Come possono gli algoritmi intelligenti rendere più sicuri gli ascensori?

Gli ascensori sono una parte fondamentale della vita urbana, ma la loro sicurezza dipende da piccoli dettagli, come i bulloni che fissano le porte di atterraggio. Un bullone allentato può causare vibrazioni, rumori fastidiosi e, nei casi peggiori, guasti pericolosi. Per questo motivo gli ingegneri stanno puntando su algoritmi di visione artificiale capaci di individuare in tempo reale questi difetti.

Il nuovo modello DS‑EMA, basato su YOLOv8, combina convoluzioni depthwise‑separabili e un modulo di attenzione multi‑scala (EMA). Rispetto alla versione base, migliora la precisione media (mAP) di 2,8 punti percentuali, riduce i parametri a 2,8 M e mantiene una velocità di 126 FPS, quindi è pronto per l’uso in tempo reale.

Per le linee anti‑allentamento, invece, è stato potenziato DeepLabv3+ con un backbone MobileViT, un meccanismo di attenzione globale (GAM) e una dilatazione ottimizzata dell’ASPP. Il risultato è un indice medio di IoU dell’85,8 %, con 5,4 punti percentuali in più rispetto alla versione precedente, e una riduzione dei parametri a 38,5 M.

I test confrontano questi modelli con versioni leggere come YOLOv5n, YOLOv6n e YOLOv7‑tiny, dimostrando che DS‑EMA e il nuovo DeepLabv3+ offrono la migliore combinazione di accuratezza, velocità e leggerezza, garantendo ispezioni più affidabili anche in condizioni difficili come sporco o scarsa illuminazione.

Il modello DS‑EMA si basa su una variante di YOLOv8 chiamata "nano" (YOLOv8n), progettata per dispositivi con risorse limitate. L’innovazione principale è l’integrazione di convoluzioni depthwise‑separabili, che suddividono il filtro tradizionale in una fase di filtraggio per canale (depthwise) e una fase di combinazione (pointwise). Questo approccio riduce drasticamente il numero di operazioni di moltiplicazione‑addizione, mantenendo la capacità di apprendere caratteristiche spaziali complesse.

Il modulo EMA (Efficient Multi‑scale Attention) aggiunge una capacità di focalizzarsi su dettagli di diverse dimensioni. Utilizza una serie di mappe di attenzione calcolate a più scale, combinandole mediante una fusione ponderata. In pratica, il modello può dare più peso a piccole strutture (come i bulloni) senza perdere la visione globale della porta.

Per la segmentazione delle linee anti‑allentamento, DeepLabv3+ è stato equipaggiato con MobileViT, una rete ibrida che unisce convoluzioni locali a trasformatori globali. MobileViT cattura relazioni a lungo raggio tra pixel, fondamentale per distinguere linee sottili in presenza di rumore visivo. Il Global Attention Mechanism (GAM) aggiunge un canale di attenzione che pesa l’intera immagine, migliorando la coerenza delle predizioni in aree con illuminazione non uniforme.

L’ASPP (Atrous Spatial Pyramid Pooling) è stato ottimizzato modificando i tassi di dilatazione per bilanciare la copertura del campo recettivo e la risoluzione dei dettagli. Riducendo i parametri da 57,6 M a 38,5 M, il modello diventa più adatto a sistemi embedded, come i microcontrollori presenti nei quadri di controllo degli ascensori.

Le metriche di valutazione includono mAP (mean Average Precision) per la rilevazione dei bulloni e IoU (Intersection over Union) per la segmentazione delle linee. Un aumento di 2,8 % in mAP e di 5,4 % in IoU indica una maggiore capacità di individuare difetti critici, riducendo i falsi negativi, che sono particolarmente pericolosi in ambito di sicurezza. Inoltre, il tasso di recall più alto rispetto a YOLOv9‑tiny e YOLOv11n garantisce che quasi tutti i bulloni allentati vengano segnalati, minimizzando il rischio di omissioni durante le ispezioni automatiche.

L’implementazione in tempo reale (126 FPS) permette di integrare il sistema in linee di produzione o in robot di ispezione mobile, dove ogni frame conta. La combinazione di leggerezza, precisione e velocità rende DS‑EMA e il nuovo DeepLabv3+ soluzioni pratiche per la manutenzione predittiva degli ascensori, contribuendo a ridurre i costi di fermo macchina e a migliorare la sicurezza degli utenti.