Tecniche di deep learning per il rilevamento di difetti superficiali in materiali compositi

This final paper is intended to describe the activities I performed during my internship at the company HP Composites S.p.A. of Ascoli Piceno, for a period between June and November 2021. The topics addressed concerned the study of an artificial vision system to be applied to the detection of surface defects in composite materials, in particular in cases where they are reinforced with carbon fiber. This is an innovative approach for this type of component, which aims to evaluate the potential of an automated control of the aesthetic quality of the surfaces in question, in a context in which it is carried out exclusively manually by specialized operators. Given the novelty represented by the proposed theme, I initially carried out research in the literature with the aim of evaluating the techniques most commonly used for the inspection of materials that present a thematic proximity. The method proposed for achieving the goal involved the creation of three different datasets starting from images acquired on components provided by the host company, the first of binary type and the remaining two of three classes. From the research, it emerged that the use of Convolutional Neural Networks (CNN), exploiting the transfer learning technique, is one of the most adopted and successful solutions for image classification tasks. The experimental part of the work carried out involved the development and testing of numerous combinations of CNN, used for the feature extraction phase, combined with pooling and fully connected layers for subsequent classification. I tested ten different CNN architectures, running the tests in Google Colab environment, using the GPU runtime, with TensorFlow backend and Keras API. The VGG16 and VGG19 architectures produced the best results, with an average classification accuracy of 95% for the binary case and greater than 96% for the multi-class problem. The cases analyzed refer to the production relating to the period in which the internship took place and the results obtained, which may also have a more general value, demonstrate how it is possible to automate the control of surface quality in composite materials.

Il presente elaborato finale ha lo scopo di descrivere le attività da me svolte durante il tirocinio effettuato presso l’azienda HP Composites S.p.A. di Ascoli Piceno, per un periodo compreso tra giugno e novembre 2021. Gli argomenti affrontati hanno riguardato lo studio di un sistema di visione artificiale da applicare al rilevamento di difetti superficiali in materiali compositi, in particolare nei casi in cui siano rinforzati con fibra di carbonio. Si tratta di un approccio innovativo per questa tipologia di componenti, che ha come scopo il valutare le potenzialità di un controllo automatizzato della qualità estetica delle superfici in esame, in un contesto in cui lo stesso è effettuato esclusivamente manualmente da operatori specializzati. Data la novità rappresentata dal tema proposto, ho inizialmente effettuato ricerche in letteratura con lo scopo di valutare le tecniche maggiormente utilizzate per l’ispezione di materiali che presentassero una vicinanza tematica. Il metodo proposto per il raggiungimento dell’obiettivo ha riguardato la realizzazione di tre differenti dataset a partire da immagini acquisite su componenti forniti dall’azienda ospitante, il primo di tipo binario e i restanti due a tre classi. Dalla ricerca, è emerso come l’utilizzo di Reti Neurali Convoluzionali (CNN), sfruttando la tecnica del transfer learning, sia tra le soluzioni più adottate e di successo per compiti di classificazione di immagini. La parte sperimentale del lavoro svolto ha riguardato lo sviluppo e il test di numerose combinazioni di CNN, utilizzate per la fase di feature extraction, unite a strati di pooling e fully connected per la successiva classificazione. Ho testato dieci differenti architetture di CNN, eseguendo i test in ambiente Google Colab, utilizzando il runtime GPU, con backend TensorFlow e API Keras. Le architetture VGG16 e VGG19 hanno prodotto i risultati migliori, con una accuratezza media nella classificazione del 95% per il caso binario e superiore al 96% per il problema multi classe. I casi analizzati fanno riferimento alla produzione relativa al periodo in cui si è svolto il tirocinio e i risultati ottenuti, che possono avere anche una valenza più generale, dimostrano come sia possibile automatizzare il controllo della qualità superficiale nei materiali compositi.