IT202000012295A1 - Metodo di classificazione e relativo dispositivo classificatore - Google Patents

Description

Descrizione del trovato avente per titolo:

"METODO DI CLASSIFICAZIONE E RELATIVO DISPOSITIVO CLASSIFICATORE"

CAMPO DI APPLICAZIONE

Il presente trovato si riferisce ad un metodo di classificazione ed al relativo dispositivo classificatore atto a cooperare con un apparato per la rilevazione di propriet? ottiche, in particolare un apparato che sfrutta la radiazione elettromagnetica nel visibile e/o nel vicino infrarosso e/o vicino ultravioletto per l?analisi di corpi o oggetti.

Il trovato si riferisce, altres?, ad un assieme per la rilevazione di propriet? ottiche comprendente detto dispositivo classificatore e detto apparato per la rilevazione di propriet? ottiche.

Il presente trovato pu? trovare applicazione in ambito industriale, alimentare, chimico, biochimico ecc. e in modo particolarmente vantaggioso in quei campi in cui ? richiesto processare un elevato numero di oggetti in breve tempo. Ad esempio, una possibile applicazione del presente trovato ? nell?ambito del controllo qualit?.

STATO DELLA TECNICA

? noto l?utilizzo di apparati per la rilevazione di propriet? ottiche di oggetti che utilizzano radiazioni elettromagnetiche nello spettro del visibile e/o del vicino infrarosso o vicino ultravioletto. Tali apparati sfruttano il principio che qualsiasi sostanza o molecola, sia essa di origine artificiale o naturale, presenta la capacit? di interagire con radiazioni elettromagnetiche in una o pi? bande di lunghezza d?onda.

Analizzando tale interazione tra sostanza e radiazioni elettromagnetiche ? possibile, ad esempio, non solo rilevare una sostanza presente in un oggetto ma, eventualmente, anche discriminarla da altre sostanze presenti. La rilevazione pu? essere effettuata con precisione poich? ogni sostanza interagisce in modo caratteristico con dette radiazioni elettromagnetiche e tale interazione pu? essere opportunamente misurata e quantificata.

Tramite tecniche di spettrofotometria ? possibile misurare e quantificare uno o pi? parametri caratteristici che definiscono lo spettro d?interazione, quali quelli tipici di propriet? ottiche come assorbimento, emissione, riflessione e trasmissione e altri.

Le tecniche spettrofotometriche sono largamente utilizzate in molteplici settori produttivi come, per esempio, industrie di materiali, industrie chimiche, ma anche nel settore chimico, biologico, alimentare ecc.

Apparati per la rilevazione di propriet? ottiche atti ad effettuare tali analisi o indagini di interazione possono essere, ad esempio, spettrofotometri o dispositivi di rilevamento di lunghezze d?onda provvisti di uno o pi? sensori ottici rilevatori.

Lo spettrofotometro, in particolare, ? provvisto di un rilevatore atto a risolvere la luce trasmessa dall?oggetto, in cui ? presente la sostanza o molecola da rilevare, sullo spettro visibile e oltre (infrarosso e/o ultravioletto) con una risoluzione spettrale intorno al nanometro.

Detti sensori ottici possono essere ad esempio fotodiodi, fototransistor o matrici di fotodiodi o fototransistor.

I dispositivi basati su sensori ottici solitamente forniscono un segnale incentrato su una o pi? lunghezze d?onda o su intervalli pi? o meno ampi dello spettro elettromagnetico, a seconda del numero e del tipo di sensori ottici di cui sono dotati. Solitamente tali dispositivi sono selezionati in base alle esigenze o applicazioni, ad esempio in base alle lunghezze d?onda tipiche della sostanza o della molecola di interesse.

Un inconveniente degli apparati sopra citati ? la necessit? di interpretare il segnale fornito dall?apparato, per estrarre l?informazione di interesse.

Nel caso in cui tale segnale sia relativo ad un intervallo pi? o meno ampio dello spettro elettromagnetico, ? inoltre richiesta un?elevata competenza per l?interpretazione dell? informazione.

In alternativa, solitamente vengono selezionate determinate lunghezze d?onda o stretti intervalli di lunghezze d?onda, ad esempio quelli nei quali una determinata sostanza o molecola di interesse d? una risposta pi? elevata, escludendo parte della risposta spettrale ottenuta.

I dati cos? rilevati vengono poi elaborati per ottenere i parametri indicativi solitamente utilizzati nelle specifiche applicazioni, ad esempio un rapporto tra le risposte a due lunghezze d?onda prefissate o funzioni pi? complesse.

L?esclusione di parte della risposta spettrale ottenuta causa per? una perdita di informazione che, se invece fosse inclusa nell?analisi, permetterebbe di ottenere una migliore sensibilit? e specificit? dei risultati ottenuti.

Ad esempio, gli apparati noti, utilizzando solo una limitata parte dell? informazione disponibile derivante dallo spettro, soffrono quando applicati all?analisi di oggetti che possono presentare composizioni variabili, non prevedibili e/o controllabili o non volute o inattese, che possono disturbare lo spettro per il quale detti apparati sono configurati aumentando la possibilit? di generare Falsi Positivi (oggetti classificati come buoni pur essendo difettosi) e/o Falsi Negativi (oggetti classificati come difettosi pur essendo buoni).

In aggiunta, le ottiche complesse formate da diversi elementi ottici fra loro cooperanti, di cui sono provvisti tali apparati, non permettono di riconfigurare l?apparato per altri intervalli dello spettro oppure lo permettono ma a fronte di laboriose operazioni e con l?aiuto di tecnici specializzati.

Questo inconveniente pu? essere particolarmente oneroso, ad esempio, in quei processi produttivi in cui il prodotto finale prevede una serie di trasformazioni intermedie, ciascuna delle quali necessita di un controllo spettrofotometrico, obbligando, di fatto, a dotare l?impianto di produzione di pi? apparati noti.

Esiste pertanto la necessit? di perfezionare gli attuali metodi ed apparati di analisi per superare almeno uno degli inconvenienti della tecnica.

In particolare, uno scopo del presente trovato ? quello di fornire un metodo di classificazione ed un relativo dispositivo classificatore che, cooperando con un apparato per la rilevazione di propriet? ottiche, supporti gli operatori nell?interpretazione della risposta spettrale ottenuta. Un ulteriore scopo del presente trovato ? quello semplificare le operazioni di analisi, permettendo di ridurne anche i tempi. Ad esempio, uno scopo ? fornire un metodo di classificazione ed il relativo dispositivo classificatore che rendano detto apparato per la rilevazione di propriet? ottiche idoneo ad analizzare un elevato numero di oggetti in un arco limitato di tempo.

Un altro scopo ? quello di poter utilizzare una parte pi? ampia o tutta la risposta spettrale, evitando di escludere informazioni utili ad aumentare l?affidabilit? del risultato dell?analisi effettuata.

Un ulteriore scopo ? quello di ovviare alla necessit? di possedere competenze specifiche e /o di livello specializzato per l?utilizzo e/o l?adattamento di un apparato per la rilevazione di propriet? ottiche.

Ancora uno scopo ? anche di poter integrare la risposta spettrale ottenuta con dati di altro tipo e/o ottenuti in momenti diversi, per aumentare ulteriormente l?affidabilit? dei risultati ottenuti o anche per ampliare la tipologia di problemi tecnici che possono essere risolti dall?apparato.

E pure uno scopo del presente trovato quello di fornire un metodo di classificazione ed un relativo dispositivo classificatore che permettano all?apparato per la rilevazione di propriet? ottiche di adattarsi, in maniera semplice, veloce ed economica, a pi? applicazioni, ad esempio in grado di essere facilmente adattato a varie sostanze o molecole che si vogliono rilevare e/o ad analisi di complessit? maggiore.

Per ovviare agli inconvenienti della tecnica nota e per ottenere questi ed ulteriori scopi e vantaggi, la Richiedente ha studiato, sperimentato e realizzato il presente trovato.

ESPOSIZIONE DEL TROVATO

Il presente trovato ? espresso e caratterizzato nelle rivendicazioni indipendenti. Le rivendicazioni dipendenti espongono altre caratteristiche del presente trovato o varianti dell?idea di soluzione principale.

In accordo con i suddetti scopi, forme di realizzazione qui descritte si riferiscono ad un metodo di classificazione di uno o pi? oggetti in base alle loro propriet? ottiche, che permette di superare i limiti della tecnica nota e di eliminare i difetti in essa presenti.

Forme di realizzazione qui descritte si riferiscono inoltre ad un dispositivo classificatore per la classificazione di uno o pi? oggetti in base alle loro propriet? ottiche e ad un assieme per la rilevazione di propriet? ottiche comprendente detto dispositivo classificatore e un apparato per la rilevazione di propriet? ottiche.

Secondo forme di realizzazione, il metodo di classificazione prevede di classificare l?oggetto di volta in volta in analisi in una classe di appartenenza, compresa in un insieme di possibili classi di appartenenza. In particolare, il metodo di classificazione comprende:

- acquisire, da un oggetto da classificare, dati fotometrici;

- elaborare i dati fotometrici acquisiti mediante un modello ottimizzato, attraverso un corrispondente descrittore associato all?oggetto e classificare l?oggetto in una classe di appartenenza in base a detta elaborazione;

in cui detto modello ottimizzato identifica un insieme di caratteristiche correlate a propriet? ottiche dell?oggetto da classificare che un corrispondente descrittore dell?oggetto deve soddisfare affinch? l?oggetto da classificare appartenga ad una specifica classe di appartenenza di un gruppo di classi di appartenenza

Secondo forme di realizzazione, detto modello ottimizzato ? creato utilizzando funzioni matematiche che descrivono una o pi? di dette propriet? ottiche.

Vantaggiosamente, il dispositivo classificatore che esegue detto metodo di classificazione ? in grado di effettuare la selezione del miglior modello tra quelli ottenuti mediante una fase di Training iniziale.

Il dispositivo classificatore conseguentemente ? in grado di applicare detto modello ottimizzato allo scopo di predire in maniera quasi istantanea l?appartenenza di ulteriori oggetti analizzati a una delle suddette classi di appartenenza per cui i modelli ottimizzati sono stati ottenuti.

Secondo forme di realizzazione, il dispositivo classificatore ? configurato per interfacciarsi con apparati atti a rilevare uno spettro elettromagnetico e a fornire in uscita dati fotometrici.

Tali apparati possono essere atti a illuminare un oggetto in analisi con una radiazione elettromagnetica, nel visibile e/o nel vicino infrarosso e/o ultravioletto. Possono essere quindi atti a rilevarne l?una o pi? lunghezze d?onda dello spettro d?interazione, in base a fenomeni quali l?assorbimento, la riflessione, la trasmissione e simili.

Possono essere altres? atti a rilevare lo spettro di emissione naturalmente emesso da tutti gli oggetti.

Secondo il trovato, il dispositivo classificatore comprende un modulo di elaborazione dei dati fotometrici, atto a elaborare una serie di modelli, associati alle caratteristiche f?siche dell?oggetto in analisi.

Secondo il trovato, il dispositivo classificatore comprende inoltre un modulo di classificazione atto ad acquisire i suddetti modelli e ad elaborarli per suddividere gli oggetti di volta in volta analizzati in due o pi? classi di appartenenza.

Detti uno o pi? moduli di elaborazione e il modulo di classificazione inoltre comprendono uno o pi? programmi, leggibili da detti moduli di elaborazione e classificazione, configurati per fornire al dispositivo classificatore delle funzioni di apprendimento automatico.

Detti uno o pi? programmi, una volta eseguiti dai moduli di elaborazione e classificazione, sono atti a determinare l?esecuzione del sopra citato metodo di classificazione.

Vantaggiosamente, il dispositivo classificatore comprende in s?, ed eventualmente migliora, l?applicazione di leggi fisiche associate a propriet? ottiche che altrimenti dovrebbero essere ricavate da un pregresso studio su basi di dati di analisi da esperti di dominio o ottica. ? anche possibile in questo modo adattare, in maniera semplice, veloce ed economica, l?apparato a pi? applicazioni. Ad esempio, l?apparato che coopera con il dispositivo classificatore ? in grado di essere facilmente adattato a varie sostanze o molecole che si vogliono rilevare e/o ad analisi di complessit? maggiore, mediante un addestramento iniziale con un set di oggetti di caratteristiche note.

Un ulteriore vantaggio consiste nell?utilizzo implicito di tutte le correlazioni tra i dati fotometrici rilevati dall?apparato. Ad esempio, pu? essere utilizzato un numero di risposte spettrali pari al numero di sensori ottici utilizzati piuttosto che, come accade solitamente quando viene applicata una regola fissa evinta da studi pregressi, la sola relazione tra un numero limitato di risposte in lunghezza d?onda.

In questo modo ? possibile aumentare l?accuratezza dell?analisi, in quanto ? possibile utilizzare tutta l?informazione contenuta nella risposta spettrale ottenuta.

Vantaggiosamente, il dispositivo classificatore inoltre comprende un modulo di calibrazione automatica del dispositivo ottico, mediante il quale ? possibile aumentare l?affidabilit? dei risultati.

Il modulo di calibrazione pu? infatti essere atto a calibrare il dispositivo ottico in base ad un segnale di fondo (Nero), ottenuto con la sorgente del segnale spenta, e con un segnale (Bianco), ottenuto con la luce sorgente ma in assenza dell?oggetto da analizzare.

In questo modo, ? possibile eliminare l?influenza di disturbi nell?analisi causati da fenomeni interferenti, quali la dispersione delle risposte spettrali dei sensori, fenomeni ambientali quali la temperatura di lavoro e simili, aumentando ulteriormente l?accuratezza dell?analisi.

Secondo forme di realizzazione, il dispositivo classificatore ? atto a permettere l?integrazione di ulteriori informazioni estratte dall?oggetto in analisi, con modalit? diverse, anche con informazioni di natura non strettamente fotometrica, e/o in momenti diversi.

Secondo forme di realizzazione, le componenti ottiche e di elaborazione e classificazione sono comprese in un assieme per la rilevazione di propriet? ottiche, che comprende il dispositivo classificatore e l?apparato per la rilevazione di propriet? ottiche.

? un vantaggio quindi il fatto di non richiedere l interfacciamento con sistemi e/o dispositivi esterni per l?acquisizione e l?elaborazione dei dati fotometrici.

ILLUSTRAZIONE DEI DISEGNI

Questi ed altri aspetti, caratteristiche e vantaggi del presente trovato appariranno chiari dalla seguente descrizione di forme di realizzazione, fomite a titolo esemplificativo, non limitativo, con riferimento agli annessi disegni in cui:

- la fig. 1 ? un diagramma a blocchi di un dispositivo classificatore secondo forme di realizzazione qui descritte;

- la fig. 2 ? un diagramma a blocchi di un assieme per la rilevazione di propriet? ottiche secondo forme di realizzazione qui descritte;

- la fig. 3 ? un diagramma a blocchi di un assieme per la rilevazione di propriet? ottiche integrato in una stessa unit? fisica secondo forme di realizzazione qui descritte;

- la fig. 4 ? un diagramma a blocchi di un apparato per la rilevazione di propriet? ottiche secondo forme di realizzazione qui descritte;

- le figg. dalla 5 alla 8 riportano i diagrammi di flusso del metodo di classificazione secondo forme di realizzazione qui descritte.

Per facilitare la comprensione, numeri di riferimento identici sono stati utilizzati, ove possibile, per identificare elementi comuni identici nelle figure. Va inteso che elementi e caratteristiche di una forma di realizzazione possono essere convenientemente incorporati in altre forme di realizzazione senza ulteriori precisazioni.

DESCRIZIONE DI FORME DI REALIZZAZIONE

Si far? ora riferimento nel dettaglio alle possibili forme di realizzazione del trovato, delle quali uno o pi? esempi sono illustrati nelle figure allegate a titolo esemplificativo non limitativo. Anche la fraseologia e terminologia qui utilizzata ? a fini esemplificativi non limitativi.

Con riferimento alle figure allegate, viene descritto un dispositivo classificatore 10 (fig. 1) per la classificazione di uno o pi? oggetti O in base alle loro propriet? ottiche che permette di superare i limiti della tecnica nota e di eliminare i difetti in essa presenti.

Forme di realizzazione qui descritte si riferiscono, inoltre, ad un assieme per la rilevazione di propriet? ottiche 11 (fig. 2, 3) comprendente detto dispositivo classificatore 10 e un apparato 12 per la rilevazione di propriet? ottiche.

Ulteriori forme di realizzazione qui descritte si riferiscono altres? ad un metodo di classificazione 100 di oggetti (figg. 5-8).

Secondo forme realizzative, il dispositivo classificatore 10 ? configurato per classificare un oggetto di volta in volta in analisi in una classe di appartenenza, compresa in un insieme di possibili classi di appartenenza.

Ogni classe di appartenenza ? identificata da un insieme di caratteristiche correlate a propriet? ottiche che gli oggetti O devono possedere per rientrare in detta classe.

Ad esempio, gli oggetti O possono essere suddivisi in pi? classi, ad esempio due classi, una comprendente oggetti che presentano una o pi? determinate caratteristiche e una comprendente oggetti che non le presentano.

Ad esempio, in accordo con alcune possibili applicazioni, gli oggetti da classificare sono uova e, secondo il presente trovato, si possono suddividere dette uova in base alla presenza di sangue al loro interno, valutando la risposta in assorbimento dell?emoglobina alla radiazione luminosa incidente. Una possibile altra applicazione ? la classificazione di lenti di occhiali in base alla loro capacit? di filtrare determinate frequenze dannose alla vista, valutandone la risposta in trasmissione. In accordo con forme di realizzazione, il suddetto dispositivo classificatore 10 ? configurato per cooperare con un apparato 12 per la rilevazione di propriet? ottiche per rilevare una o pi? lunghezze d?onda dello spettro d?interazione, per propriet? quali l?assorbimento, la riflessione, la riflessione multipla, la rifrazione, la trasmissione e simili o dello spettro di emissione, naturalmente emesso, di un oggetto O in analisi.

II suddetto apparato 12 ? configurato per fornire in uscita segnali e/o dati fotometrici, correlati alle dette propriet? ottiche.

Detto dispositivo classificatore 10 pu? essere altres? atto a ricevere in ingresso i dati fotometrici da sistemi di memorizzazione, quali ad esempio banche dati, elaboratori esterni, memorie esterne e simili, non illustrati in figura.

Il dispositivo classificatore 10 pu? comprendere una o pi? unit? di elaborazione 14, o CPU, una o pi? memorie elettroniche, o moduli di memorizzazione 15, eventualmente una banca dati elettronica e circuiti ausiliari (o I/O) 16.

Ad esempio, l?una o pi? unit? di elaborazione 14 pu? essere una qualsiasi forma di processore per computer utilizzabile in ambito informatico per elaborare dati vantaggiosamente nell?ambito di misura ed analisi di dati ottici.

La memoria 15 pu? essere connessa all?una o pi? unit? di elaborazione 14 e pu? essere una o pi? fra quelle commercialmente disponibili, come una memoria ad accesso casuale (RAM), una memoria a sola lettura (ROM), floppy disc, disco rigido, memoria di massa, o qualsiasi altra forma di archiviazione digitale, locale o remota.

Le istruzioni software e i dati possono essere ad esempio codificati e memorizzati nella memoria per comandare l?una o pi? unit? di elaborazione 14.

Secondo forme di realizzazione, il dispositivo classificatore 10 pu? comprendere inoltre circuiti ausiliari 16 di interfacciamento con sistemi esterni di alimentazione di energia elettrica, sistemi di salvataggio dati esterni, sistemi di elaborazione successiva e simili. Anche i circuiti ausiliari 16 possono essere connessi all?una o pi? unit? di elaborazione 14 per aiutare l?unit? di elaborazione in maniera convenzionale. I circuiti ausiliari possono includere ad esempio almeno uno tra: circuiti cache, circuiti di alimentazione, circuiti di clock, circuiteria di ingresso/uscita, sottosistemi, e similari.

Un programma (o istruzioni computer o codice per programma per computer) leggibile dal dispositivo classificatore 10 pu? determinare quali compiti siano realizzabili in accordo con il metodo secondo la presente descrizione. In alcune forme di realizzazione, il programma ? un software leggibile dal dispositivo classificatore 10. Il dispositivo classificatore 10 include un codice per generare e memorizzare informazioni e dati introdotti o generati nel corso del metodo in accordo con la presente descrizione.

In particolare, secondo forme di realizzazione, il dispositivo classificatore 10 ? atto ad implementare un programma di classificazione basato su metodi di soft-computing, quali ad esempio Support Vector Machine (SVM), reti neurali, logica sfumata (?Fuzzy-Logic?), e simili, da soli o in sinergia tra di loro.

Secondo forme di realizzazione, il programma di classificazione pu? comprendere un programma di comparazione, un programma di interpretazione fisica e un programma di estrazione.

Secondo forme di realizzazione, il programma di classificazione pu? inoltre comprendere un programma di interpolazione e/o normalizzazione, un programma di calibrazione e un programma di estrazione estesa.

Secondo forme di realizzazione, l?una o pi? unit? di elaborazione 14 ? provvista di un modulo di elaborazione 13 configurato per creare uno o pi? modelli ottimizzati associati ad uno specifico oggetto O da classificare, detto modello ottimizzato identificando un insieme di caratteristiche da soddisfare per appartenere ad una specifica classe di appartenenza correlata a propriet? ottiche dell?oggetto O da classificare. Secondo forme di realizzazione, il suddetto modulo di elaborazione 13 ? configurato per l?elaborazione dei suddetti dati fotometrici in una serie di descrittori Di e/o Di? .

Detti descrittori D; e/o Di? possono essere definiti come un insieme di caratteristiche descrittive dell?oggetto O, associate alle propriet?, ottiche o meno, dell?oggetto O in analisi. In particolare, nei descrittori Di? possono essere integrate caratteristiche associate a propriet? non ottiche dell?oggetto O.

Per ogni oggetto O, detti insiemi di caratteristiche possono essere descritti da un insieme di numeri che rappresentano il valore della caratteristica dell?oggetto. Ad esempio un descrittore potrebbe essere (Area, Peso, ... ) o anche ( Risposta Fotometrica a lunghezza d?onda ??, Risposta Fotometrica a lunghezza d?onda ?1, ... ).

Secondo forme di realizzazione, il modulo di elaborazione 13 ? configurato per elaborare i suddetti descrittori Di e/o Di? mediante corrispondenti modelli Mi per classificare gli oggetti O analizzati in due o pi? classi di appartenenza.

Secondo forme di realizzazione, l?una o pi? unit? di elaborazione 14 del dispositivo classificatore 10 comprende un modulo di classificazione CO.

Detto modulo di classificazione CO pu? essere configurato per classificare, in base al risultato di detta elaborazione, l?oggetto O associato al descrittore Di o Di?, identificato dall?insieme di parametri che rappresentano il valore delle caratteristiche dell?oggetto O, in una relativa classe di appartenenza. Il modulo di classificazione C0 pu? essere configurato per eseguire un programma di comparazione memorizzato in detti mezzi di memorizzazione elettronica 15, detto programma essendo configurato per eseguire la suddetta operazione di classificare.

Secondo forme di realizzazione, l?una o pi? unit? di elaborazione 14 comprende, inoltre, un modulo di addestramento 35 configurato per creare detti modelli Mi e selezionare tra questi un modello ottimizzato M0.

Secondo forme di realizzazione, i suddetti modelli Mi sono creati utilizzando funzioni matematiche che descrivono una o pi? di dette propriet? ottiche.

Il dispositivo classificatore 10 pu? essere provvisto di diverse interfacce di comunicazione 27 verso elaboratori o sistemi esterni 37 o verso un utente, ad esempio porte USB, Ethernet, porte di connessione con un PLC e simili, tastiere, mouse e videoterminali.

Il dispositivo classificatore 10 pu? anche comprendere un?interfaccia di conversione 28, per convertire i dati fotometrici in ingresso in un formato adatto, ad esempio da formato analogico a formato digitale o nell?ampiezza e/o nella banda di frequenze.

Secondo forme di realizzazione, il modulo di elaborazione 13 comprende un modulo di interpretazione fisica C3 e/o un modulo di interpolazione C1 in lunghezza d?onda e/o un modulo di calibrazione C2. In generale ogni modulo C1, C2, C3 ? configurato per l?elaborazione di uno o pi? vettori C<? >di caratteristiche S? alternativi associati allo stesso oggetto in analisi dal modulo precedente secondo lo schema:

dove F<1'1>, corrispondente al vettore in uscita dal modulo di elaborazione Ci- 1 e in ingresso al modulo Ci, viene elaborato per fornire uno dei possibili vettori C<i>.

Ogni modulo C1, C2, C3 ? quindi configurato per inviare al successivo modulo C<i+1 >un vettore F? corrispondente ad uno dei vettori

Secondo forme di realizzazione, il modulo di interpolazione C1 ? configurato per eseguire un programma di normalizzazione e/o interpolazione dei dati fotometrici, per suddividere lo spettro utilizzato in caratteristiche uniformi in lunghezza d?onda.

Secondo forme di realizzazione, il modulo di calibrazione C2 ? configurato per effettuare, mediante un programma di calibrazione, una calibrazione del dispositivo ottico, ad esempio sulla radiazione elettromagnetica sorgente senza oggetto O (Bianco) e sulla radiazione di fondo a sorgente spenta (Nero).

Secondo forme di realizzazione, il modulo di interpretazione f?sica C3 ? configurato per elaborare, mediante un programma di interpretazione fisica, i dati fotometrici o il vettore F<? >inviato dal modulo precedente mediante un insieme di operatori parametrizzati associati alle leggi fisiche che descrivono il fenomeno in analisi, ad esempio assorbimento, riflessione e simili.

Secondo forme di realizzazione, il modulo di elaborazione 13 comprende inoltre un modulo di estrazione D1 configurato per estrarre un insieme di possibili descrittori D, alternativi, costruiti in modo da includere tutte le possibili trasformazioni dei dati fotometrici che si utilizzano in applicazioni di natura fotometrica. Detto modulo di estrazione D1 ? configurato per eseguire un programma di estrazione.

Secondo forme di realizzazione, il modulo di elaborazione 13 dei dati fotometrici comprende, inoltre, un modulo di estrazione estesa D2 di un insieme di possibili descrittori estesi Di?, configurato per eseguire un programma di estrazione estesa.

Il modulo di estrazione estesa D2 pu? essere configurato per eseguire un programma per l elaborazione di operatori di trasformazione, basati su altre caratteristiche associate agli oggetti O, quali informazioni di natura anche non fotometrica, ad esempio dimensione, spessore ed altri, o informazioni acquisite in momenti precedenti all?analisi quali informazioni statistiche di processo e simili.

Detto programma per l?elaborazione pu? essere atto a operare sui descrittori D, per ottenere i descrittori estesi Di?, ad esempio mediante una moltiplicazione dei descrittori D, o l?integrazione di parametri relativi ad altre caratteristiche associate all?oggetto O, ad esempio spessore, dimensione e altri.

Secondo forme di realizzazione, gli uno o pi? moduli di elaborazione 13, C1, C2, C3, D1, D2 e/o il modulo di classificazione CO e/o il modulo di addestramento 35 elaborano i dati e salvano i risultati mediante una o pi? di dette unit? di elaborazione 14, e/o uno o pi? di detti moduli di memorizzazione 15.

Ad esempio, uno o pi? di detti moduli di memorizzazione 15 pu? essere configurato per memorizzare detti descrittori Di e/o Di?, per un loro utilizzo successivo e/o per il processo di addestramento.

Secondo forme di realizzazione, il dispositivo classificatore 10 comprende inoltre un?interfaccia grafica 29, comprendente in particolare un?unit? grafica 30 di elaborazione, una memoria GPU 31, un modulo grafico di addestramento 32 e un modulo grafico di predizione 33.

Il modulo grafico di addestramento 32, pu? essere configurato per cooperare con dette interfacce di comunicazione 27, ad esempio con un dispositivo di output, quale uno schermo, videoterminale e/o con una tastiera o altro dispositivo di input o altra interfaccia utente, per permettere all?operatore di eseguire una fase di addestramento del metodo di classificazione 100 mediante la selezione dell?insieme di classi di appartenenza e dell?insieme di oggetti O costituenti il Training Set.

Il modulo grafico di predizione 33 pu? essere atto a cooperare con dette interfacce di comunicazione 27, ad esempio con un dispositivo di output, quale uno schermo, videoterminale e/o con una tastiera e/o con un altro dispositivo di input o altra interfaccia utente, per permettere all?utente di avviare una classificazione e visualizzare e gestire i risultati della classificazione.

Secondo forme di realizzazione, il modulo di addestramento 35 ? configurato per cooperare con i moduli di interpolazione C1, di calibrazione C2, di interpretazione fisica C3, di estrazione D1, di estrazione estesa D2 e con il suddetto modulo grafico di addestramento 32, per permettere l?addestramento del dispositivo classificatore 10.

Secondo forme di realizzazione, l?una o pi? unit? di elaborazione 14 del dispositivo classificatore 10 comprende inoltre un modulo di predizione 36 configurato per cooperare con i moduli di interpolazione C1, di calibrazione C2, di interpretazione fisica C3, di estrazione D1, di estrazione estesa D2 e con il suddetto modulo grafico di predizione 33, per permettere di eseguire una classificazione mediante il dispositivo classificatore 10.

Secondo possibili forme di realizzazione, il suddetto assieme per la rilevazione di propriet? ottiche 11 comprende il dispositivo classificatore 10 secondo il trovato e l?apparato 12 (figg. 2 e 3).

In specifiche forme di realizzazione, rappresentate in fig. 3, l?assieme per la rilevazione di propriet? ottiche 11 include, in un unico involucro 1 la, sia il dispositivo classificatore 10 e sia l?apparato 12; in altre parole il dispositivo classificatore 10 e l?apparato 12 sono inclusi in un?unica unit? fisica.

Secondo forme di realizzazione, l?apparato 12 con cui il dispositivo classificatore 10 ? atto a cooperare pu? essere uno spettrofotometro o un dispositivo di rilevamento di lunghezze d?onda provvisto di uno o pi? sensori ottici o simili.

Ad esempio, come descritto utilizzando la fig. 4, forme di realizzazione di apparato 12 con cui il dispositivo classificatore 10 pu? cooperare comprendono un?unit? ottica 34 provvista di:

- almeno un emettitore 17 provvisto di una sorgente luminosa 18 configurata per emettere una prima radiazione luminosa, atta a cooperare con un oggetto O per generare una seconda radiazione in uscita da detto oggetto O;

- un dispositivo sensore ottico 21, configurato per ricevere detta seconda radiazione e fornire corrispondenti segnali elettrici.

Detta unit? ottica 34 pu? eventualmente comprendere un diffusore 22 configurato per diffondere la seconda radiazione luminosa su un?area del dispositivo sensore ottico 21.

Detto apparato 12 pu? comprendere inoltre un organo collimatore 19, atto a ricevere detta seconda radiazione e fornire all?uscita detta seconda radiazione in forma collimata.

Detto apparato 12 pu? anche comprendere:

- un elaboratore 23, atto a ricevere ed elaborare detti segnali elettrici per fornire in uscita dati correlati a detta propriet? ottica di detto oggetto O; - uno o pi? sensori 24 configurati per rilevare almeno un segnale correlato ad uno o pi? di: colore, volume, forma, presenza e simili dell?oggetto O nella zona di rilevazione, o loro combinazione;

- un?unit? di controllo 25 collegata sia all?elaboratore 23 sia ad un convogliatore di trasporto 26 atto a movimentare oggetti O per posizionarli nella zona di rilevazione.

L?assieme per la rilevazione di propriet? ottiche 1 1 pu? quindi essere idoneo sia, a basso livello, per la trasformazione dei dati correlati alle suddette propriet? ottiche nelle sue pi? comuni formulazioni (conto fotometrico, trasmissione, assorbimento) e filtraggi (per lunghezza d?onda e per eventuali medie temporali ) sia, ad alto livello, la sua interpretazione come insiemi di descrittori degli oggetti O in analisi e il suo inserimento in un flusso di addestramento e di predizione atto a generare automaticamente ed a utilizzare un modello ottimizzato di classificazione di oggetti O.

In tal modo l interfacciamento con eventuali sistemi esterni 37 pu? ridursi ad esempio ai segnali di inizio acquisizione e di invio del risultato della classificazione degli oggetti O, verso un operatore o degli attuatori in un sistema automatizzato.

Forme di realizzazione qui descritte si riferiscono inoltre ad un metodo 100 di classificazione utilizzabile con, o in associazione a, detto dispositivo classificatore 10.

Secondo il trovato e come riportato nella fig. 5, il metodo 100 prevede una fase di inserimento delle impostazioni di fabbrica 200, una fase di addestramento 300 iniziale e una fase di predizione 400.

Secondo forme di realizzazione, detta fase di inserimento delle impostazioni di fabbrica 200 prevede di impostare nel programma, in modo noto, parametri quali le leggi fisiche in campo ottico di interesse, ad esempio nella forma di funzioni matematiche che descrivono una o pi? propriet? ottiche, le caratteristiche dei vettori C; /descrittori Di e/o Di? e simili.

Secondo forme di realizzazione, il metodo 100 prevede inizialmente di interfacciare il dispositivo classificatore 10 con un apparato 12 per la rilevazione di propriet? ottiche o un sistema di memorizzazione di dati fotometrici. Detto dispositivo classificatore 10 pu? comprendere un programma di classificazione, memorizzabile in uno o pi? moduli di memorizzazione 15 e leggibile da una o pi? unit? di elaborazione 14, che prevede uno o pi? insiemi di descrittori Di e/o Di?.

Secondo forme di realizzazione, detto programma di classificazione ? basato su metodi di sof?-computing, quali ad esempio Support Vector Machine (SVM), reti neurali, logica sfumata, e simili, da soli o in sinergia tra di loro.

Secondo forme di realizzazione, la fase di addestramento 300 ? atta a definire un modello ottimizzato Mo per una specifica applicazione di interesse.

Secondo forme di realizzazione, l?addestramento 300 (fig. 5a) prevede una fase di Training 300a (fig. 6) e una fase di Validation 300b (fig.7).

Secondo forme di realizzazione, durante la fase di Training 300a ad ogni descrittore Di o Di? possono essere associati dei modelli Mi, atti ad assegnare il valore assunto da detto descrittore Di o Di? ad una classe di appartenenza.

La creazione di detto modello Mi pu? comprendere l?utilizzo di funzioni matematiche che descrivono una o pi? propriet? ottiche, quali a titolo di esempio non esaustivo l?emissione, l?assorbimento, la riflessione singola o multipla, la trasmissione e simili di una radiazione elettromagnetica nel campo del visibile e/o del vicino infrarosso e/o ultravioletto.

Secondo forme di realizzazione, le funzioni matematiche utilizzabili nella creazione di detti modelli possono essere tutte quelle impostate nella fase di inserimento delle impostazioni di fabbrica 200 o pu? essere un suo sottoinsieme, definito in base alla loro coerenza con l?applicazione di interesse e con il relativo dimostratore Di o Di?. A titolo di esempio, l?utente pu? scegliere, attraverso le interfacce di comunicazione 27, il sottogruppo di funzioni matematiche in base alle propriet? fisiche che ritiene utilizzabili per la sua applicazione.

La fase di Validation 300b pu? prevedere di selezionare, tra le possibili combinazioni di modelli Mi/dimostratori Di o Di? create nella fase di Training 300a, il modello ottimo Mo, e il relativo descrittore ottimo Do o Do? associato a detto modello ottimo, mediante una comparazione delle suddette possibili combinazioni Mi/Di e/o Di?.

Come termine di confronto possono essere usate una o pi? metriche di validazione, quale ad esempio la F-measure come indice sintetico legato al numero di Falsi Positivi e al numero di Falsi negativi.

Il modello ottimizzato Mo pu? quindi identificare un insieme di caratteristiche correlate a propriet? ottiche dell?oggetto O da classificare che il corrispondente descrittore Do o Do? deve soddisfare affinch? l?oggetto O appartenga ad una specifica classe di appartenenza di un gruppo di classi di appartenenza.

La fase di Training 300a, come riportato in fig. 7, pu? prevedere di: - definire 310 un insieme di classi di appartenenza;

- selezionare 320 un insieme di oggetti O costituenti un Training Set, da utilizzare per addestrare il programma di classificazione, in cui ogni detto oggetto O ? classificato come appartenente ad una tra le possibili classi di appartenenza desiderate, ad esempio indicando la classe di appartenenza o la relazione logica che lo lega a detta classe di appartenenza;

- creare 90 il modello Mi, in modo da associare ogni oggetto O costituente il Training Set alla relativa classe di appartenenza;

- salvare 340 detti modelli Mi;

- ripetere 350 i passi 330 e 340 fino all? esaurimento dei descrittori.

Secondo forme di realizzazione, il metodo 100 prevede, nella fase di creazione del Training set, di preparare la struttura di analisi riservando uno spazio per ogni descrittore Di.

Secondo forme di realizzazione e come rappresentato nella fig. 8, la sopra detta fase di Validation 330b, per l?applicazione di interesse, pu? prevedere di:

- selezionare (331) un insieme di oggetti (O) costituenti un Validation Set, in cui ogni detto oggetto (O) ? classificato come appartenente ad una tra le possibili classi di appartenenza desiderate

- applicare 332 i modelli Mi creati nella fase di Training 300a e i relativi descrittori Di o Di?, ad ogni oggetto O appartenente al Validation Set; - ottimizzare 333 il programma di classificazione, valutando l?accuratezza di detti modelli Mi mediante le suddette una o pi? metriche di validazione e selezionando, tra i detti modelli Mi,, il modello ottimizzato Mo.

Il suddetto modello ottimizzato Mo pu? ad esempio essere definito come il modello M, che presenta il minor numero di Falsi Positivi/ Falsi Negativi.

Secondo forme di realizzazione e come riportato in fig. 9, la creazione 90 di uno o pi? modelli Mi pu? prevedere, per ogni oggetto O:

- l?inserimento 91 dei dati fotometrici fomiti in ingresso;

- l?eventuale interpolazione 92 in lunghezza d?onda;

- l?eventuale calibrazione 93;

- l?interpretazione fisica 94;

- l?estrazione 95 di uno o pi? descrittori Di;

- l?eventuale estrazione estesa 96 di uno o pi? descrittori Di?;

- l?impostazione 97, per ogni Di o Di?.

In generale, ogni interpolazione 92 in lunghezza d?onda, calibrazione 93, interpretazione fisica 94 prevede di rendere disponibili uno o pi? vettori Ci di caratteristiche S<i >alternativi.

Ogni interpolazione 92 in lunghezza d?onda, calibrazione 93, interpretazione fisica 94 prevede inoltre l?elaborazione dell?uno o pi? vettori C<i >di caratteristiche S? alternativi resi disponibili precedentemente o dei vettori di dati fotometrici non elaborati.

Detta elaborazione pu? prevedere di applicare o meno una o pi? trasformazioni al segnale in ingresso.

Detta elaborazione pu? prevedere quindi di rendere disponibili sia i vettori C<i >elaborati sia i vettori C<i >generati precedentemente e/o i vettori di dati fotometrici non elaborati.

Le suddette trasformazioni possono ad esempio essere la moltiplicazione dei detti vettori C? tra di loro o l applicazione di uno o pi? operatori tipici, quali funzioni analitiche, funzioni su base statistica o altro, della trasformazioni fotometrica impiegata, come di seguito riportato.

Secondo forme di realizzazione, l interpolazione 92 comprende la normalizzazione e/o interpolazione del segnale, per suddividere lo spettro utilizzato in caratteristiche uniformi in lunghezza d?onda.

Ad esempio, sensori ottici 24 che lavorano in bande di lunghezza d?onda diverse possono presentare una diversa sensibilit? al segnale in ingresso. Pu? perci? essere necessario normalizzare i segnali prodotti da detti sensori 24 in modo da ottenere una risposta spettrale confrontabile su tutte le lunghezze d?onda o sull?intervallo dello spettro di interesse. Come ulteriore esempio, nel caso in cui l?apparato 12 comprenda una matrice di sensori ottici 24, quali dei fotodiodi, dette caratteristiche rappresentano la probabilit? che la sorgente illuminante il fotodiodo centrato in ?S abbia frequenza ?. L?operatore pu? essere definito in base a regole di logica sfumata, o fuzzy logie, in cui la caratteristica ?(?) ? definita come:

dove:

? il segnale del fotodiodo centrato sulla lunghezza d?onda Xs;

? la probabilit? che sia stato originato da una radiazione elettromagnetica centrata attorno a ?.

Nell?esempio sopra riportato, l interpolazione 92 pu? rendere disponibile sia la matrice di che quella di ?(?) come possibile vettore C'.

Secondo forme di realizzazione, la calibrazione 93 pu? essere effettuata per ogni misura, una sola volta al momento dell?addestramento del sistema, periodicamente a intervalli predefiniti o pu? anche non essere effettuata, a seconda del tipo di analisi che si esegue.

Ad esempio, la calibrazione 93 pu? prevedere una funzione di calibrazione del tipo:

dove:

C(X) ? il segnale calibrato alla lunghezza d?onda ?;

?1(?) ? la risposta alla lunghezza d?onda ? dei vettori C' resi disponibili precedentemente durante l?acquisizione dell?oggetto O in analisi;

?(?) ? la risposta degli stessi vettori C a sorgente 18 spenta (Nero); ?(?) ? la risposta degli stessi vettori C<i >a sorgente 18 accesa e in assenza dell?oggetto O (Bianco);

dove la calibrazione 93 viene ripetuta per l?una o pi? lunghezze d?onda previste dall?analisi che si esegue.

Secondo forme di realizzazione, l?interpretazione fisica 94 prevede la trasformazione dei dati fotometrici secondo le diverse leggi fisiche associate all?analisi che si esegue.

L?interpretazione fisica 94 pu? generare, a partire dalle risposte Fi(?) in ingresso, un insieme di indicatori alternativi applicando un insieme di operatori parametrizzati legati alle leggi fisiche:

dove le leggi fisiche sono quelle legate a grandezze fotometriche quali ad esempio la trasmittanza, la riflettanza, l?assorbanza della radiazione luminosa e simili per le rispettive propriet? ottiche di riflessione, trasmissione, assorbimento e simili.

In diverse circostanze, le leggi che permettono di descrivere in maniera lineare la differenza tra oggetti O classificabili in una classe di appartenenza e oggetti O classificabili in una classe diversa sono soggette a trasformazioni del segnale originario attraverso operatori non lineari quali potenze o logaritmi.

Ad esempio, M(y,p) con p=10 pu? essere l?operatore logaritmico logio(y).

A titolo di esempio, per ogni lunghezza d?onda prodotta dal dispositivo ottico pu? essere calcolato l?assorbimento spettrale:

dove :

Abs[nm] ? l?assorbimento globale alla lunghezza d?onda nm;

C[nm] ? il conto di fotoni ottenuto da un fotodiodo corrispondente alla lunghezza d?onda nm in presenza dell?oggetto O in analisi;

? il conto di fotoni ottenuto dal fotodiodo corrispondente alla lunghezza d?onda nm in assenza dell?oggetto O, durante la fase di calibrazione.

Secondo forme di realizzazione, l?estrazione 95 prevede l?estrazione di un insieme di possibili descrittori alternativi Di, costruiti in modo da includere una o pi? trasformazioni dei dati fotometrici utilizzate in applicazioni di natura fotometrica.

Ad ogni oggetto sotto analisi pu? essere associato un insieme di descrittori alternativi:

dove sono vettori di caratteristiche di cardinalit? M, M essendo eventualmente variabile tra descrittore e descrittore.

I descrittori alternativi Di possono essere vettori di caratteristiche ottenuti tramite una delle possibili combinazioni tra gli uno o pi? vettori C<i >di caratteristiche S<i >resi disponibili precedentemente.

In particolare, detti vettori C' di caratteristiche S' di cardinalit? M sono ottenuti ad esempio tramite una delle possibili combinazioni F i tra R(?s) e ?(?) [modulo C1], una delle possibili combinazioni F2 tra

[modulo C2], e una delle possibili combinazioni F3 tra

[modulo C3], con N numero delle possibili combinazioni totali.

I descrittori Di possono essere utilizzati direttamente o salvati, ad esempio sul modulo di memorizzazione 15, per una loro valutazione successiva o per il processo di addestramento.

Secondo forme di realizzazione, il metodo 100 pu? prevedere l?uso di ulteriori informazioni, ad esempio informazioni di natura anche non fotometrica, quali dati relativi a dimensione, spessore ed altri, o informazioni acquisite in momenti precedenti all?analisi quali informazioni statistiche di processo e simili.

La creazione 90 pu? quindi prevedere una estrazione estesa 96, che prevede l?estrazione di descrittori estesi

dove i valori Cj sono indici di appartenenza a classi associate ad ulteriori informazioni di natura fotometrica e non fotometrica, ad esempio classi di dimensione, spessore, o simili.

Secondo forme di realizzazione, l?impostazione 97 del modello Mi prevede quindi di associare ad uno dei descrittori Di o Di? estratti nei passi 95 e 96, una relativa classe di appartenenza, mediante l?elaborazione dei parametri contenuti in detti descrittori Di o Di? con un metodo di soft-computing, quale il metodo SVM, reti neurali o simili, preferibilmente mediante il metodo SVM. Ad ogni descrittore Di o Di? pu? quindi essere associato il relativo modello Mi.

Secondo forme di rappresentazione e come riportato in fig. 5b, la fase di predizione 400 pu? prevedere di:

- acquisire 420 dati fotometrici da un oggetto O da classificare;

- classificare 430 l?oggetto nella classe di appartenenza, elaborando i dati acquisiti mediante il modello ottimizzato Mo definito nella fase di addestramento 300, attraverso il corrispondente descrittore Do o Do? associato all?oggetto O da classificare.

L?elaborazione effettuata nella classificazione 430 mediante il modello ottimizzato Mopu? prevedere di trattare i dati fotometrici fomiti nella fase 420 mediante:

- l?interpretazione fisica 94, che prevede la trasformazione di detti dati fotometrici secondo leggi fisiche associate alle dette propriet? ottiche; - l?estrazione 95, che prevede l?estrazione del descrittore Do, costruito in modo da includere una o pi? di dette possibili trasformazioni dei dati fotometrici per l?oggetto O;

- l?impostazione 97, che prevede l?associazione al descrittore Do ottenuto di una relativa classe di appartenenza, mediante l?elaborazione dei parametri contenuti nel detto descrittore Do con un metodo di softcomputing;

associando al descrittore Do o Do? la relativa classe di appartenenza.

Pu? inoltre prevedere, prima dell?interpretazione fisica 94, una interpolazione 92 in lunghezza d?onda, e/o una calibrazione 93, in cui ciascuna di dette interpolazione 92, calibrazione 93 e interpretazione fisica 94 prevedono l?elaborazione di uno o pi? vettori C<i >di caratteristiche S<i >alternativi e prevede di rendere disponibili sia i vettori elaborati, sia i vettori generati precedentemente e/o i vettori di dati fotometrici non elaborati, e che la classificazione 430 prevede inoltre, in seguito alla estrazione 95, una estrazione estesa 96 per l?estrazione del descrittore esteso Do?, detto descrittore esteso Do? comprendendo indici di appartenenza a classi associate ad ulteriori informazioni di natura fotometrica e non fotometrica.

I suddetti dati fotometrici possono essere rilevati mediante un apparato 12 e/o fomiti da un sistema di memorizzazione di dati fotometrici.

Secondo forme di realizzazione, il metodo 100 pu? prevedere la possibilit?, anche a posteriori, di impostare dei fattori moltiplicativi, o pesi, Ma, Mb, Me, etc., diversi alla probabilit? di appartenenza alle varie classi in modo da ottenere un risultato in linea con le aspettative dell?applicazione specifica.

In questo caso l?oggetto ? mappato in classe A se

Come esempio illustrativo, si supponga di avere

A : oggetti privi di difetti

B : oggetti con un difetto

e dopo l?addestramento il modello migliore abbia un numero di Falsi Positivi del 5% e un numero di Falsi Negativi del 5%. Se si vuole ottenere un minor numero di Falsi Positivi anche a patto di aumentare il numero di Falsi Negativi ( ad esempio, nel caso delle uova ? importante NON scartare uova buone, in altri casi ? - al contrario - importante NON far passare scarti di produzione ) ? sufficiente impostare Ma > Mb in modo che la relazione Pa * Ma > Pb * Mb valga per un maggior numero di casi rispetto alla relazione Pa > Pb ottenendo cos? pi? predizioni di oggetti privi di difetti e facendo in modo che il sistema scarti meno oggetti rispetto alla soluzione base.

Forme di realizzazione possono prevedere l?esecuzione di varie fasi, passaggi ed operazioni, come sopra descritto. Tali fasi, passaggi ed operazioni possono essere realizzate con istruzioni eseguite da una macchina che provocano l?esecuzione di certe fasi da parte di un?unit? di elaborazione 16 general-purpose oppure special-purpose. Alternativamente, tali fasi, passaggi ed operazioni possono essere eseguite da specifici componenti hardware che contengono logica hardware per effettuare le fasi, o da qualsiasi combinazione di componenti per computer programmati e componenti hardware personalizzati.

Forme di realizzazione del metodo 100 in accordo con la presente descrizione possono essere incluse in un programma per computer memorizzabile in un mezzo leggibile da un computer che contiene le istruzioni che, una volta eseguite dal classificatore 10, determinano l?esecuzione del metodo 100 di cui si discute.

In particolare, elementi secondo il presente trovato possono essere forniti come mezzi leggibili da una macchina per memorizzare le istruzioni eseguibili dalla macchina. I mezzi leggibili da una macchina possono includere, senza essere limitati a, floppy disk, dischi ottici, CD-ROM, e dischi magneto-ottici, ROM, RAM, EPROM, EEPROM, schede ottiche o magnetiche, mezzi di propagazione oppure altri tipi di mezzi leggibili da una macchina adatti a memorizzare informazioni elettroniche. Ad esempio, il presente trovato pu? essere scaricato come programma per computer che pu? essere trasferito da un computer remoto (ad esempio un server) ad un computer che fa una richiesta (ad esempio client), mediante segnali dati realizzati con portatori d?onda od altri mezzi di propagazione, via un collegamento di comunicazione (ad esempio un modem od una connessione di rete).

? chiaro che al dispositivo classificatore 10, all?assieme per la rilevazione di propriet? ottiche 11 e al metodo di classificazione 100 fin qui descritti possono essere apportate modifiche e/o aggiunte di parti o fasi, senza per questo uscire dall?ambito del presente trovato come definito dalle rivendicazioni.

Nelle rivendicazioni che seguono, i riferimenti tra parentesi hanno il solo scopo di facilitare la lettura e non devono essere considerati come fattori limitativi per quanto attiene all?ambito di protezione sotteso nelle specifiche rivendicazioni.

Claims (17)

RIVENDICAZIONI

1. Metodo di classificazione di oggetti (O) in base alle loro propriet? ottiche, detto metodo comprendendo:

- acquisire (420) dati fotometrici da un oggetto (O) da classificare;

- elaborare i dati fotometrici acquisiti mediante un modello ottimizzato (Mo), attraverso un corrispondente descrittore (Do o Do?) associato all?oggetto (O) e classificare (430) l?oggetto (O) in una classe di appartenenza in base a detta elaborazione;

in cui detto modello ottimizzato (M0) identifica un insieme di caratteristiche correlate a propriet? ottiche dell?oggetto (O) da classificare che il corrispondente descrittore (Do o Do?) deve soddisfare affinch? l?oggetto O appartenga ad una specifica classe di appartenenza di un gruppo di classi di appartenenza e detto modello ottimizzato (Mo) ? creato utilizzando funzioni matematiche che descrivono una o pi? di dette propriet? ottiche.

2. Metodo come nella rivendicazione 1, caratterizzato dal fatto che una o pi? di dette propriet? ottiche sono scelte in un gruppo costituito da: propriet? ottiche di assorbimento, trasmissione, riflessione, riflessione multipla, emissione, rifrazione.

3. Metodo come in una qualsiasi delle rivendicazioni precedenti, caratterizzato dal fatto che l?elaborazione mediante il modello ottimizzato (Mo) per la classificazione (430) prevede di trattare i dati fotometrici fomiti nella fase (420) mediante:

- interpretazione fisica (94), che prevede la trasformazione di detti dati fotometrici secondo leggi fisiche associate alle dette propriet? ottiche; - estrazione (95), che prevede l?estrazione del descrittore (Do), costruito in modo da includere una o pi? di dette possibili trasformazioni dei dati fotometrici per l?oggetto (O);

- impostazione (97), che prevede l?associazione al descrittore (Do) ottenuto di una relativa classe di appartenenza, mediante l?elaborazione dei parametri contenuti nel detto descrittore (Do) con un metodo di softcomputing;

associando al descrittore (Do) o (Do?) la relativa classe di appartenenza.

4. Metodo come nella rivendicazione 3, caratterizzato dal fatto che l?elaborazione per la classificazione (430) prevede inoltre di trattare i dati fotometrici fomiti nella fase (420), prima dell?interpretazione fisica (94), mediante una interpolazione (92) in lunghezza d?onda, e/o una calibrazione (93), in cui ciascuna di dette interpolazione (92), calibrazione (93), interpretazione fisica (94) prevedono l?elaborazione di uno o pi? vettori (C<i>) di caratteristiche (S<i>) alternativi e prevede di rendere disponibili sia i vettori elaborati, sia i vettori generati precedentemente e/o i vettori di dati fotometrici non elaborati, e che la classificazione (430) prevede inoltre, in seguito alla estrazione (95), una estrazione estesa (96) per l?estrazione del descrittore esteso (Do?), detto descrittore esteso (Do?) comprendendo indici di appartenenza a classi associate ad ulteriori informazioni di natura fotometrica e non fotometrica.

5. Metodo come in una qualsiasi delle rivendicazioni precedenti, caratterizzato dal fatto che prevede di utilizzare un programma di classificazione per elaboratore, memorizzato su un modulo di memorizzazione (15) ed eseguibile da un?unit? di elaborazione (14), detto programma essendo basato su metodi di soft-computing scelti tra Support Vector Machine (SVM) e/o reti neurali e/o logica sfumata, da soli o in sinergia tra di loro.

6. Metodo come in una qualsiasi delle rivendicazioni precedenti, caratterizzato dal fatto che detto modello ottimizzato (Mo) ? scelto tra uno o pi? modelli (Mi), la creazione (90) di detti uno o pi? modelli Mi comprendendo, per ogni oggetto (O):

- inserimento (91) di dati fotometrici relativi a detto oggetto (O), detti dati fotometrici essendo resi disponibili da un apparato (12) per la rilevazione di propriet? ottiche;

- interpretazione fisica (94), che prevede la trasformazione di detti dati fotometrici secondo leggi fisiche associate alle dette propriet? ottiche; - estrazione (95), che prevede l?estrazione di uno o pi? possibili descrittori alternativi (Di), costruiti in modo da includere una o pi? di dette possibili trasformazioni dei dati fotometrici per l?oggetto (O);

- impostazione (97), che prevede l?associazione ad ogni descrittore (Di) ottenuto di una relativa classe di appartenenza, mediante l?elaborazione dei parametri contenuti nel detto descrittore (Di) con un metodo di softcomputing;

in cui detta interpretazione fisica (94) prevede l?elaborazione di uno o pi? vettori (C<i>) di caratteristiche (S<i>) alternativi e prevede di rendere disponibili sia i vettori elaborati, sia i vettori di dati fotometrici non elaborati.

7. Metodo come nella rivendicazione 6, caratterizzato dal fatto che la creazione (90) di detti uno o pi? modelli (Mi) prevede inoltre, tra l?inserimento (91) e l?interpretazione fisica (94), una interpolazione (92) in lunghezza d?onda, e/o una calibrazione (93), in cui ciascuna di dette interpolazione (92), calibrazione (93), interpretazione fisica (94) prevede l?elaborazione di uno o pi? vettori (C<i>) di caratteristiche (S<i>) alternativi e prevede di rendere disponibili sia i vettori elaborati, sia i vettori generati precedentemente e/o i vettori di dati fotometrici non elaborati, e che la creazione (90) di detti uno o pi? modelli (Mi) prevede inoltre, in seguito alla estrazione (95), una estrazione estesa (96) per l?estrazione di descrittori estesi (Di?), detti descrittori estesi (Di?) comprendendo indici di appartenenza a classi associate ad ulteriori informazioni di natura fotometrica e non fotometrica.

8. Metodo come in una qualsiasi delle rivendicazioni da 6 a 7, caratterizzato dal fatto che detti descrittori alternativi (Di) sono vettori di caratteristiche ottenuti tramite una delle possibili combinazioni tra gli uno o pi? vettori (C<i>) di caratteristiche (S<i>) resi disponibili precedentemente.

9. Metodo come in una qualsiasi delle rivendicazioni precedenti, caratterizzato dal fatto che comprende una fase di addestramento (300), comprendente una fase di Training (300a) e una fase di Validation (300b), detta fase di Training (300a) prevedendo di:

- definire (310) un insieme di classi di appartenenza;

- selezionare (320) un insieme di oggetti (O) costituenti un Training Set, in cui ogni detto oggetto (O) ? classificato come appartenente ad una tra le possibili classi di appartenenza desiderate;

- creare (90), per ogni oggetto (O), il modello (Mi) associato ad un descrittore (Di o Di?);

- ripetere (350) la creazione fino all?esaurimento dei possibili descrittori (Di o Di?);

e detta fase di Validation (300b) prevede di selezionare, tra i modelli (Mi) creati nella fase di Training (300a) e i relativi descrittori (Di o Di?), il modello ottimizzato (Mo) e il relativo descrittore (Do o Do?), mediante una comparazione dei modelli (Mi) mediante una o pi? metriche di validazione.

10. Dispositivo per la classificazione di uno o pi? oggetti (O) in base alle loro propriet? ottiche, configurato per ricevere in ingresso dati fotometrici relativi a detti uno o pi? oggetti (O) e per classificare detti uno o pi? oggetti (O) in una classe di appartenenza, compresa in un insieme di possibili classi di appartenenza correlate a propriet? ottiche degli uno o pi? oggetti (O), detto dispositivo classificatore comprendendo almeno un?unit? di elaborazione (14) e uno o pi? mezzi di memorizzazione elettronica (15), detta unit? di elaborazione (14) comprendendo:

- un modulo di elaborazione (13) di detti dati fotometrici, configurato per creare uno o pi? modelli (Mi) associati ad uno specifico oggetto (O) da classificare, detti uno o pi? modelli (Mi) identificando un insieme di caratteristiche da soddisfare per appartenere ad una specifica classe di appartenenza correlata a propriet? ottiche dell?oggetto (O);

- un modulo di classificazione (CO), configurato per eseguire un programma di comparazione memorizzato in detti mezzi di memorizzazione elettronica (15), detto programma essendo atto a classificare l?oggetto (O) in una classe di appartenenza, mediante il modello ottimizzato (Mo).

11. Dispositivo come nella rivendicazione 10, caratterizzato dal fatto di comprendere un?interfaccia grafica (29), provvista di un modulo grafico di addestramento (32), configurato per permettere la selezione da parte di un operatore dell?insieme di classi di appartenenza e degli insiemi di oggetti (O) costituenti il Training Set e il Validation Set, e un modulo grafico di predizione (33), configurato per permettere la visualizzazione e la gestione dei risultati della classificazione, in accordo con il metodo di classificazione.

12. Dispositivo come nelle rivendicazioni 10 e 11, caratterizzato dal fatto che in detti mezzi di memorizzazione elettronica (15) ? memorizzato un programma di classificazione basato su metodi di softcomputing, in particolare Support Vector Machine (SVM) e/o reti neurali e/o logica sfumata, da soli o in sinergia tra di loro, detto programma di classificazione comprendendo il detto programma di comparazione, un programma di interpolazione e/o normalizzazione, un programma di calibrazione, un programma di interpretazione fisica, un programma di estrazione e/o un programma di estrazione estesa.

13. Dispositivo come nella rivendicazione 12, caratterizzato dal fatto che detto modulo di elaborazione (13) comprende un modulo di interpretazione fisica (C3) configurato per trasformare detti dati fotometrici secondo leggi fisiche associate alle dette propriet? ottiche, e un modulo di estrazione (DI) configurato per estrarre uno o pi? possibili descrittori alternativi (Di), costruiti in modo da includere una o pi? di dette possibili trasformazioni del segnale per l?oggetto (O), mediante detto programma di classificazione memorizzato in detti mezzi di memorizzazione elettronica (15).

14. Dispositivo come nella rivendicazione dalla 12 alla 13, caratterizzato dal fatto che detto modulo di elaborazione (13) comprende inoltre un modulo di interpolazione (C1) in lunghezza d?onda configurato per eseguire un programma di normalizzazione e/o interpolazione dei dati fotometrici memorizzato in detti mezzi di memorizzazione elettronica (15), e/o un modulo di calibrazione (C2) configurato per effettuare, mediante un programma di calibrazione memorizzato in detti mezzi di memorizzazione elettronica (15), una calibrazione del dispositivo ottico e/o un modulo di estrazione estesa (D2) configurato per estrarre, mediante un programma di estrazione estesa memorizzato in detti mezzi di memorizzazione elettronica (15), descrittori estesi (D?i).

15. Dispositivo come nella rivendicazione 14, caratterizzato dal fatto di comprendere un modulo di addestramento (35), configurato per cooperare con i moduli di interpolazione (C1) di calibrazione (C2), di interpretazione fisica (C3), di estrazione (D1), di estrazione estesa (D2) ed un modulo grafico di addestramento (32) previsto nell?interfaccia grafica (29), per permettere l?addestramento del dispositivo classificatore.

16. Assieme per la rilevazione di propriet? ottiche, caratterizzato dal fatto di comprendere un dispositivo classificatore (10) secondo una qualsiasi delle rivendicazioni dalla 8 alla 13 ed un apparato (12) per la rilevazione di propriet? ottiche configurato per rendere disponibili dati fotometrici.

17. Programma di classificazione memorizzabile in un modulo di memorizzazione (15) e leggibile da un?unit? di elaborazione (14), detto programma di classificazione comprendente istruzioni che, una volta eseguite da un dispositivo classificatore (10) come nelle rivendicazioni dalla 10 alla 15, determinano l?esecuzione di un metodo di classificazione come nelle rivendicazioni dalla 1 alla 9.