Exploiting smartphones for vision-based defect estimation of laser cut parts

As laser cutting technology becomes increasingly widespread in modern manufacturing, the need for fast, accessible, and low-cost tools for assessing cut quality has grown significantly. This thesis presents a novel smartphone-based approach for the identification and quantitative estimation of burr defects generated during laser cutting operations. The proposed method leverages computer vision and artificial intelligence (AI) techniques to support process parameter optimization, enabling a quicker and more flexible evaluation of cut quality without relying on traditional metrological equipment. Two smartphones, an iPhone 16 Pro and a Samsung Galaxy A50, were characterized to assess their imaging capabilities. Metal specimens of AISI 304 stainless steel were laser-cut using various combinations of process parameters, and conventional burr measurements were acquired to establish reference values. A comprehensive image dataset was then created under different acquisition conditions. Two deep-learning models based on the YOLOv11 architecture were trained: an object detection model (mAP@50 = 92.6%, precision = 94.3%, recall = 90.5%) to locate the sample and detect defects, and an instance segmentation model (IoUm = 95.72%) to isolate the cut edge for burr estimation. The developed estimation algorithm showed excellent performance for both smartphones, achieving a mean absolute error of 0.05 mm and reaching 0.03 mm for frontal and near-frontal acquisition angles. Additional tests on different materials and thicknesses confirmed the robustness of the method in realistic industrial environments, with a mean estimation error of 0.1 mm. Finally, a Bayesian optimization framework demonstrated that burr values estimated from smartphone images can effectively guide process parameter optimization, reducing machine downtime and minimizing reliance on costly metrological instruments.

Con la crescente diffusione della tecnologia di taglio laser nell’industria manifatturiera moderna, emerge la necessità di strumenti rapidi, accessibili e a basso costo per valutare la qualità del taglio. Questa tesi presenta un innovativo approccio basato su smartphone per l’identificazione e la stima quantitativa del difetto di bava generato durante le operazioni di taglio laser. Il metodo proposto sfrutta tecniche di computer vision e intelligenza artificiale (AI) per supportare l’ottimizzazione dei parametri di processo, consentendo una valutazione più rapida e flessibile della qualità del taglio, senza ricorrere a strumenti metrologici tradizionali. Due smartphone, un iPhone 16 Pro e un Samsung Galaxy A50, sono stati caratterizzati per valutarne le capacità di acquisizione. Sono stati realizzati provini in acciaio inox AISI 304 tagliati con diverse combinazioni di parametri di processo, e misure metrologiche convenzionali della bava sono state eseguite come riferimento. È stato quindi creato un ampio dataset di immagini in differenti condizioni di acquisizione. Sono stati addestrati due modelli di deep learning basati sull’architettura YOLOv11: un modello di object detection (mAP@50 = 92.6%, precisione = 94.3%, recall = 90.5%) per individuare il provino e i difetti, e un modello di instance segmentation (IoUm = 95.72%) per segmentare il bordo di taglio ai fini della stima della bava. L’algoritmo di stima sviluppato ha mostrato ottime prestazioni con entrambi gli smartphone, raggiungendo un errore assoluto medio di 0.05 mm, che scende a 0.03 mm per angolazioni frontali o quasi frontali. Test aggiuntivi su materiali e spessori differenti hanno confermato la robustezza del metodo in contesti industriali reali, con un errore medio pari a 0.1 mm. Infine, è stato implementato un framework di ottimizzazione Bayesiana che ha dimostrato come i valori di bava stimati tramite immagini acquisite da smartphone possano guidare efficacemente l’ottimizzazione dei parametri di processo, riducendo i tempi di fermo macchina e la necessità di strumenti metrologici costosi.