Industry 4.0 introduced high production flexibility while enhancing client customisation production capabilities, making them essential for any competitive enterprise. However, current mass production is no longer sustainable, prompting factories to adopt technological innovations to transition towards Industry 5.0. Artificial intelligence and collaborative robotics represent a few of the fundamental technologies of this transition. In this context, the work presented in this document targets the automation of the polishing process in a Swiss company leader in hand tweezers manufacturing. The main objective is to improve the quality and consistency of the end product while reducing manual intervention. To achieve this, various solutions have been identified that can be integrated into the work cell equipped with a collaborative robot in charge of the polishing process. The first solution identified is the integration of admittance control. The control strategy ensures that a constant normal force is applied during polishing, minimising errors and inconsistencies. However, research shows the limitations of the built-in force/torque sensor when it comes to maintaining high precision, pointing to the need for improved force feedback mechanisms. Alternative methods that rely on software estimation could represent a solution. However, the methods explored in this work, which are state observer and regression neural network, proved unsuccessful, but further researches could make these approaches viable options to solve the problem. An AI-based visual inspection system utilising convolutional neural networks was developed to further improve quality inspection process. The system incorporates a two-stage deep learning approach: the first CNN generates heat maps to detect defects. Then, the second CNN performs multi-class classification to accurately categorise defects. Implementing data augmentation techniques significantly improves the robustness and reliability of the fault detection model. Another contribution of this work is integrating a human-in-the-loop correction strategy for adjusting the pose of the tool center point. When faulty tweezers are identified, the system allows human operators to intervene and make corrections to refine the polishing process. This collaborative approach combines the precision of robotics with the adaptability of human expertise, in line with the principles of Industry 5.0.

L'industria 4.0 ha introdotto un'alta flessibilità produttiva in contemporanea con un miglioramento delle capacità di personalizzazione del prodotto da parte del cliente, rendendole caratteristiche essenziali per un'azienda competitiva sul mercato. Tuttavia, l'attuale produzione di massa non è più sostenibile, spingendo gli impianti produttivi ad adottare innovazioni tecnologiche per effettuare la transizione verso l'industria 5.0. Intelligenza artificiale e robotica collaborativa rappresentano alcune delle principali tecnologie per effettuare questa transizione. Il lavoro presentato in questa tesi è improntato sull'automazione del processo di levigatura di pinzette, di cui un'azienda Svizzera rappresenta il leader di mercato. L'obiettivo principale è di migliorare la qualità e la consistenza del prodotto finale riducendo al minimo gli interventi manuali. Per raggiungere questi obiettivi, sono state identificate numerose soluzioni che possono essere integrate nella cella in cui il robot collaborativo è addetto alla levigatura. La prima soluzione identificata è l'integrazione di un controllo di ammettenza. Questa strategia di controllo garantisce che durante la levigatura venga applicata una forza normale costante, minimizzando errori e inconsistenze. Tuttavia, i risultati mostrano tutte le limitazioni introdotte dal sensore di forza/coppia integrato nel robot quando si tratta di mantenere la forza al valore desiderato con precisione, evidenziando il bisogno di migliorare il feedback di forza per il controllo. Questa problematica ha portato all'idea che metodi alternativi basati sulla stima software possano rappresentare una soluzione al problema. Gli approcci utilizzati in questa tesi, ossia osservatori di stato e regressione tramite rete neurale, non si sono rivelati efficaci ma ulteriori ricerche potrebbero rendere questi metodi delle valide alternative. E' stato sviluppato un sistema di visione basato sull'intelligenza artificiale che utilizza le reti neurali convoluzionali (CNN) per migliorare il processo di ispezione visiva. Il sistema comprende due CNN in serie, la prima genera le heat map per evidenziare i difetti, la seconda esegue la classificazione finale per categorizzare accuratamente i difetti. L'implementazione di tecniche di generazione di immagini sintetiche dimostrano che la robustezza e l'affidabilità del sistema di visione migliorano significativamente. Un ulteriore contributo di questo lavoro è ideare un modo per integrare l'operatore in una strategia di correzione della posa del tool center point. Quando viene identificata una pinzetta difettosa, il sistema abilita l'operatore ad intervenire e ad applicare correzioni al processo di levigatura. Questo approccio collaborativo combina la precisione del robot con l'adattabilità dell'operatore, in linea con i principi dell'industria 5.0.