Sistema Multi-Agente per l'Ispezione Automatica di Cavi Danneggiati: Computer Vision e RAG per il Supporto Diagnostico nell'Industria 5.0 = Multi-Agent System for Automated Inspection of Damaged Cables: Computer Vision and RAG for Diagnostic Support in Industry 5.0

L'evoluzione verso l'Industria 5.0 pone l'essere umano al centro del processo produttivo, promuovendo la collaborazione intelligente tra operatori e tecnologie avanzate. In questo contesto, il presente lavoro di tesi presenta lo sviluppo e la validazione di un sistema multi-agente per l'ispezione automatica di cavi industriali danneggiati, progettato per supportare il "lavoratore aumentato" durante attività di controllo qualità e diagnostica. Il sistema proposto integra tecnologie di computer vision, segmentazione avanzata e Retrieval-Augmented Generation (RAG) per automatizzare l'analisi e la documentazione di difetti in componenti meccanici a partire da contenuti video. L'architettura multi-agente è composta da tre nodi specializzati: il Vision Node, responsabile dell'elaborazione delle immagini mediante EfficientSAM per la segmentazione precisa dei componenti target; il Diagnostic Node, che fornisce supporto decisionale attraverso l'interrogazione di basi di conoscenza tecniche; e il nodo Coordinatore, che orchestra il flusso conversazionale e il routing intelligente delle richieste. La pipeline di elaborazione implementata è in grado di estrarre automaticamente i frame più rilevanti dai video girati dagli operatori, identificare marker visivi tramite OpenCV per localizzare le zone di interesse, segmentare i componenti danneggiati e generare descrizioni testuali strutturate per la documentazione tecnica. L'integrazione del modulo RAG consente l'accesso dinamico a oltre 500 documenti tecnici, standard internazionali e procedure operative, garantendo risposte contestualizzate e supporto diagnostico basato su evidenze. La validazione sperimentale, condotta su un dataset di 75 immagini di cavi industriali estratte dal MVTec AD, ha dimostrato l'efficacia del sistema attraverso 17 casi d'uso rappresentativi di scenari reali. Il sistema ha raggiunto tutti gli obiettivi prefissati, dimostrando particolare efficacia nell'analisi automatizzata delle immagini di cavi, nella diagnostica intelligente dei guasti e nella gestione della knowledge base tecnica. Il contributo principale di questa ricerca consiste nella progettazione di un'architettura innovativa che combina sistemi multi-agente con tecnologie di elaborazione multimodale in contesti industriali, fornendo una soluzione proof-of-concept per il supporto del lavoratore aumentato che non richiede implementazione di realtà aumentata in tempo reale. I risultati ottenuti confermano la validità dell'approccio per applicazioni di ispezione industriale, contribuendo alla trasformazione digitale in ottica Industria 5.0 attraverso il potenziamento delle capacità umane mantenendo l'operatore al centro del processo decisionale.