AI-assisted real-time estimation of gap profile and width for laser-welding applications

In the rapidly evolving landscape of industrial manufacturing laser welding became essential in industries like the automotive, aerospace, and electronics ones because of its precision, speed, and versatility. However, the declining availability of skilled human welders presents a significant challenge, leading to the development of automation strategies for these processes. Robotic laser welding combines the precision and speed of laser welding with the flexibility and efficiency of robotic systems, enabling high-quality, consistent welds. Despite its potential, existing industrial solutions for robotic laser welding face limitations, due to difficult imaging conditions such as intense light and varying material reflectivity, strict real-time processing requirements and the variety of materials, geometries and process parameters. This thesis aims to develop an high-performance deep learning vision system that addresses these limitations, enabling real-time seam tracking and gap width estimation. By leveraging state-of-the-art vision deep learning techniques, particularly the YOLO (You Only Look Once) architecture and MobileNet Convolutional Neural Network (CNN), the proposed approach aims to provide new solutions and approaches in order to facing into robotic laser welding automation. The system guarantees robustness, maintaining high performance under diverse conditions, high-performance for deployment on industrial edge devices and scalability to accommodate various welding tasks. The proposed system was developed and tested on an experimental robotic laser welding cell from BLM Group S.p.A. The results demonstrates and confirms the advantages that a deep learning-based approach can offer for this kind of application like enhancing precision, reducing material waste, improving overall manufacturing efficiency and paving the way for future advancements in intelligent welding systems.

Nel panorama in rapida evoluzione della produzione industriale, la saldatura laser è diventata essenziale in settori come l'automobilistico, l'aerospaziale e l'elettronica grazie alla sua precisione, velocità e versatilità. Tuttavia, la crescente carenza di saldatori qualificati rappresenta una sfida significativa, portando allo sviluppo di strategie di automazione per questi processi. La saldatura laser robotizzata combina la precisione e la velocità della saldatura laser con la flessibilità e l'efficienza dei sistemi robotici, permettendo saldature di alta qualità e consistenza. Nonostante il suo potenziale, le soluzioni industriali esistenti per la saldatura laser robotizzata affrontano limitazioni dovute a condizioni di imaging difficili come luce intensa e variabilità della riflettività dei materiali, requisiti di elaborazione in tempo reale stringenti e la varietà di materiali, geometrie e parametri di processo. Questa tesi mira a sviluppare un sistema di visione ad alte prestazioni basato sul deep learning che affronti queste limitazioni, consentendo il tracciamento in tempo reale delle giunture e la stima della larghezza delle stesse. Sfruttando le tecniche di visione all'avanguardia del deep learning, in particolare l'architettura YOLO (You Only Look Once) e la rete neurale convoluzionale MobileNet, l'approccio proposto intende fornire nuove soluzioni e approcci per l'automazione della saldatura laser robotizzata. Il sistema garantisce robustezza, mantenendo alte prestazioni in condizioni diverse, alte prestazioni per il dispiegamento su dispositivi edge industriali e scalabilità per adattarsi a vari compiti di saldatura. Il sistema proposto è stato sviluppato e testato su una cella sperimentale di saldatura laser robotizzata realizzata in collaborazione con BLM Group S.p.A. I risultati dimostrano e confermano i vantaggi che un approccio basato sul deep learning può offrire per questo tipo di applicazione, come il miglioramento della precisione, la riduzione degli sprechi di materiale ed il miglioramento dell'efficienza complessiva della produzione, aprendo la strada a futuri avanzamenti nei sistemi di saldatura intelligenti.