Validation of innovative smart sensors for quality control purposes

The present thesis focuses on the quality control of pouches production, which was measured adopting Smart Vision Sensors. These Sensors are exploited at IMA-FillShape to verify the quality of the pouch sealing, the barcode coherency and the quality of the printed data of every pouch. The objective of the work was to study the behaviour of innovative Smart Sensors, comparing them to the technologies implemented at present for the recognition of the products compliances. In particular, it was developed a comparison between the actual sensors’ performances and that ones of an original device, whose potential had to be discovered. Subsequently, an innovative device exploiting Deep Learning algorithms was analysed to bring to light the improvements that are present with such a modern technology. The first step during the internship was to analyse the working principle as well as the parameters settings of the technologies implemented at present. Then, the functioning of the new devices was studied. Once it was acquired a sufficient knowledge of the sensors’ behaviour, the possible implementation of the two Smart Sensors was tested. In the thesis, the testing procedure is treated distinctly. For the former Smart Sensor, a number of recognition strategies were designed in view to replace the actual ones, so that a more robust and faster strategy for detecting failures could be implemented. The most performant configuration was selected and consequently optimized modifying the parameters involved. This aimed at obtaining a robust configuration; firstly, in static and then in dynamic condition. To verify the reliability of this optimal configuration, tests were conducted based on manually supervising the output results of the camera. For the latter Smart Sensor, its performances were studied using a simulator. In particular, the behaviour of this device was analysed using two sets of pre-acquired images. During testing, it was supervised that the output of the simulator was correct. A reliable configuration was achieved by properly selecting the parameters involved. Indeed, these parameters were optimized as a means to design a robust tool able to detect imperfection even in challenging and demanding conditions. Furthermore, the adoption of the Deep Learning led to the creation of a powerful recognition tool. Indeed, Deep Learning capabilities were exploited to attain an advantageous reduction of both the processing time and the programming effort, creating innovative algorithm designs.

La presente tesi si incentra sul controllo di qualità della produzione di pouch, che viene effettuato per mezzo di sensori di visione intelligenti, comunemente chiamati Smart Sensor. Questi sensori sono utilizzati in IMA-FillShape per verificare su ogni pouch la qualità della saldatura, la coerenza del codice a barre e la qualità dei dati stampati. L'obiettivo del lavoro è stato quello di studiare il comportamento di Smart Sensor alternativi ed innovativi, confrontandoli con le tecnologie attualmente implementate per il riconoscimento della conformità dei prodotti. In particolare, è stato effettuato un confronto tra le performance dei sensori attuali e quelle di un dispositivo recentemente sviluppato, le cui potenzialità erano da scoprire. È stato inoltre analizzato un ulteriore dispositivo innovativo che sfrutta algoritmi basati sul Deep Learning, per individuare possibili miglioramenti derivanti da una tecnologia così avanzata. Il primo passo è stato quello di analizzare il principio di funzionamento delle tecnologie attualmente implementate, cui ha fatto seguito lo studio del funzionamento dei nuovi dispositivi. Una volta acquisita una sufficiente conoscenza del comportamento dei sensori, è stata testata la possibile implementazione dei due nuovi Smart Sensor. Nella tesi, la procedura di test è trattata in maniera distinta. Per il primo Smart Sensor, sono state progettate una serie di strategie di riconoscimento atte a sostituire quella attualmente usata, in modo da poter implementare un metodo più robusto e veloce per rilevare i difetti. È stata selezionata la configurazione più performante ed è stata ottimizzata, modificandone i parametri coinvolti, per ottenere una configurazione affidabile; in primo luogo, in condizione statica e poi in condizione dinamica. Per verificare l'affidabilità di questa configurazione ottimale, sono stati condotti test basati sulla supervisione manuale dei risultati del sensore. Riguardo al secondo Smart Sensor, le prestazioni sono state studiate utilizzando un simulatore. In particolare, il comportamento di questo dispositivo è stato analizzato sfruttando due set di immagini acquisite da produzioni passate. Durante il test, è stato verificato manualmente che l'output del simulatore fosse corretto. È stata ottenuta una configurazione ottimale selezionando in modo opportuno i parametri coinvolti. Questi sono stati impostati al fine di progettare uno strumento robusto in grado di rilevare le imperfezioni anche in applicazioni molto complesse. Inoltre, l'adozione del Deep Learning ha portato alla creazione di uno strumento di riconoscimento molto performante. Per questa ragione, sono state sfruttate le capacità del Deep Learning per ottenere una vantaggiosa riduzione sia del tempo di elaborazione che della complessità di programmazione, creando progetti di algoritmi innovativi.