PLASTIC : packaging leakage and abnormalities safety test for industrial control

Ensuring package integrity is crucial in the food industry, where defective seals can compromise product safety and consumer trust. Current in-line inspections are often manual or based on rudimentary technologies, highlighting the urgent need for automated, data-driven solutions. This thesis explores the application of profilometric imaging and machine learning techniques for the automatic detection of defects in thermoplastic packaging. A novel strategy is proposed that leverages advanced deep learning techniques to achieve excellent results from an extremely limited number of real profilometric acquisitions, sourced from an industrial production line. The project is developed entirely in Python, utilizing libraries such as PyTorch, OpenCV, and NumPy. Experimental results underscore the method's reliability, with 16 correct classifications out of 18 (7 true positives, 9 true negatives, 2 false negatives, and 0 false positives), corresponding to an accuracy of 88.9% and a complete absence of false alarms: a crucial aspect in industrial quality control contexts. The reliability of this result is also guaranteed by similar outcomes obtained after seed rotation. In summary, this work demonstrates the validity and potential of combining profilometry and advanced machine learning for the automated and reliable inspection of packaging seals, offering a solid foundation for intelligent quality control systems on an industrial scale.

Garantire l'integrità delle confezioni è fondamentale nell’industria alimentare, dove sigillature difettose possono compromettere la sicurezza del prodotto e la fiducia del consumatore. Le attuali ispezioni in linea sono spesso manuali o basate su tecnologie poco avanzate, rendendo urgente l’adozione di soluzioni automatizzate e basate sui dati. Questa tesi esplora l'applicazione dell’imaging profilometrico e delle tecniche di apprendimento automatico per la rilevazione automatica di difetti nei packaging termoplastici. Si propone una nuova strategia che sfrutta tecniche di deep learning avanzate per ottenere risultati eccellenti a partire da un numero estremamente limitato di acquisizioni profilometriche reali, provenienti da una linea di produzione industriale. Il progetto è sviluppato interamente in Python, con l’uso di librerie come PyTorch, OpenCV e NumPy. I risultati sperimentali evidenziano l’affidabilità del metodo, con 16 classificazioni corrette su 18 (7 veri positivi, 9 veri negativi, 2 falsi negativi e 0 falsi positivi), corrispondenti a un’accuratezza dell’88,9% e assenza totale di falsi allarmi: un aspetto cruciale nei contesti di controllo qualità industriale. L'affidabilità di questo risultato è garantita, tra l'altro, dai simili risultati ottenuti a seguito della rotazione del seed. In sintesi, questo lavoro dimostra la validità e la potenzialità dell’unione tra profilometria e apprendimento automatico avanzato per l’ispezione automatica e affidabile delle sigillature nei packaging, offrendo una solida base per sistemi intelligenti di controllo qualità su scala industriale.