KNOW HOW TECNOLOGICO DEL PNB-PST DELL’ELBA

sono stati realizzati tre distinti prototipi:

¨ Sensore Amperometrico/Voltammetrico per l’ambiente

¨ Sensore Amperometrico/Voltammetrico per la salute

¨ Sensore basato su tecnica PSA

Ciascuno di essi è dotato di una propria elettronica, opportunamente studiata per ottimizzarne la risposta ed è interfacciato al calcolatore per mezzo di schede di acquisizione dati commerciali (National Instruments).

Sono stati scritti tre distinti pacchetti software, rispettivamente denominati:

¨ "HeavyMetal"

¨ "SportMonitor"

¨ "PSA Analyzer"

Tutti operano in ambiente Windows e sono dotati di una semplice interfaccia utente, tale da consentire il setup dei parametri di acquisizione per i vari esperimenti scelti e la collezione dei dati.

Nell’ambito della prima linea del Tema in oggetto, Realizzazione di un sistema amperometrico-voltammetrico per la salute, in base ai risultati ottenuti e mostrati nel Rapporto Tecnico Finale presentato all’IMI/MURST si può dire di aver realizzato uno strumento utilizzabile per la determinazione quantitativa di alcuni metaboliti, quali lattato, glucosio e corpi chetonici.

Si tenga presente che, nella configurazione proposta, non viene assolutamente manipolato il campione in analisi e che l’elettrodo di lavoro necessita di poca manutenzione; si pensa, quindi, di aver ottimizzato al massimo le prestazioni del sistema tenendo conto dei vincoli progettuali che ci eravamo imposti: implementare tecnologie a basso costo di manutenzione e di gestione e realizzare uno strumento di facile utilizzo anche da parte di personale non esperto.

Parte del lavoro effettuato:

Ø è stato presentato a Berlino, nell’ambito del Congresso mondiale Biosensors ’98, con un poster intitolato "Portable amperometric system for monitoring of lactate in man"e i cui autori sono Adami M., M. Paoletti, M. Sartore, R. Groppo, G. Martinazzo, C. Nicolini;

Ø è stato presentato a Roma, nell’ambito del II Workshop Enea Sensori Chimici e Biosensori, 1999, con una comunicazione orale intitolata "Heavy metals and lactate monitoring systems" e i cui autori sono M.Adami, G.Martinazzo, S.Villari, M.Panza, C. Nicolini.

Per il pacchetto software "SportMonitor" si sta richiedendo l’iscrizione al registro delle opere inedite presso la SIAE.

Nell’ambito della seconda linea del Tema in oggetto, Realizzazione di un sistema amperometrico-voltammetrico per l’ambiente, in base ai risultati ottenuti e mostrati nel rapporto Tecnico Finale presentato all’IMI/MURST, possiamo dire di aver realizzato uno strumento utilizzabile in campo ambientale, ad esempio nella tutela delle acque dall’inquinamento.

Si tenga presente che, nella configurazione proposta, non viene assolutamente manipolato il campione in analisi (non vi è alcun passo di mineralizzazione, di filtrazione o di deareazione) e che l’elettrodo di lavoro è un elettrodo solido in grafite vetrosa tal quale.

In base a quanto ottenuto si pensa di aver ottimizzato al massimo le prestazioni del sistema tenendo conto dei vincoli progettuali che ci eravamo imposti: evitare l’uso del mercurio, usare elettrodi solidi, implementare tecnologie a basso costo di manutenzione e di gestione, realizzare uno strumento di facile utilizzo anche da parte di personale non esperto.

Parte del lavoro effettuato:

Ø è stato sottomesso alla rivista Review of Scientific Instruments, con un paper intitolato "A low-cost and simple Potentiometric Stripping Analyzer for a fast screenining of heavy metal ions" e i cui autori sono M. Adami, M. Sartore, M. Panza, C. Nicolini;

Ø è stato presentato a Roma, nell’ambito del II Workshop Enea Sensori Chimici e Biosensori, 1999, con una comunicazione orale intitolata "Heavy metals and lactate monitoring systems" e i cui autori sono M.Adami, G.Martinazzo, S.Villari, M.Panza, C. Nicolini.

Per il pacchetto software "PSA Analyzer" si sta richiedendo l’iscrizione al registro delle opere inedite presso la SIAE.

Linea: Corsivo

Si e’ sviluppato presso i laboratori del Polo Nazionale Bioelettronica un riconoscitore di singole parole manoscritte corsive.

E’ disponibile un prototipo in grado di illustrare il funzionamento del sistema e di fornire una misura diretta della sua performance in termini di percentuale di parole riconosciute su un campione di test.

Le problematiche da affrontare nella realizzazione di un simile sistema sono molteplici e richiedono competenze molto vaste. La prima e’ una conoscenza approfondita dell’image processing, cioe’ di quel complesso di tecniche che rende possibile l’analisi ed il trattamento delle immagini, le parole sono infatti presentate al sistema sotto forma di immagini e devono essere ricondotte, mediante filtraggi e operazioni sul tratto, a condizioni standard: la parola scritta orizzontalmente con i caratteri non inclinati e il fondo bianco, cioe’ privo di ogni possibile puntinatura determinata dai processi di acquisizione.

La fase successiva, detta segmentazione, e’ specifica della problematica corsivo e consiste nell’individuazione dei punti di taglio tra un carattere e l’altro. La soluzione di tale problema e’ di natura statistica e si fonda sullo studio dell’efficacia di criteri di taglio su un vasto insieme di test di parole manoscritte.

Attualmente gli algoritmi sono in grado di individuare correttamente il 98% dei tagli effettivi con una media di tagli per carattere intorno a 1.7. Tale limite e’ tra i migliori reperibili in letteratura.

I frammenti di parola individuati vengono aggregati e sottoposti ad un componente che viene definito misuratore e che fornisce, in relazione a ogni frammento sottoposto, una misura di verosimiglianza con ogni lettera. Il misuratore fa leva su tecniche neurali e riconosce correttamente (assegnando verosimiglianza massima) l’81% dei caratteri, valore che attualmente e’ il piu’ alto di quelli disponibili in letteratura.

I risultati dell’azione congiunta di misuratore e modulo che effettua la segmentazione sono affidati ad un modulo che implementa un algoritmo di programmazione dinamica, cioe’ un processo in grado di calcolare la verosimiglianza non piu’ a livello di carattere, bensi’ a livello di parola mediante esplorazione di tutte le possibilita’ di aggregazione dei frammenti prodotti dalla segmentazione.

Il PNB-PST Elba ha sviluppato un software per la selezione per qualità di mele di tipo "Golden Delicious".

La selezione consiste nella scelta di quei frutti che corrispondono a determinati parametri di qualità.

Il software sviluppato è indispensabile per il raggiungimento dell’obiettivo del progetto che consiste nello sviluppo di un prototipo di selezione per qualità in tempo reale paragonabile, per risultati e tempo di esecuzione, alle tecniche di selezione attualmente in uso.

Il software è in grado di effettuare off-line l’intero processo di grading (selezione per qualità) su immagini reali, acquisite con un mock-up del prototipo che fornisce lo stesso tipo di geometria di immagini del futuro prototipo completo.

La scelta del tipo di varietà di mela (Golden Delicious) su cui basare lo sviluppo del software è stata determinata dopo aver analizzato i dati sulla produzione delle mele in Europa e in Italia. Da questi dati è emerso che la produzione della varietà "Golden Delicious" è circa il 37% dell’intera produzione di mele in Europa, mentre in Italia è quasi il 46%.

Le caratteristiche principali della "Golden Delicious", per quanto concerne la buccia sono: colore giallo-chiaro verdastro tendente al giallo intenso, talvolta è presente una sfumatura rosata che costituisce un pregio, presenza di rugginosità che in alcuni casi non costituisce difetto, peduncolo lungo e sottile.

È importante sottolineare che le soluzioni algoritmiche scelte per lo sviluppo del software bene si adattano ad altri tipi di frutta che hanno come caratteristiche la sfericità e una colorazione omogenea della superficie (arance, mele "Red Delicious rosso uniforme", ecc.).

Per il raggiungimento di quanto detto sono stati necessari 6 anni uomo di ricercatori esperti in reti neurali, image processing, signal processing.

Processo di selezione delle mele

Gran parte della lavorazione della frutta nelle centrali ortofrutticole è altamente automatizzata. Macchinari per l’automazione dei processi di calibrazione, selezione per colore e di confezionamento sono ampiamente utilizzati.

L’unica operazione che non è ancora stata automatizzata è la selezione per qualità.

I motivi per cui la selezione per qualità è ancora svolta manualmente o in modo semi automatico è dovuto alla grande difficoltà che comporta rendere automatico tale processo. Tuttavia la selezione per qualità ha un ruolo molto importante in quanto permette di conferire caratteristiche di omogeneità tipicamente industriali, secondo le richieste dell’utente finale, consumatore o industria, ad un prodotto che per natura è disomogeneo.

Le mele sono classificate in tre categorie (I, II e III) in base alla presenza o assenza di difetti sulla superficie. L’aspetto più importante e più complesso di questo processo è quello di distinguere il picciolo e il calice dai vari tipi di difetti (lesioni, macchie, parassiti).

L’algoritmo sviluppato è costituito dai seguenti passi:

1. pre-processing

2. analisi globale

3. analisi locale

Il pre-processing consiste nell’estrarre il frutto dallo sfondo e definire una regione di interesse detta ROI (Region Of Interest), sulla quale eseguire l’analisi globale e locale.

L’analisi globale ha lo scopo di dare una prima informazione sulla presenza o meno del picciolo/calice nella vista in esame.

L’utilizzo delle reti neurali è giustificato dalle seguenti considerazioni.

L'analisi automatizzata di oggetti naturali presenta una difficoltà di base dovuta alla grande variabilità con cui essi si possono presentare, sia nella forma che nella tipologia dei possibili difetti. In generale risulta difficile, se non addirittura impossibile, riuscire a descrivere in termini matematici le caratteristiche intrinseche dei prodotti su cui si deve basare la selezione, ed in base a queste derivare una qualche funzione discriminante. D’altra parte, c’è il vantaggio di poter facilmente disporre di un numero molto grande di campioni: è perfettamente fattibile per esempio

acquisire dati di diverse migliaia di esempi di frutta di qualità nota a priori con un costo relativamente limitato.

E' questa l'esatta condizione che meglio qualifica la rete neurale come candidato ottimo: non è disponibile, se non in maniera molto approssimativa, un modello dalla funzione desiderata, ma è facilmente costruibile un insieme di esempi noti di dimensioni considerevoli.

Per testare e sviluppare il software è stato acquisito un database di immagini di mele con l’ausilio di un prototipo di macchia di visione che non prevedeva l’acquisizione delle immagini in movimento. L’acquisizione le immagini non in movimento comporta la perdita di casualità e imprevedibilità con cui i frutti si presentano all’interno della camera di visione. Per ovviare a ciò sono state acquisite quattordici viste per ogni frutto, cinque con il picciolo, cinque con il calice e altre quattro viste in cui non sono presenti né picciolo né calice.

L’acquisizione delle cinque viste con il picciolo e quelle con il calice è stata eseguita situando il frutto sotto la telecamera in posizioni diverse in modo da garantire un certo grado di casualità sulla posizione del picciolo e del calice nell’immagine.

I test finali dell’algoritmo di riconoscimento non è stato eseguito su tutte le quattordici viste per frutto, ma su un sottoinsieme di sei viste per mela. Le sei viste sono scelte in modo che l’intera superficie della mela sia coperta. Inoltre le sei viste sono permutate in modo casuale simulando, in modo abbastanza reale, il comportamento di un prototipo che acquisisce immagini di frutti in movimento.

Questa soluzione ha permesso di ottenere un numero abbastanza grande di sequenze su cui testare il software. Infatti, selezionando tutte le combinazioni di coppie di immagini picciolo-calice unite alle restanti quattro viste si formano venticinque diverse sequenze di sei viste per frutto.

Il database è costituito da 51 frutti di I qualità e 82 di II qualità, quindi l’archivio consta di 1862 immagini.

Risultati

L’errore di grading commesso dall’algoritmo è distinto in: downgrading (un frutto di categoria superiore viene classificato in una categoria inferiore) e overgrading (l'opposto). L'errore di downgrading è generalmente considerato, dal punto di vista delle centrali ortofrutticole e dal produttore, più grave in quanto comporta un perdita economica.

L’errore di grading dell’algoritmo è espresso in termini di errore medio ottenuto simulando il processo sulle 25 possibili combinazioni di sequenze dei frutti.

Il know-how sviluppato nell’ambito della microscopia a risoluzione atomica all’interno del PST Elba ha permesso di arrivare a risultati interessanti e soprattutto significativi dal punto di vista industriale.

Sono stati sviluppati vari prototipi, operanti in aria e in atmosfera controllata; inoltre sono state realizzate soluzioni particolari inedite e innovative. Infine è stato realizzato un sistema di controllo della scansione AFM gestito da una rete neurale.

Il know-how sviluppato consiste essenzialmente in quanto segue:

a. parte meccanica

sviluppo di n°1 testa di misura AFM operante in condizioni ambiente

sviluppo di n°1 testa di misura AFM operante in atmosfera controllata

sviluppo di n°1 camera di misura per la testa di cui sopra

b. parte elettronica

b1. sviluppo di una elettronica di pilotaggio di un microscopio AFM comprendente:

¨ scheda di connessione all’alimentazione di rete

¨ alimentatore ad alta tensione

¨ alimentatore a bassa tensione

¨ feedback analogico

¨ alimentatore per feedback

¨ scheda splitter di controllo segnali di scansione X-Y

¨ scheda offset driver

¨ amplificatore ad alta tensione (versione a transistor)

¨ amplificatore ad alta tensione (versione a circuiti integrati)

¨ scheda per connessione strumenti di monitor

¨ amplificatore per fotocella

¨ driver diodo laser

b2. sviluppo di una eletronica di controllo digitale basata su microcontrollori H8 (sostitutiva della scheda A/D D/A commerciale)

c. parte software

sviluppo e ottimizzazione di un programma per l’acquisizione dei dati AFM (SpmServer)

sviluppo e ottimizzazione di un programma per l’analisi dei dati SPM (ElbaView)

d. AFM e reti neurali

sviluppo di una soluzione integrata che combina l’utilizzo di reti neurali per il controllo automatico di un AFM. Questo punto è tuttora in fase di elaborazione.

Il lavoro ha permesso di costruire prototipi integrati funzionanti e perfettamente operativi, anche se i singoli moduli costituenti le macchine potrebbero essere utilizzati in modalità stand-alone per particolari applicazioni.

Nel seguito è presentata una figura significativa dei risultati ottenuti, che mostra immagini AFM in atmosfera controllata di un campione di polipirrolo depositato su vetro:

Riguardo all’implementazione di una rete neurale per il controllo di un AFM, si specifica che essa consente, tramite i parametri che fungono da input ed output, di modellare la funzione di trasferimento del sistema "testa AFM+feedback", per il sensore di forza, a priori non nota, facendo corrispondere ad un set di valori di input uno ed un solo set di valori di output. A tale scopo sono stati selezionati diversi campioni interessanti, identificati da un insieme di parametri descrittivi caratteristici (Input della rete neurale) e per ciascuno è stata effettuata una serie di misure AFM variando i parametri di impostazione (Output della rete neurale), fino a trovare la combinazione ottimale di questi ultimi. Questo consistente insieme di dati è stato utilizzato per l’addestramento di una rete neurale, che verrà infine utilizzata per il setup automatico dei parametri di scansione.

Linea: Voce e possibili campi di applicazione dei Digital Signal Processors

Parte del personale del PNB è impegnato in un Progetto Nazionale di Ricerca inerente lo sviluppo di un riconoscitore vocale per parole isolate, funzionante in ambiente rumoroso, indipendente dal particolare parlatore. L'organizzazione del progetto è tale che il gruppo di lavoro 'voce' è suddiviso in tre sottogruppi denominati 'gruppo algoritmi', 'gruppo DSP commerciali' e 'gruppo DSP core', rispettivamente con il compito di sviluppare gli algoritmi di riconoscimento vocale, effettuare il porting degli stessi su DSP commerciali dell'ultima generazione, progettare il sistema su un DSP core. La suddivisione, apparentemente netta, è in realtà tale che c'è una collaborazione/dipendenza tra i tre gruppi, che, operando nell'ambito dello stesso progetto, devono necessariamente interagire strettamente.

Il problema del riconoscimento di parole pronunciate in ambienti rumorosi quali uffici, traffico automobilistico ecc... non è ancora risolto. Vi sono innumerevoli fattori che condizionano i termini che si pronunciano, soprattutto quando il rapporto segnale/rumore (SNR) del segnale in ingresso al sistema è dell'ordine di 10dB o inferiore. Oltre a dover applicare quindi algoritmi di estrazione dei parametri acustici e di riconoscimento vero e proprio, vi è un'enorme mole di lavoro dedicata alla modellizzazione del rumore, opera che implica una forte dipendenza del sistema dal particolare ambiente in cui si effettua il riconoscimento. In tale ottica l'acquisizione di data base vocali effettuata in differenti condizioni ambientali assume una certa rilevanza. Nel caso particolare del progetto 'Voce' tutto ciò è ulteriormente complicato dal fatto che il sistema che si vuole sviluppare è integrato, cioè di piccole dimensioni e bassi consumi, in modo che possa essere posto all'interno di un telefono cellulare, di un'automobile, di giochi per bambini, ovvero in tutti quei sistemi alimentati a batteria.

Attualmente non esiste in commercio nessun sistema con le caratteristiche di robustezza al rumore, percentuale di riconoscimento (>95%), numero di termini del vocabolario (200), consumi ridotti (dell'ordine di 100/200 mWatt), paragonabili con quelle che il PNR in oggetto si prefigge di ottenere, e nella maggior parte dei casi gli algoritmi sono tali che è necessaria una fase di training del sistema da parte dell'utente prima di poter essere utilizzato.

Gli algoritmi di riconoscimento vocale vengono sviluppati al PNB con la collaborazione dell'ITC IRST di Trento, un istituto di ricerca impegnato da anni nel problema, su macchine general purpose come PC o stazioni SUN, quindi su sistemi informatici con potenza e quantità di memoria notevoli. Successivamente questi algoritmi vengono opportunamente modificati e 'portati' su DSP commerciali e ST-DSP dal personale del PNB. Ciò al fine di concretizzare la successiva attività di realizzazione di un chip semi-custom disegnato ad-hoc a partire dal DSP Core della ST Microelectronics.

Vorrei a questo punto focalizzare l'attenzione sui DSP commerciali. Questi sono processori molto economici, estremamente flessibili, completamente programmabili e funzionano in tempo reale; per questi ed altri motivi vengono utilizzati nel progetto e costituiscono il modo migliore per valutare gli algoritmi di riconoscimento. La loro crescente potenza di calcolo li rende inoltre utilizzabili anche per il sistema definitivo del progetto, il quale potrà non essere necessariamente integrato in un DSP costruito ad-hoc ma anche, appunto, in un processore commerciale.

Attualmente al PNB sono stati sviluppati:

· un prototipo di riconoscitore vocale per parole isolate indipendente dal parlatore, sviluppato sul DSP dell'Analog Devices ADSP21061, in grado di riconoscere fino a 34 termini estratti da un vocabolario di circa 200 e funzionante in modalità stand-alone;

· un sistema hardware/software per l'acquisizione del corpo vocale in ambienti esterni, composto essenzialmente da un PC portatile, una scheda di acquisizione della National Instruments, un amplificatore per segnali audio, e tutto il software di gestione con interfaccia audio/video user-friendly.

I ricercatori del PNB che operano in questa linea di ricerca sono particolarmente attenti a tutti gli innumerevoli campi di applicazione dei Digital Signal Processors. Nella maggior parte dei sistemi elettronici integrati, nei sistemi di automazione e controllo, nella telefonia cellulare ed in molti altri ambiti ancora, i DSP costituiscono i processori di riferimento.

Il Know-how acquisito è tale che il PNB è oggi in grado di sviluppare sistemi elettronici hardware/software nei campi più disparati, utilizzando DSP dell'Analog Devices, della Texas Instruments e della Motorola. Esiste una grande quantità di DSP i quali differiscono per potenza di calcolo, quantità di memoria interna, porte di I/O, e la conoscenza di differenti sistemi è importante perché consente di utilizzare il dispositivo più indicato per l'applicazione per la quale si utilizza.

Alcuni dei possibili campi di applicazione sono:

· controllo di processi industriali come movimento di bracci meccanici o robot in generale. Ad esempio è possibile sviluppare un controllore avanzato (rispetto ai sistemi classici) per microscopi AFM, in grado di tenere traccia della posizione assoluta del puntatore.

· sistemi di comunicazione e telecomunicazione;

· sistemi per l'elaborazione di immagini per il controllo di qualità e pattern recognition in generale.

Il PNB possiede oggi conoscenze avanzate nel campo del remote-sensing. Esse sono il risultato di ricerche in reti neurali, sviluppo software, geologia, ambiente e territorio, cartografia, simulazione real time. Con tale know how il PNB è oggi in grado di:

1) sviluppare algoritmi a reti neurali e classici fortemente mirati al tipo di applicazione;

2) sviluppare e comporre procedure di analisi delle immagini finalizzate all’operatività delle stesse;

3) fornire servizi di supporto all’elaborazione, in particolare:

- condurre campagne di misura GPS

- gestire la cartografia e l’interfacciabiltà numerica dei dati territoriali

1) SVILUPPO ALGORITMI CLASSICI E A RETI REURALI

a) Reti Neurali

Le reti neurali applicate al telerilevamento costituiscono un elemento innovativo per il mercato. A tutt’oggi nessun software commerciale dispone di classificatori NN; solo alcuni da pochissimi mesi consentono l’utilizzo di versioni beta estremamente limitate; esistono versioni freeware in prova generate dalla OKSI e pensate come plug-in di ENVI che utilizzano la struttura Kohonen Self Organizing Map (SOM) Network per la classificazione non supervisionata e quelle Radial Basis Function Network e Alternating Directions - Singular Value Decomposition Network per la classificazione supervisionata.

Anche i produttori di PCI (altro programma presente sul mercato) sembrano indirizzati all’uso delle reti neurali ai fini classificativi ed hanno già inserito tra i loro moduli in vendita un classificatore a reti neurali di tipo MLP.

Il PNB può oggi disporre di prototipi funzionanti di classificatori neurali supervisionati e non di tipo innovativo nel settore telerilevamento; in particolare sono stati sviluppati:

1) un classificatore supervisionato LVQ per immagini satellitari multispettrali.

2) un classificatore non supervisionato NEURAL GAS per immagini satellitari multispettrali.