Tecniche di Riconoscimento Visivo per il Controllo Qualità nell'Industria Agroalimentare Secondaria: applicazioni nell'industria vinicola = Visual Recognition Techniques for Quality Control in Secondary Agribusiness: applications in the wine industry

La presente tesi si propone di affrontare il tema delle tecniche di riconoscimento visivo per il controllo di qualità applicate all’industria della lavorazione degli alimenti, con un particolare interesse per l’industria vinicola. Il settore agroalimentare, allo scopo di garantire e mantenere elevati standard di qualità, sostenibilità e sicurezza, necessita di sistemi di Machine Vision (MVS) per continuare a far fronte ad una crescita del mercato e della competitività al proprio interno. Impiegando sensori, telecamere, robot e sistemi di elaborazione delle immagini, le tecnologie MVS contribuiscono all'ottimizzazione dei processi e al miglioramento della qualità dei prodotti. Rispetto agli approcci tradizionali, l'utilizzo del sistema MVS può garantire un controllo più accurato e veloce, ridurre al minimo gli errori umani e aumentare la produttività. Inoltre, caratteristiche comuni alle varie applicazioni sono la non-distruttività del controllo e la vantaggiosità in termini di costi grazie all’adozione di economie di scala. L’elaborato è stato sviluppato partendo dalla realizzazione di un quadro introduttivo del settore alimentare, per poi passare ad una generale introduzione circa le pratiche comuni di controllo qualità all’interno del settore. È stata inclusa una breve overview del settore vinicolo, concludendo così la panoramica del contesto. In seguito, un capitolo guida ha spiegato il funzionamento delle tecnologie di Machine Vision, prima in modo generale e poi applicato al settore alimentare, includendo esempi pratici tratti dalla letteratura. Successivamente, sono stati rilevati i sistemi di visione artificiale maggiormente utilizzati nell'industria vinicola, basandosi su un'analisi di articoli scientifici selezionati. In seguito a tale selezione è stato possibile realizzare due tassonomie aventi come criterio di classificazione nel primo caso le macrocategorie di acquisizione ed elaborazione delle immagini e nel secondo la fase del processo produttivo del vino alla quale faceva riferimento la casistica esaminata. Infine, nelle le sezioni di discussione e conclusione hanno trovato spazio le considerazioni inerenti ai risultati. Da una prima analisi introduttiva è emerso che gli MVS trovano ampio utilizzo nell'industria della trasformazione alimentare in contesti come il controllo di qualità della carne, dei latticini e della frutta. Restringendo il quadro di ricerca all’industria vinicola è stato possibile constatare che le casistiche più frequenti di applicazione nell'industria della lavorazione del vino riguardano le fasi di raccolta dell'uva, del monitoraggio della fermentazione e del controllo dell'imbottigliamento. I sistemi consentono un controllo multiparametrico di aspetti quali il livello di maturità delle uve, la temperatura e l'umidità di fermentazione e la presenza di contaminanti nel prodotto finale. Un ulteriore esito riguarda la valutazione circa la categoria tecnologica più frequentemente adottata nelle varie fasi produttive. Infatti, tecniche come la spettroscopia nel vicino infrarosso, l'imaging iperspettrale e la visione termica risultano quelle più frequentemente impiegate per la fase di acquisizione di immagini, mentre applicazioni deep learning come Convolutional Neural Network, Artificial Neural Network, e più in generale algoritmi di machine learning riscontrano un’adozione più consistente per l’elaborazione delle immagini acquisite.