Inspection Measurement System (IMS): In-line Laser Profilometry for Non-Destructive Inspection of Machined Parts, providing KPIs of failure modes

Judging a machined part by eye is easy, however not objective: a glance at the surface gives a rough sense of whether it is good or bad, but such an assessment is strongly dependent on the operator. The difficulty, inside a real plant, is judging that quality quickly, in an objective way, repeatably, and fairly, and above all without breaking or damaging the part. This thesis introduces IMS, the Inspection Measurement System, a software tool which acquires and processes geometrical data of wood panel edges that I developed in Python during a project carried out with the support of the Biesse team. The test bench works as follows. A Wenglor laser line triangulation sensor, connected directly to a THL encoder, sweeps across the part along a rail and measures its surface geometry as a dense cloud of three-dimensional points. From that point cloud, the user selects a region of interest (ROI); the tool isolates the area that matters, reads the rise and fall of the surface as if it were a signal, and by processing reduces it to twelve easy-to-read scores that summarise the surface and highlight where problems are beginning. Every part is checked against a flawless reference piece, the golden sample for that material. For the operator, IMS is divided into four screens, each corresponding to a step in the test procedure: • one for scanning the laser sensor along the panel edge in real time, • one for taking measurements, • one for stepping through test procedures, and • one for reviewing the scores. The whole system is written in Python, the widely used open-source language, with PyQt5 providing the user interface and PyVista and VTK rendering the parts in 3D. In practice, the system turns a mass of scanned points into a clear picture of the part on the bench and of its condition. The main aim of the whole work is to make production more sustainable: identifying surface and dimensional faults early, without destructive testing, means less rework, less waste, less energy, and less scrap, and it avoids destroying perfectly good material to test it. Because every piece is measured against the golden sample, the comparison is both simple and accurate, saving both material and energy. A rough estimate suggests about one-third less scrap and roughly one-seventh less energy per good part. The central message is simple: fast, non-destructive, score-based optical inspection improves quality while lowering the environmental cost of manufacturing. Keywords: 3D laser-profile measurement; point cloud; surface KPIs; non-destructive inspection; golden-sample comparison; Python; PyQt5; PyVista; Wenglor; Biesse; green manufacturing; energy efficiency.

Valutare a occhio un pezzo lavorato è facile, ma non oggettivo: un'occhiata alla superficie dà un'idea approssimativa della sua qualità, ma tale valutazione dipende fortemente dall'operatore. La difficoltà, all'interno di un impianto reale, sta nel valutare la qualità in modo rapido, oggettivo, ripetibile ed equo, e soprattutto senza rompere o danneggiare il pezzo. Questa tesi introduce IMS, l'Inspection Measurement System, uno strumento software che acquisisce ed elabora i dati geometrici dei bordi dei pannelli di legno, che ho sviluppato in Python durante un progetto realizzato con il supporto del team Biesse. Il banco di prova funziona come segue: un sensore di triangolazione laser Wenglor, collegato direttamente a un encoder THL, si muove lungo una guida sul pezzo e ne misura la geometria superficiale come una fitta nuvola di punti tridimensionali. Da questa nuvola di punti, l'utente seleziona una regione di interesse (ROI); Lo strumento isola l'area di interesse, legge l'innalzamento e l'abbassamento della superficie come se fossero un segnale e, tramite elaborazione, lo riduce a dodici punteggi di facile lettura che riassumono le caratteristiche della superficie ed evidenziano i punti in cui iniziano a manifestarsi i problemi. Ogni pezzo viene confrontato con un campione di riferimento perfetto, il campione ideale per quel materiale. Per l'operatore, IMS è suddiviso in quattro schermate, ciascuna corrispondente a una fase della procedura di test: • una per la scansione del sensore laser lungo il bordo del pannello in tempo reale, • una per l'esecuzione delle misurazioni, • una per la navigazione nelle procedure di test e • una per la revisione dei punteggi. L'intero sistema è scritto in Python, il linguaggio open-source ampiamente utilizzato, con PyQt5 per l'interfaccia utente e PyVista e VTK per il rendering 3D dei pezzi. In pratica, il sistema trasforma una grande quantità di punti scansionati in un'immagine chiara del pezzo sul banco e delle sue condizioni. L'obiettivo principale dell'intero lavoro è rendere la produzione più sostenibile: identificare precocemente difetti superficiali e dimensionali, senza test distruttivi, significa meno rilavorazioni, meno sprechi, meno energia e meno scarti, ed evita di distruggere materiale perfettamente funzionante per testarlo. Poiché ogni pezzo viene misurato rispetto al campione di riferimento, il confronto è semplice e preciso, con un conseguente risparmio di materiale ed energia. Una stima approssimativa suggerisce circa un terzo in meno di scarti e circa un settimo in meno di energia per ogni pezzo conforme. Il messaggio centrale è semplice: l'ispezione ottica rapida, non distruttiva e basata su punteggi migliora la qualità riducendo al contempo l'impatto ambientale della produzione. Parole chiave: misurazione del profilo laser 3D; nuvola di punti; KPI di superficie; ispezione non distruttiva; confronto con campione di riferimento; Python; PyQt5; PyVista; Wenglor; Biesse; produzione ecocompatibile; efficienza energetica.