Sviluppo di metodi basati sull'intelligenza artificiale per migliorare l'accuratezza delle misure tomografiche industriali ad alta velocità

The recent technological progress and the development of innovative and advanced production processes allow for the design of products with high geometric complexity, which may also exhibit internal functional features. Moreover, despite the growing demand for high-quality products, it is not always possible to inspect them adequately using optical or contact measurement systems, especially in the case of internal and inaccessible regions. In this context, X-ray Computed Tomography (CT) is gaining an increasing interest for metrological applications. However, even if non-destructive CT measurements offer relevant advantages, one important critical aspect is related to the typically long time required for the execution of a high-quality tomographic scan. This work proposes methods based on the use of artificial intelligence for improving the accuracy of high-speed industrial tomographic measurements by reducing the time required for a CT scan. In particular, approaches based on the application of deep learning (DL) models are introduced and evaluated in both the sinogram domain obtained during the acquisition phase and the tomographic sections obtained after reconstruction. Additionally, due to the limited possibility to provide a-priori information to DL algorithms and the resulting low level of control over the obtained results, a method based on the use of machine learning (ML) models is proposed. In this case, it is possible to combine information from the reconstructed tomographic sections obtained through rapid CT scans using a-priori information related to the industrial components under examination. In this thesis, data related to the nominal model of the analysed parts and/or measurements taken simultaneously with CT scans using optical systems, such as 3D laser scanners, are exploited. Both proposed improvement methods have been evaluated by comparison to a given reference condition, such as a standard tomographic scan with significantly longer execution time or scans of some regions of interest performed with more accurate instruments. The results show that the application of DL methods to the tomographic sections of the component significantly improves the accuracy of measurements on rapid CT scans, while at the moment, positive outcomes have not been obtained in the sinogram domain. Furthermore, the method based on ML techniques and a-priori information related to the component enabled measurements on geometric and dimensional features of interest that were not possible with a rapid CT scan, with a maximum deviation from the reference condition close to 2.5%. Finally, guidelines are proposed for the future development of the proposed methods with the aim of further increasing the accuracy of rapid industrial tomographic measurements.

Il recente progresso tecnologico e lo sviluppo di processi di produzione sempre più innovativi permettono di progettare prodotti ad elevata complessità geometrica, i quali possono presentare caratteristiche funzionali anche all’interno del volume del componente. Inoltre, sono sempre maggiori le esigenze in termini di qualità che questi prodotti devono soddisfare, ma non sempre è possibile ispezionarli in maniera adeguata utilizzando sistemi di misura ottici o a contatto, soprattutto nelle zone interne al volume e ad essi inaccessibili. In questo contesto, la tomografia computerizzata a raggi X (X-ray Computed Tomgraphy, CT) sta suscitando sempre un maggior interesse applicativo in ambito metrologico. Tuttavia, nonostante i numerosi vantaggi offerti dall’utilizzo di questa tecnica di ispezione non distruttiva, i sistemi CT presentano ancora diversi aspetti critici, legati soprattutto al tempo richiesto per l’esecuzione di una scansione tomografica di qualità. In questo lavoro, si propongono dei metodi basati sull’utilizzo dell’intelligenza artificiale per il miglioramento dell’accuratezza delle misure tomografiche industriali ad alta velocità, ottenute diminuendo il tempo richiesto per l’esecuzione di una scansione CT. In particolare, verranno introdotti e valutati dei possibili approcci basati sull’applicazione di modelli di deep learning (DL) sia nel dominio dei sinogrammi ottenuti in fase di acquisizione, che delle sezioni tomografiche ricavate a seguito della ricostruzione. In aggiunta, a causa della scarsa possibilità di nutrire gli algoritmi di DL con informazioni a priori e del conseguente basso livello di controllo esercitabile sui risultati ottenuti, si propone un metodo basato sull’utilizzo di modelli di machine learning (ML). Nel caso di questa seconda tipologia di algoritmi, infatti, risulta possibile combinare le informazioni presenti nelle sezioni tomografiche ricostruite, ottenute mediante scansioni CT rapide, con le informazioni a priori relative ai componenti industriali oggetto di scansione. In particolare, in questa tesi, si è deciso di sfruttare i dati a disposizione legati al modello nominale dei pezzi analizzati e/o a misurazioni effettuate simultaneamente alle scansioni CT mediante l’utilizzo di sistemi ottici, quali scanner laser tridimensionali. Entrambi i metodi di miglioramento proposti sono stati valutati rispetto ad una data condizione di riferimento alla quale relazionare le misure effettuate, come ad esempio una scansione tomografica standard con tempi di esecuzione significativamente più lunghi o scansioni di alcune regioni di interesse effettuate mediante strumenti maggiormente accurati. I risultati raggiunti mostrano come l’applicazione dei metodi di DL alle sezioni tomografiche del componente porti un sensibile miglioramento dell’accuratezza delle misure eseguite su scansioni CT rapide mentre, al momento, non sono stati ottenuti esiti positivi sullo studio nel dominio dei sinogrammi. Inoltre, con l’impiego del metodo basato sull’utilizzo delle tecniche di ML e di informazioni a priori sul componente, non solo si è reso possibile eseguire misure sulle caratteristiche geometriche e dimensionali di interesse nel prodotto altrimenti non rilevabili in modo accurato con una scansione CT rapida, ma è stato anche possibile ricondurle ai valori acquisiti nella condizione di riferimento, con uno scostamento massimo che si attesta intorno al 2.5%. Infine, sulla base dei risultati ottenuti, si propongono delle linee guida per lo sviluppo futuro dei metodi proposti con lo scopo di incrementare ulteriormente l’accuratezza delle misure tomografiche industriali rapide.