ARC I - Scuola di Architettura Urbanistica Ingegneria delle Costruzioni
3-apr-2025
2024/2025
Negli ultimi anni, la mancanza di automazione nei processi di controllo qualità è diventata una questione di crescente interesse per le industrie, in quanto l'ispezione visiva rimane il metodo predominante nonostante i suoi limiti. Nel settore delle costruzioni, le aziende leader nella progettazione di facciate ricercano soluzioni più efficienti nel riconoscimento dei difetti. La tesi esplora il potenziale dell'Intelligenza Artificiale per migliorare il controllo di qualità del legno. Questo lavoro fa parte del progetto Woodot, sviluppato da IndexLab in collaborazione con Sigma Ingegneria, Doosan Robotics e Homberger. Il sistema esegue un flusso di lavoro in cinque fasi: movimentazione autonoma, acquisizione di immagini, elaborazione delle immagini per l'identificazione dei difetti, rimozione dei difetti e inserimento di materiale di restauro. Questa tesi si concentra sullo sviluppo e sull'ottimizzazione del modello di deep learning per la terza fase: il riconoscimento automatico dei difetti superficiali. Il modello viene addestrato nel processo di fine-tuning effettuato sul Segment Anything Model (SAM) attraverso quattro diversi dataset: due pubblici di grandi dimensioni e due ridotti creati appositamente per questo lavoro. Modificando i parametri di addestramento, si ottengono sette checkpoint che successivamente sono applicati a nuove immagini per valutarne le prestazioni. Il modello addestrato su un dataset di dimensioni ridotte ma di alta qualità ottiene i risultati migliori, dimostrando che la qualità del dataset ha un peso maggiore delle sue dimensioni, rendendo possibile per le industrie la creazione e l'utilizzo di un proprio strumento realizzato ad hoc. Per rafforzare la validità del lavoro, è stato condotto un confronto con uno dei più innovativi dispositivi basati su AI presenti sul mercato, la telecamera Keyence Smart Series IV4-500 CA. Quest'ultima si dimostra efficace per compiti semplici e ripetitivi, ma presenta limitazioni nel riconoscere difetti complessi. Al contrario, il modello sviluppato offre un'adattabilità e una precisione superiori, identificando forma, dimensioni e posizione delle anomalie. L'approccio di addestramento adottato garantisce la replicabilità futura su diversi materiali attraverso un opportuno processo di fine-tuning. Sebbene sia possibile apportare ulteriori perfezionamenti, i risultati dimostrano che la segmentazione guidata dall'intelligenza artificiale migliora l'accuratezza, l'efficienza e l'automazione del controllo di qualità industriale, offrendo una soluzione scalabile per l'edilizia e altri settori.
In recent years, the lack of automation in quality control processes has become a growing concern for industries, as visual inspection remains the dominant method despite its limitations. In construction sectors, leading façade design companies seek more efficient solutions in the recognition of defects. The thesis explores the potential of Artificial Intelligence to enhance quality control of wood. This work is part of the Woodot project developed by IndexLab in collaboration with Sigma Ingegneria, Doosan Robotics and Homberger. The system performs a five-step workflow: autonomous handling, image acquisition, image processing for defects identification, defects removal, and restoration material insertion. This thesis focuses on developing and optimising the deep learning model for the third stage: automatic surface defect recognition.
The model is trained in the fine-tuning process carried out on the Segment Anything Model (SAM) through four different datasets: two large public and two smaller ones specifically created for this work. By modifying the training parameters, seven checkpoints are obtained, which are then applied to new images to evaluate their performances.
The model trained on the small but high-quality dataset achieves the best results, demonstrating that the quality of the dataset outweighs its size, making it feasible for industries to create and use their own purpose-built tool. To reinforce the validity of the work, a comparison is made with one of the most innovative AI-based devices on the market, the Keyence Smart Series IV4-500 CA camera. The latter proves effective for simple and repetitive tasks but struggles with complex defect recognition. In contrast, the developed model provides superior adaptability and accuracy, identifying shape, size, and position of anomalies. The training approach adopted ensures future replicability to different materials through an appropriate fine-tuning process.
While further improvements can be made, results demonstrate that AI-driven segmentation enhances accuracy, efficiency, and automation in industrial quality control, offering a scalable solution for construction and other industries.