Deep Learning for Detecting Sealing Defects on a Production Line using Computer Vision

Le linee di produzione moderne sono di fondamentale importanza in ambito industriale in quanto consentono l'assemblaggio efficiente di beni di alta qualità. Negli ultimi anni sono diventate più veloci e automatizzate. L’intervento umano è raro, ma a volte è ancora necessario in alcune fasi del processo di produzione, specialmente durante il controllo di qualità dei prodotti fabbricati. Queste operazioni rappresentano un collo di bottiglia nel processo produttivo. Pertanto, la ricerca accademica e industriale si è concentrata nello sviluppo di soluzioni automatiche per il rilevamento di difetti per aumentare la produttività. Questa tesi ha lo scopo di analizzare e valutare approcci di Deep Learning in grado di rilevare e localizzare difetti di sigillatura nel sottoscocca dei telai di automobili mediante l’utilizzo della Computer Vision in una specifica linea di produzione nell’ambito del progetto MANufacturing Automotive Green Evolution 5.0 (MANAGE 5.0). Le applicazioni del mondo reale pongono una serie di sfide, che sono specifiche per ogni caso d’uso e diverse da quelle trovate in letteratura. Questa tesi ha anche l’obiettivo di identificare e superare tali sfide, garantendo il rilevamento e la localizzazione dei difetti in modo efficace. La prima parte della tesi, dopo aver presentato un’analisi di approcci allo stato dell’arte per il rilevamento di difetti mediante la Computer Vision, identifica le complessità dell'ambiente della linea di produzione e delle parti del sottoscocca di interesse. Lo sfondo della cella della linea di produzione in cui deve essere eseguito il rilevamento dei difetti non è uniforme. Anche le parti del sottoscocca dei telai delle automobili sono complesse e presentano auto-occlusioni, parti con cavità attraverso le quali è possibile vedere lo sfondo e superfici dove viene applicato il sigillante che sono perpendicolari tra loro, rendendo impossibile catturare tutte le parti con sigillante da una sola inquadratura. L’approccio di acquisizione dati proposto consente di selezionare, estrarre e allineare fotogrammi video registrati per la generazione di un set di dati robusto per la valutazione di modelli. La seconda parte della tesi valuta e confronta due modelli allo stato dell’arte per il rilevamento e la localizzazione di difetti che utilizzano approcci diversi di Deep Learning. Nonostante la scarsa disponibilità di dati e le sfide presenti nell’ambiente, i modelli sono stati ottimizzati per il compito specifico ottenendo prestazioni paragonabili a quelle ottenute su un set di dati di riferimento. Inoltre, questa tesi esplora come variano i risultati rispetto a come i dati vengono estratti dai video per migliorare la strategia di acquisizione dati, e una strategia di Data Augmentation specifica per la generazione di difetti sintetici che migliora il processo di addestramento delle reti. L’analisi e i risultati promettenti di questa tesi pongono le basi per futuri sviluppi e miglioramenti di un sistema di rilevamento e localizzazione di difetti che sarà utilizzato nell’ambito del progetto MANAGE 5.0, nel contesto di una soluzione innovativa basata su eXtended Reality e Digital Twin per il miglioramento della qualità della produzione nel compito considerato.