Autonomous gauge detection in industrial environments

Analog gauges are actively used across many industrial sectors for the timely monitoring of key data and processes. Manually reading analog gauges may be time-consuming for human operators, or even unsafe if the gauges are placed near hazardous materials or in restricted and inaccessible areas. Autonomous robots and Artificial Intelligence (AI) technologies are increasingly being adopted as a viable alternative to manual intervention. The promising performance of these technologies on object detection and machine reading benchmarks suggests that gauges could be autonomously monitored. Crucially, automating analog gauge monitoring would mitigate the workload and Health and Safety risks that are currently placed on human operators. For these reasons, the task of automatically detecting analog gauges, also referred to as gauge detection, becomes an important prerequisite for autonomous monitoring and collection of gauge readings. This dissertation aims to present an object recognition model for detecting analog gauges from the images collected in a real-world complex industrial environment and, to overcome the challenges caused by the visual variations of the captured images, due to the complexity of the environment. To detect gauges with high accuracy while also ensuring real-time inference performance, we present a comparative analysis of YOLO-based detections methods. Specifically, we explore a set of layered experiments to test the effect of different training routines, training sets, image resolutions, fine-tuning as well as data augmentation strategies. Ultimately, we show that the YOLOv5s model exhibited the highest performance as a detector on a realistic industrial test set, also having adequate model speed to perform in real-time.

I manometri analogici sono largamente utilizzati in molti settori industriali per monitorare i dati di varie applicazioni e processi. La lettura manuale dei manometri può richiedere molto tempo agli operatori e addetti ai lavori o risultare persino pericolosa, laddove i manometri sono posizionati vicino a materiali pericolosi o in aree particolarmente inaccessibili. I robot autonomi e le tecnologie di intelligenza artificiale vengono sempre più adottati come valida alternativa all’intervento manuale. Grazie alle promettenti prestazioni di queste tecnologie, i manometri potrebbero essere monitorati in modo autonomo, mitigando così il carico di lavoro e i rischi per la salute e la sicurezza che al momento gravano sugli operatori umani. Per questi motivi, il riconoscimento dei manometri da immagini diventa un prerequisito importante per il monitoraggio autonomo dei processi industriali. L'obiettivo di questa tesi e' presentare un modello di riconoscimento di oggetti per il riconoscimento dei manometri da immagini raccolte in un ambiente industriale complesso nel mondo reale e per superare le sfide causate dalle variazioni visive delle immagini catturate, dovute alla complessità dell'ambiente. Per raggiungere elevate prestazioni di rilevamento ed essere in grado di identificare i manometri in tempo reale, abbiamo scelto di analizzare la performance di una classe di metodi basati sull'architettura YOLO. In particolare, abbiamo impostato una serie di esperimenti incrementali per testare l'effetto di diverse routine di addestramento, diversi dataset e immagini a diversa risoluzione, oltre a confrontare diverse strategie di fine-tuning e data augmentation. In ultima analisi, il modello YOLOv5s ha presentato le prestazioni più elevate su un set di test industriali realistico, garantendo anche un Frame per Rate adeguato all'applicazione in contesti applicativi reali.