Identificazione di difetti superficiali tramite l'uso di laser scanner e reti neurali su componenti ottenuti da pressocolata

In an industry that requires higher quality standards, ensuring the absence of surface defects in components is essential to assure the functional, safety, and reliability requirements. As a result, defect identification should be performed with high speed, precision, and repeatability, minimizing the occurrence of errors and improving the efficiency of the process. To pursue these challenges, it becomes necessary to develop innovative methods for automatic defect recognition to support the manual inspection. In this context, Transfer Learning represents a interesting technology because it allows to reduced costs and development times for the defect recognition models, in particular for applications with limited image datasets for the neural network training and validation. This thesis explores the application of innovative methods based on Deep Learning and Transfer Learning for quality control of industrial components, especially for the ones produced by die casting. The purpose of the work is to develop a prototype pipeline, starting with the acquisition of the component’s point cloud, following by the creation of images that represents the deviation map (of the point cloud compared to a reference), and ending with the training, validation, and testing of a neural network. The final goal is to identify the presence of specific surface defects, such as burrs or cold flow, in the die-cast components produced. This analysis tries to demonstrate how AI-based systems, using advanced algorithms like CNNs or Transformers, can overcome the limitations of traditional inspection methods, affected by human variability and fatigue. As a result, integrating AI-based systems into manual inspection processes can help in the initial selection of components immediately after the production process. This work aims to highlight the potential of Deep Learning technologies in the quality control of industrial components and proposing a practical framework for integrating automated inspection systems into complex production environments. This contributes to making the process more efficient and sustainable, supporting the human labor to enhance overall productivity while reducing the computational modelling for the data collection and the neural network training phases.

In un’industria che richiede standard di qualità sempre maggiori, garantire l’assenza di difettosità superficiali nei componenti è essenziale per soddisfare i requisiti di funzionalità, sicurezza e affidabilità richiesti. Ne consegue che l’identificazione dei difetti debba essere condotta con maggiore rapidità, precisione e ripetibilità, riducendo al minimo l’incidenza di errori e migliorando l’efficienza complessiva del processo. Per affrontare queste sfide, risulta necessario adottare metodi innovativi per il riconoscimento automatico dei difetti da affiancare al riconoscimento manuale; in questo contesto, il Transfer Learning rappresenta una tecnologia promettente perché permette di ridurre costi e tempi di sviluppo dei modelli per il riconoscimento dei difetti, risultando particolarmente utile in applicazioni con dataset di immagini limitati per il training e la validazione della rete neurale. Questo lavoro di tesi esplora l’applicazione di metodi innovativi basati sul Deep Learning e Transfert Learning per il controllo qualità di componenti di rilevanza industriale, precisamente ottenuti tramite pressocolata. Il focus dell’attività svolta è quello di sviluppare una pipeline prototipale, partendo dall’acquisizione della nuvola di punti del componente, passando per la creazione delle immagini che mostrano la mappa delle deviazioni (della point cloud rispetto ad un riferimento), fino al training, validazione e test di una rete neurale: l’obiettivo finale è quello di individuare la presenza di specifiche difettosità superficiali, come bave o breakout, nei componenti pressocolati prodotti. L’analisi svolta prova a mostrare come i sistemi basati su IA, utilizzando algoritmi avanzati come Reti neurali CNN o Transformer, siano in grado di superare i limiti dell'ispezione tradizionale, spesso soggetta a variabilità umana e affaticamento; ne consegue che un affiancamento di tali sistemi al controllo manuale può aiutare nel compiere una prima selezione dei componenti a valle del processo produttivo. Questo lavoro è volto a dimostrare il potenziale delle tecnologie Deep Learning nel controllo qualità di componenti industriali, ma propone anche un framework pratico per l’integrazione di sistemi di ispezione automatizzati in contesti produttivi complessi, contribuendo a rendere il processo più efficiente, sostenibile e affiancando la forza lavoro umana al fine di aumentarne la produttività complessiva, riducendo al contempo l’onere associato alla raccolta dei dati e alla fase di addestramento della rete neurale.