Vision-based domain adaptation strategies for transfer learning in fusion laser cutting

Laser cutting is a widely adopted manufacturing technology known for its high precision, flexibility, and productivity across a broad range of materials and geometries. It plays a central role in modern production systems, particularly in the context of Industry 4.0, where real-time monitoring and adaptive control are critical. However, the complexity of the process, driven by tightly coupled thermodynamic, optical, and mechanical phenomena, makes it difficult to model analytically. While Machine Learning (ML) approaches, when trained in controlled environments, have shown promising results for monitoring the cutting process, they often fail to generalize to new machines due to variability in hardware, setup, and environmental conditions. This limits the scalability of such solutions, as retraining for each machine is impractical. This research addresses the challenge of transferring ML monitoring models across different domains without retraining, through the application of domain adaptation techniques. A comprehensive experimental campaign was conducted using coaxial camera data to train two ML models: a classifier for cutting condition detection and a regressor for surface roughness estimation. Baseline evaluations revealed significant performance degradation when these models are applied to new domains without adaptation. Several strategies were therefore explored, namely data augmentation, histogram matching, and intensity/scale normalization. The most effective configuration, combining intensity and scale matching with a non-dimensional regression formulation, achieved an F1-score of 94.48% for the classifier and an R2 of 85.65% for the regressor. Additionally, the document investigates re-training on a reduced target dataset as an alternative to domain adaptation. When feasible, this approach outperformed domain adaptation thanks to its fit tailored to each testing machine, reaching a classifier F1-score of 96.46% and a regressor R2 of 87.11%. This work contributes a practical framework for deploying autonomous monitoring and control models across heterogeneous laser cutting systems, reducing the need for costly retraining and paving the way for scalable, intelligent manufacturing solutions.

Il taglio laser è una tecnologia di produzione ampiamente adottata, nota per la sua elevata precisione, flessibilità e produttività su un’ampia gamma di materiali e geometrie. Gioca un ruolo centrale nei sistemi di produzione moderni, in particolare nel contesto dell’Industria 4.0, dove il monitoraggio in tempo reale e il controllo adattivo sono fondamentali. Tuttavia, la complessità del processo, determinata da fenomeni termodinamici, ottici e meccanici strettamente interconnessi, rende difficile una modellazione analitica. Sebbene gli approcci basati sul machine learning, quando addestrati in ambienti controllati, abbiano mostrato risultati promettenti per il monitoraggio del processo di taglio, spesso non riescono a generalizzare su nuove macchine a causa della variabilità dell’hardware, della configurazione e delle condizioni ambientali. Questo limita la scalabilità di tali soluzioni, poiché riaddestrare i modelli per ogni macchina è poco pratico. Questa ricerca affronta la sfida del trasferimento di modelli di monitoraggio basati su ML tra diversi domini senza necessità di riaddestramento, attraverso l’applicazione di tecniche di adattamento del dominio. È stata condotta una campagna sperimentale completa utilizzando dati da una telecamera coassiale per addestrare due modelli ML: un classificatore per il rilevamento delle condizioni di taglio e un regressore per la stima della rugosità superficiale. Le valutazioni di base hanno evidenziato un significativo degrado delle prestazioni quando questi modelli vengono applicati a nuovi domini senza adattamento. Sono quindi state esplorate diverse strategie, tra cui l’aumento dei dati, l’allineamento degli istogrammi e la normalizzazione dell’intensità/scala. La configurazione più efficace, che combina la corrispondenza di intensità e scala con una formulazione di regressione non dimensionale, ha raggiunto un F1-score del 94,48% per il classificatore e un R2 dell’85,65% per il regressore. Inoltre, il documento analizza il riaddestramento su un set di dati ridotto del dominio target come alternativa all’adattamento del dominio. Quando possibile, questo approccio ha superato l’adattamento del dominio grazie a un adattamento specifico per ciascuna macchina di test, raggiungendo un F1-score del 96,46% per il classificatore e un R2 dell’87,11% per il regressore. Questo lavoro contribuisce a fornire un quadro pratico per l’implementazione di modelli autonomi di monitoraggio e controllo su sistemi di taglio laser eterogenei, riducendo la necessità di costosi riaddestramenti e aprendo la strada a soluzioni di produzione intelligenti e scalabili.