Caratterizzazione di campioni di riferimento per la verifica di sistemi di controllo difetti in linea di produzione basati su machine learning

Nel contesto industriale automotive, prende sempre più piede la tematica della guida autonoma. Un tema fondamentale è quello della sicurezza attiva, ottenuta tramite sensori di vario tipo e algoritmi che, interpretando le informazioni di tali sensori, agiscono prevenendo una possibile collisione. In quest'ottica, la pressocolata di alluminio è un processo che ben si presta alla realizzazione di geometrie complesse che costituiscono l'involucro del sensore. Il processo, tuttavia, porta con sè alcuni aspetti negativi da controllare, primo tra tutti, la presenza di bave sui pezzi realizzati tramite pressocolata. Il controllo di questi difetti viene prevalentemente condotto da operatori dedicati. Per eliminare la soggettività nell'identificazione dei difetti e ridurre gli errori umani, è in corso di sviluppo una macchina di misura in-line per l'identificazione dei pezzi scarti, tramite algoritmi di Machine Learning. Lo scopo dell'attività tesi è quello di fornire delle misure di riferimento con strumenti di misura di tipo ottico su un campione di pezzi difettosi per evidenziare i punti di forza e i limiti del sistema di misura in corso di sviluppo.