smetteva di crescere lungo la direzione r.

I risultati così ottenuti non sono stati tuttavia soddisfacenti.

Per creare una rete neurale con prestazioni migliori si è quindi constatato che era necessario disporre di esempi di addestramento più affidabili; era necessario basarsi sull'aspetto dei nodi su una superficie visibile, piuttosto che su sole immagini tomografiche.

Di conseguenza, tredici tronchi di pino silvestre sono stati prima scansionati con uno scanner CT Log, e poi segati in pannelli sottili di 15 mm di spessore.

I nodi sono stati misurati manualmente sulla superficie delle tavole. Un riferimento per permettere di determinare con precisione le posizioni delle tavole nei tronchi di partenza, è stato generato perforando alcuni fori di riferimento nei tronchi, in modo che fosse possibile calcolare la posizione di un nodo nell'immagine tomografica, nota la posizione misurata sulla tavola e viceversa.

Utilizzando i tredici tronchi, 2412 nodi sono stati misurati sulla superficie delle tavole.

In particolare, per ogni nodo sono stati annotati, come informazioni relative alle caratteristiche interne di interesse, il diametro minimo, il diametro massimo, la posizione e lo stato sano/morto. Le informazioni relative a ciascun nodo sono state riportate nel sistema di riferimento dello specifico volume 3D estratto di voxel per addestrare la rete neurale.

Un problema che è stato riscontrato è che le informazioni richieste (superficie del nodo morto e profilo del diametro) avrebbero richiesto una maggiore risoluzione di informazioni verificate (ground truth) lungo la direzione radiale, mentre erano disponibili solo poche misurazioni distanziate a causa dello spessore delle tavole e della loro angolazione rispetto all'asse del nodo.

Per cercare di addestrare meglio la rete si è deciso quindi di estrarre sottoblocchi di undici fette lungo la direzione r, intorno alle posizioni in cui era disponibile l'informazione reale.

Sono state poi approntate due reti diverse: una per calcolare lo stato morto/sano, l'altra per il calcolo del diametro del nodo.

Durante l'allenamento della rete per calcolare lo stato sano/morto è stato possibile estendere le informazioni misurate anche ad altri punti del nodo. Infatti, se un nodo è stato rilevato come sano in una determinata coordinata radiale r_alive, per ovvi motivi biologici il nodo era necessariamente sano anche per tutte le altre coordinate radiali inferiori a r_alive. Per lo stesso motivo, se un nodo è stato rilevato come morto in un determinato punto radiale, tutte le sezioni radiali successive potevano essere contrassegnate come morte.

Questo ha permesso di creare un set di dati di output di addestramento con un numero elevato di campioni.

A questo punto la rete è stata in grado di classificare la singola fetta di un nodo ma nella fase di ottimizzazione era importante conoscere la superficie del nodo morto, in modo che fosse possibile rappresentare con un solo numero lo stato del nodo in tutte le posizioni. È stato quindi implementato un algoritmo che calcolava l'inferenza della rete neurale a passi di sei sezioni, definiva il punto in cui lo stato passava da sano a morto e quindi rifiniva il risultato con inferenza a passi di una fetta attorno alla prima ipotesi. Dopo il calcolo della superficie del nodo morto, sono state verificate le prestazioni del sistema confrontando lo stato previsto con lo stato dei nodi nelle tavole segate.

Come dati di output di addestramento per il calcolo del diametro è stato deciso di utilizzare solo le fette di nodo dove era disponibile una misura manuale. Sebbene fosse possibile un'interpolazione dei diametri misurati in due sezioni contigue, è stato deciso che questo avrebbe potuto ridurre la precisione del sistema.

Finché possiamo è stato possibile considerare che i rami non fossero ellittici, è stato usato il diametro minimo misurato sulla tavola come diametro del nodo nell'immagine 3D.

3. Risultati

3.1 Segmentazione dei nodi

Per progettare e addestrare le reti, è stato utilizzato un computer Windows 10 Pro, e per quanto riguarda l'infrastruttura software Keras 2.2.4 con Tensorflow 1.13.1 come backend.

La prima rete, finalizzata alla segmentazione semantica, aveva un totale di 1.962.913 parametri. Seguiva l'architettura U-Net (vd. Ronneberger, O., Fischer, P., & Brox, T. (2015, October); U-net: Convolutional networks for biomedical image segmentation; In International Conference on Medical image computing and computer-assisted intervention (pp. 234-241). Springer, Cham) con skip connections e blocchi convoluzionali composti da due strati convoluzionali consecutivi.

Il primo strato interpretava l'asse del canale come un asse di profondità. Partendo da una dimensione dell'immagine di 128x128 con 5 canali, comprimeva l'immagine in una dimensione di 8x8 con 256 canali al centro, solo per ridimensionarla poi a 128x128 con una sola classe di output (la probabilità di una parte di pixel della sezione centrale di essere parte di un nodo). Ogni strato convoluzionale applicava nuclei 3x3, e per l'ottimizzazione è stato utilizzato l'ottimizzatore Adam con una velocità di apprendimento di 0.0002 con crossentropia binaria come funzione di perdita predefinita. Interruzione anticipata e riduzione del tasso di apprendimento su plateau sono stati utilizzati durante il processo di addestramento. Il tempo di inferenza per il calcolo di un tronco lungo 4,2 m è stato di 650 ms. Tutti i tempi di calcolo sono stati misurati utilizzando un computer che utilizza una GPU RTX 2080 su un processore Intel Core i7-4770 a 3,4 GHz.

3.2 Bordo nodo morto

In totale i tredici tronchi avevano 634 nodi. Ogni nodo intersecava una o più tavole, e le misurazioni manuali sono state effettuate a quelle intersezioni. I 634 nodi intersecavano le tavole in 2412 punti misurati. 1835 intersezioni di nodi sono state scelte casualmente per l'addestramento e per il set di validazione. Hanno generato 34917 fette di nodo con stato morto/sano noto e sono state utilizzate per l'addestramento e la convalida della rete neurale.

577 intersezioni di nodi, appartenenti a 158 nodi, sono state utilizzate per il test dell'algoritmo finale nella individuazione della superficie del nodo morto. Il test delle prestazioni è stato eseguito confrontando lo stato dei nodi misurati manualmente sulle tavole con lo stato previsto in base alla superficie del nodo morto stimata. I risultati sono presentati nella tabella 1 che rappresenta la matrice di confusione della classificazione nodo sano / morto.

L'inferenza di una singola porzione della rete utilizzata per la classificazione sano / morto ha richiesto 0,42 ms. Ogni nodo richiedeva l'inferenza di 23 fette di nodi in totale, quindi in totale il tempo di calcolo per la superficie del nodo morto di un nodo è stato di 10 ms.

3.3 Diametro del nodo

Per l'addestramento e la validazione della rete, sono state utilizzate 1776 intersezioni dei nodi con tavole (3/4 per allenamento e 1/4 per validazione) mentre 564 sono state usate per il test.

La deviazione standard della differenza tra la misurazione manuale e il valore previsto del diametro è stata di 3,2 mm, la media di 0,1 mm.

L'inferenza di una singola sezione della rete per la stima del diametro ha richiesto 0,58 ms. In totale, sono state utilizzate dodici inferenze per calcolare il diametro lungo ciascun nodo, richiedendo 6,7 ms per nodo.

In totale, il tempo di calcolo per un tronco lungo 4,2 m con 50 nodi è stato 1450 ms.

L’invenzione così concepita è suscettibile di numerose modifiche e varianti, tutte rientranti nell’ambito del concetto inventivo che la caratterizza.

Tutti i dettagli sono rimpiazzabili da altri tecnicamente equivalenti ed i materiali impiegati, nonché le forme e le dimensioni dei vari componenti, potranno essere qualsiasi a seconda delle esigenze.

Claims

RIVENDICAZIONI 1. Metodo implementato tramite computer per addestrare una infrastruttura software, in cui l'infrastruttura software è basata su tecniche di machine learning, ed è destinata all'analisi di dati ottenuti da un esame tomografico tridimensionale di oggetti di tipo predeterminato, allo scopo di determinare informazioni circa caratteristiche interne di interesse degli oggetti stessi, in cui i dati ottenuti dall'esame tomografico tridimensionale sono costituiti da un valore in corrispondenza di ciascuno di una pluralità di voxel, in cui l'oggetto sia stato suddiviso dall'esame tomografico; in cui, scelto un insieme di addestramento comprendente una pluralità di oggetti di un medesimo tipo predeterminato, per ciascun oggetto vengono forniti all'infrastruttura software dati di input di addestramento e corrispondenti dati di output di addestramento; in cui i dati di input di addestramento, relativi a ciascun oggetto, comprendono i dati ottenuti da un esame tomografico tridimensionale dell'oggetto; e in cui dati di output di addestramento, relativi a ciascun oggetto, comprendono informazioni circa le caratteristiche interne di interesse valutate in corrispondenza di punti interni dell'oggetto; in cui le informazioni circa le caratteristiche interne di interesse sono almeno in parte valutate in corrispondenza di punti interni reali dell'oggetto, precedentemente resi accessibili mediante un taglio o una rottura dell'oggetto; ed in cui l'infrastruttura software, tramite una propria unità di training, elabora i dati di input di addestramento e i dati di output di addestramento relativi a ciascun oggetto dell'insieme di addestramento, per settare parametri interni di elaborazione dell'infrastruttura software che correlino i dati di input di addestramento ai dati di output di addestramento.
2. Metodo implementato tramite computer secondo la rivendicazione 1, in cui i punti interni reali dell'oggetto in corrispondenza dei quali sono valutate le caratteristiche interne di interesse, sono parte ciascuno di un pezzo dell'oggetto, ottenuto con il taglio o la rottura dell'oggetto in due o più pezzi distinti.
3. Metodo implementato tramite computer secondo la rivendicazione 2, in cui i punti interni reali dell'oggetto sono posizionati ciascuno su una superficie esterna di un pezzo dell'oggetto ottenuto con il taglio o la rottura dell'oggetto, ed in cui le informazioni circa le caratteristiche interne di interesse sono ottenute mediante un esame di tale superficie esterna.
4. Metodo implementato tramite computer secondo la rivendicazione 3, in cui la superficie esterna su cui si trovano detti punti interni reali dell’oggetto, è stata generata dal taglio o dalla rottura dell’oggetto.
5. Metodo implementato tramite computer secondo la rivendicazione 2, 3 o 4, in cui le informazioni circa le caratteristiche interne di interesse, in corrispondenza di ciascun punto interno, sono memorizzate in una memoria elettronica in abbinamento a informazioni circa la corrispondenza del punto interno ad uno o più dei voxel in cui l'oggetto è stato suddiviso dall'esame tomografico.
6. Metodo implementato tramite computer secondo la rivendicazione 2, 3 o 4, in cui le caratteristiche interne di interesse in corrispondenza di ciascun punto interno sono memorizzate nella memoria elettronica in abbinamento ad una immagine di addestramento che rappresenta la superficie esterna cui appartiene il punto interno.
7. Metodo implementato tramite computer secondo le rivendicazioni 5 e 6 in combinazione con la 3 o la 4, in cui informazioni circa la corrispondenza del punto interno ad uno o più dei voxel, memorizzate nella memoria elettronica, comprendono informazioni circa il posizionamento relativo della superficie esterna visibile nell'immagine di addestramento, nella rappresentazione tomografica dell'oggetto costituita dall'insieme tridimensionale dei voxel in cui l'oggetto è stato suddiviso dall'esame tomografico.
8. Metodo implementato tramite computer secondo la rivendicazione 2, 3 o 4, in cui viene stabilita una corrispondenza spaziale tra ciascun punto interno reale dell'oggetto considerato ed uno dei voxel in cui l'oggetto è stato suddiviso dall'esame tomografico, e in cui le informazioni circa le caratteristiche interne di interesse determinate in corrispondenza di ciascun punto interno considerato, sono memorizzate in una memoria elettronica in abbinamento al voxel con cui sia stata determinata la corrispondenza spaziale, per creare un insieme di dati tomografici etichettati che costituiscono i dati di output di addestramento.
9. Metodo implementato tramite computer secondo una qualsiasi delle rivendicazioni da 1 a 8, in combinazione con un metodo di preparazione di dati di output di addestramento, in cui metodo di preparazione dei dati di output di addestramento prevede le seguenti fasi operative: dopo che siano stati ottenuti i dati di input di addestramento di un oggetto, una fase di suddivisione in cui l'oggetto è suddiviso in un pluralità di pezzi, ciascun pezzo presentano una superficie esterna almeno in parte costituita da porzioni che prima della suddivisione erano interne all'oggetto; una fase di etichettatura durante la quale, tramite uno strumento software, si memorizzano in una memoria elettronica informazioni circa le caratteristiche interne di interesse dell'oggetto in corrispondenza di voxel che corrispondano a porzioni dell’oggetto che giacciono sulla superficie esterna.
10. Metodo implementato tramite computer in combinazione con un metodo di preparazione dei dati di output di addestramento secondo la rivendicazione 9, in cui il metodo di preparazione dei dati di output prevede inoltre, dopo la fase di suddivisione, una fase fotografica durante la quale, tramite un dispositivo elettronico, viene generata un'immagine digitale di almeno una parte della superficie esterna di almeno uno dei pezzi in cui è stato suddiviso l'oggetto, l'immagine digitale essendo costituita da una pluralità di pixel, ed in cui durante la fase di etichettatura, in abbinamento a ciascuno di almeno un gruppo dei pixel che costituiscono l'immagine digitale, si memorizzano nella memoria elettronica informazioni circa le caratteristiche interne di interesse dell'oggetto in corrispondenza di quel pixel.
11. Metodo implementato tramite computer in combinazione con un metodo di preparazione dei dati di output di addestramento secondo la rivendicazione 10, in cui il metodo di preparazione dei dati di output prevede inoltre una fase di correlazione eseguita da un computer, durante la quale viene determinata una corrispondenza spaziale tra ciascun pixel di detto almeno un gruppo di pixel dell'immagine digitale, e uno dei voxel in cui l'oggetto è stato suddiviso dall'esame tomografico, e una fase di associazione durante la quale le informazioni circa le caratteristiche interne di interesse dell'oggetto memorizzate in associazione a ciascun pixel di detto almeno un gruppo di pixel, vengono associate nella memoria elettronica al corrispondente voxel per il quale sia stata determinata la corrispondenza spaziale con il pixel.
12. Metodo implementato tramite computer in combinazione con un metodo di preparazione dei dati di output di addestramento secondo la rivendicazione 9, 10 o 11, in cui il metodo di preparazione dei dati di output di addestramento è eseguito da uno o più computer di gestione e controllo di un impianto per la lavorazione degli oggetti di tipo predeterminato, in cui l'impianto comprende: una stazione di taglio in cui ciascun oggetto è suddiviso in una pluralità di pezzi; e una stazione di controllo in cui sono eseguiti uno o più controlli sui pezzi ottenuti dalla suddivisione dell’oggetto iniziale, per rilevare caratteristiche reali di tali pezzi e la loro posizione in ciascun pezzo; ed in cui tali caratteristiche reali sono considerate come le caratteristiche interne di interesse valutate in corrispondenza di punti interni reali dell'oggetto precedentemente resi accessibili mediante un taglio o una rottura dell'oggetto.
13. Metodo implementato tramite computer secondo la rivendicazione 12, in cui l'impianto comprende inoltre una stazione tomografica in cui è eseguita una tomografia di ciascun oggetto, e in cui i dati di input di addestramento sono ottenuti tramite la stazione tomografica.
14. Metodo implementato tramite computer secondo la rivendicazione 13, in cui i dati di output di addestramento generati per ciascun oggetto dagli uno o più computer di gestione e controllo dell’impianto per la lavorazione, senza interrompere il funzionamento dell’impianto di lavorazione, vengono utilizzati dall’unità di training insieme ai dati di input di addestramento generati per lo stesso oggetto, per eseguire un ulteriore settaggio dei parametri interni di elaborazione dell'infrastruttura software che correlano i dati di input di addestramento ai dati di output di addestramento, durante il normale utilizzo dell’impianto.
15. Metodo implementato tramite computer secondo una qualsiasi delle rivendicazioni da 1 a 14 in cui: sono previste una fase di inizializzazione in cui viene creato un insieme di addestramento che comprende una pluralità di oggetti di tipo predeterminato, ed una pluralità di fasi di ampliamento durante ciascuna delle quali uno o più oggetti del tipo predeterminato vengono aggiunti all’insieme di addestramento; in cui l’unità di training, elabora i dati di input di addestramento e i dati di output di addestramento relativi a ciascun oggetto dell'insieme di addestramento, per settare parametri interni di elaborazione dell'infrastruttura software che correlino i dati di input di addestramento ai dati di output di addestramento, sia dopo l’esecuzione della fase di inizializzazione, sia dopo l’esecuzione di ciascuna fase di ampliamento.
16. Metodo implementato tramite computer secondo la rivendicazione 15 in cui gli oggetti aggiunti all’insieme di addestramento in ogni fase di ampliamento sono oggetti ai quali l'infrastruttura software ha precedentemente applicato le tecniche di machine learning per l'analisi di dati ottenuti da un esame tomografico tridimensionale degli stessi oggetti, allo scopo di determinare informazioni circa caratteristiche interne di interesse degli stessi oggetti.
17. Metodo implementato tramite computer secondo una qualsiasi delle rivendicazioni da 1 a 16 in cui l'infrastruttura software comprende una rete neurale, una rete neurale profonda, una rete neurale convoluzionale, o una combinazione di due o più di queste.
18. Metodo implementato tramite computer per rilevare caratteristiche interne di interesse di un oggetto di tipo predeterminato, in cui il metodo implementato tramite computer prevede l'utilizzo di una infrastruttura software basata su tecniche di machine learning, in cui l'infrastruttura software utilizza come dati di input dati ottenuti da un esame tomografico tridimensionale di detto oggetto, in cui i dati ottenuti dall'esame tomografico tridimensionale corrispondono ad un valore in corrispondenza di ciascuno di una pluralità di voxel in cui l'oggetto sia stato suddiviso dall'esame tomografico, in cui l'infrastruttura software utilizzata è addestrata con un metodo implementato tramite computer in accordo con una qualsiasi delle rivendicazioni da 1 a 17, ed in cui l’infrastruttura software fornisce come dati di output le caratteristiche interne di interesse dell’oggetto.
19. Impianto per la lavorazione di oggetti di tipo predeterminato, in cui l'impianto comprende: uno o più computer di gestione e controllo; una stazione di taglio in cui ciascun oggetto è suddiviso in una pluralità di pezzi; e una stazione di controllo in cui sono eseguiti uno o più controlli sui pezzi ottenuti dalla suddivisione dell’oggetto iniziale, per rilevare caratteristiche reali di tali pezzi e la loro posizione in ciascun pezzo; ed in cui gli uno o più computer di controllo implementano un metodo secondo la rivendicazione 18, in cui le caratteristiche interne di interesse di ciascun oggetto fornite dall’infrastruttura software sulla base dei dati tomografici dell’oggetto stesso, sono utilizzate dagli uno o più computer di gestione e controllo per determinare una modalità di taglio di ciascun oggetto nella pluralità di pezzi.
20. Impianto secondo la rivendicazione 19, in cui l'impianto comprende inoltre una stazione tomografica in cui è eseguito l’esame tomografico tridimensionale di ciascun oggetto.
21. Impianto secondo la rivendicazione 19 o 20 in cui i dati di input ed i dati generati dalla stazione di controllo per almeno alcuni degli oggetti lavorati sono utilizzati dagli uno o più computer di gestione e controllo per eseguire un addestramento continuo dell’infrastruttura software nel corso del normale utilizzo dell’impianto.