Sviluppo di un sistema di visione artificiale per il controllo qualità nel processo di essiccazione delle mele

At the heart of a production line, every millimeter and every second stands for efficiency, quality, and economic value. This thesis addresses one of the most delicate challenges in agri-food processing: detecting and identifying, through machine vision, the timing and rate of product non-conformity during the drying process of apple slices. This is not merely about visual quality, but about understanding, through objective data, the hidden dynamics that lead to product breakage, ultimately compromising the final quality. The work was carried out within the company Melinda Lab Società Agricola A.R.L. (Cles, TN), where an artificial intelligence system was developed and tested to analyze real images taken at seven strategic points along the apple drying line. Each image was carefully labeled, and every element was classified according to its shape, structure, and condition. The model, trained on this dataset, was then used to detect broken or deformed slices, providing real-time evaluations of product conformity. Statistical analysis of the results highlighted critical points within the production flow, particularly at the transitions between certain sections of the machinery and the final discharge stage, revealing a direct correlation between mechanical design and the observed breakage rate. The integration of the system demonstrated not only the technical feasibility of the approach, but also its potential to uncover what often escapes the human eye: hidden patterns, recurring weaknesses, and effects related to variety and batch of apples, which, when properly understood, can guide concrete improvements. This thesis does not claim to offer a definitive solution, but rather opens a window onto a new way of observing production: more conscious, more precise, more intelligent.

Nel cuore di una linea produttiva, ogni millimetro e ogni secondo, significano efficienza, qualità e convenienza. Questa tesi ha affrontato una delle sfide più delicate della trasformazione agroalimentare: riconoscere ed identificare attraverso la visione artificiale, il momento e la percentuale di non conformità del prodotto durante un processo di essiccazione di fette di mela. Non si tratta solo di qualità visiva, ma di comprendere, attraverso dati oggettivi, le dinamiche ignote che portano alla rottura delle mele, compromettendo la qualità del prodotto finale. Il lavoro è stato svolto all’interno dell’azienda Melinda Lab Società Agricola A R.L. (Cles, TN), dove è stato sviluppato e testato un sistema di intelligenza artificiale in grado di analizzare immagini reali scattate in sette punti strategici della linea di essiccazione. Ogni scatto è stato etichettato con cura, ogni elemento classificato in base alla sua forma, struttura e condizione. Il modello, addestrato su questo dataset, è stato poi utilizzato per riconoscere fette rotte e deformate, fornendo in tempo reale una valutazione dell’idoneità del prodotto. L’analisi statistica dei risultati ha messo in luce punti critici della filiera, in particolare i passaggi tra alcune sezioni dell’impianto e il momento dello scarico finale, evidenziando il legame diretto tra l’architettura meccanica e il tasso di rottura osservato. L’integrazione del sistema ha dimostrato non solo la fattibilità tecnica dell’approccio, ma anche il suo potenziale nel rivelare ciò che sfugge allo sguardo umano: pattern nascosti, fragilità ricorrenti, effetto dovuto alla varietà e lotto di mela, se compresi, possono guidare miglioramenti concreti. Questa tesi non propone una soluzione definitiva, ma apre una finestra su un modo diverso di osservare la produzione: più consapevole, più preciso, più intelligente.