Design of a vision system for reflective surface: a fashion-industry case study with limited data

This thesis investigates an illumination centric, computer vision approach to automated quality inspection of reflective metal components. The work integrates three pillars: first engineered lighting that combines diffuse, glare suppressing illumination with controlled low angle directions to expose surface discontinuities; second, a disciplined data engineer ing pipeline that expands limited acquisitions through tiling, background filtering, and label preserving data augmentation; and a convolutional neural network (CNN) detector trained and evaluated under deployment equivalent preprocessing and post processing. The illumination strategy is motivated by the physics of specular reflection: defect vis ibility depends on color and incidence angle, so multiple, complementary lighting states are sequenced to reveal features that would be invisible under a single condition. The dataset, initially small, is systematically enlarged by segmentation into patches and geo metric transforms with exact annotation remapping, yielding a diverse yet label consistent corpus without information leakage. A modern one-stage CNN is then fine-tuned to local ize and classify representative defect morphologies (e.g., linear scratches, compact spots, impact marks), with performance summarized by standard precision recall metrics and supported by qualitative overlays. Results show that thoughtful lighting design and tar geted augmentation are as decisive as sensor choice for achieving robust detection, and that calibrated decision thresholds are essential to align analytical sensitivity with op erational tolerances. The study offers a reproducible blueprint illumination engineering, dataset curation, and CNN-based analysis for deploying computer aided inspection in high gloss industrial contexts.

Questa tesi indaga un approccio di visione artificiale centrato sull’illuminazione per l’ispezione automatizzata della qualità di componenti metallici riflettenti. Il lavoro integra tre pilastri fondamentali: in primo luogo, un sistema di illuminazione progettato in modo ingegneris tico, che combina luce diffusa e antiabbagliamento con direzioni a basso angolo controllate per mettere in evidenza le discontinuità superficiali; in secondo luogo, una pipeline di in gegneria dei dati strutturata, che amplia un numero limitato di acquisizioni attraverso tecniche di suddivisione in riquadri (tiling), filtraggio dello sfondo e data augmentation con mantenimento delle etichette; infine, una rete neurale convoluzionale (CNN) adde strata e valutata utilizzando fasi di pre-processing e post-processing equivalenti a quelle di un sistema reale di implementazione. La strategia di illuminazione è motivata dalla fisica della riflessione speculare: la visibilità dei difetti dipende dal colore e dall’angolo di incidenza, per cui vengono utilizzati più stati di illuminazione complementari in sequenza, in modo da rivelare caratteristiche che risulterebbero invisibili sotto una sola condizione luminosa. Il dataset, inizialmente di dimensioni ridotte, viene ampliato in modo sistem atico mediante segmentazione in patch e trasformazioni geometriche con rimappatura esatta delle annotazioni, ottenendo così un insieme di dati diversificato ma coerente nelle etichette, privo di perdita di informazione. Una moderna CNN a uno stadio viene quindi ottimizzata per localizzare e classificare diverse morfologie di difetto (ad esempio graffi lineari, macchie compatte, segni da impatto), con le prestazioni riassunte tramite met riche standard di precision e recall e supportate da sovrapposizioni qualitative. I risultati mostrano che un’attenta progettazione dell’illuminazione e un’adeguata strategia di data augmentation sono tanto determinanti quanto la scelta del sensore per ottenere un rileva mento robusto, e che soglie decisionali calibrate sono essenziali per allineare la sensibilità analitica alle tolleranze operative. Lo studio propone quindi un modello riproducibile per l’ingegneria dell’illuminazione, la curazione del dataset e l’analisi basata su CNN, utile per implementare sistemi di ispezione assistita dal computer in contesti industriali ad alta lucentezza.