A Deep Learning-Based Defect Detection System for Industrial Production of Optical Waveguides

Augmented Reality (AR) is a technology that, although very recent, is being studied and used in a variety of fields, representing one of the major future technology trends. The construction of AR viewer lenses often involves the use of waveguides to compose the image to be viewed by the user. In the industrial production of waveguide optics, an effective visual inspection system is essential to detect defects in products and ensure proper quality control. In this thesis, an automatic defect detection system on nanostructured waveguide optics is first designed, then implemented and tested, taking into account the processing time limitation allowed by the manufacturing process. The proposed solution is based on Convolutional Neural Networks, used to perform semantic segmentation of the acquired images. Specifically, two separate models were designed, and trained on two different datasets. The former analyzes high-resolution grayscale images acquired with CMOS camera equipped with telecentric lens and was used for the identification of small defects; the latter was created with smaller color images and was used in the training of a neural network to detect discolorations. Transfer learning techniques were used to address the problem of limited dataset size due to the limited availability of images, allowing for a greater accuracy of detection. Future developments are finally presented, focusing on the possibility of detecting new types of defects that may arise and on the scalability of the system to new models of lenses.

La realtà aumentata (AR) è una tecnologia che, sebbene molto recente, viene studiata e utilizzata in diversi ambiti, rappresentando uno dei maggior trend tecnologici futuri. La realizzazione delle lenti dei visori AR prevede spesso l'utilizzo di guide d'onda per comporre l'immagine che deve essere visualizzata dall'utente. Nella produzione industriale di lenti a guide d'onda, un sistema di ispezione ottico efficace è fondamentale al fine di rilevare difetti sui prodotti e garantire un controllo di qualità adeguato. In questa tesi, un sistema di ispezione automatica di difetti su ottiche a guide d'onda nanostrutturate è stato sviluppato e successivamente implementato e testato, tenendo conto del tempo limite di elaborazione permesso dal processo produttivo. La soluzione proposta è basata su Reti Neurali Convoluzionali, utilizzate per effettuare la segmentazione semantica delle immagini acquisite. In particolare, sono stati progettati due modelli distinti, addestrati su due dataset differenti. Il primo analizza immagini in scala di grigi ad alta risoluzione acquisite con telecamera CMOS con obiettivo telecentrico ed è stato utilizzato per l'identificazione di difetti di piccole dimensioni; il secondo è stato creato con immagini a colori di dimensione inferiore ed è stato impiegato nell'addestramento di una rete neurale che individui le discolorazioni delle lenti. Tecniche di Transfer learning sono state utilizzate per far fronte al problema della limitata dimensione dei dataset dovuta alla scarsa disponibilità di immagini, permettendo di ottenere una maggior accuratezza della rilevazione. Infine, vengono presentati alcuni possibili sviluppi futuri, concentrandosi sulla possibilità di rilevare nuovi tipi di difetti che si potranno presentare e sulla scalabilità del sistema a nuovi modelli di lenti.