Tyre ageing: a deep learning-based method for cracking assessment

The environmental degradation of tyres, particularly due to ozone-induced cracking, represents a significant challenge for vehicle safety. Traditional methods for evaluating such damage often rely on manual inspection or basic image processing techniques, which are prone to operator subjectivity and lack of repeatability. This thesis proposes an automated and objective non destructive methodology for the experimental assessment of tyre surface cracking using advanced Computer Vision and Deep Learning techniques. The core of the work focuses on the transition from traditional local thresholding algorithms to a semantic segmentation approach based on a U-Net architecture with Attention Gates. This model was trained on a custom dataset to identify and quantify cracks under varying ageing conditions. The performance of the proposed neural network was evaluated against traditional thresholding method. The results demonstrate a significant improvement in detection accuracy, with the U-Net achieving an F1-score of 0.82 and a Mean Intersection over Union (mIoU) of 0.85, effectively reducing background noise and improving the detection of cracks. A number of global and morphological indicators were defined to comprehensively measure the cracking-related damage. An uncertainty analysis was performed to validate the reliability of the measurement system. The study concludes that the integration of Deep Learning into the measurement chain not only automates the diagnostic process but also provides a more accurate and precise method for assessing tyre structural integrity.

Il degrado degli pneumatici dovuto ad agenti atmosferici, in particolare la criccatura indotta dall'ozono, rappresenta una sfida significativa per la sicurezza dei veicoli. I metodi tradizionali per valutare tali danni si affidano spesso all'ispezione manuale o a tecniche base di elaborazione delle immagini, che sono dipendenti dalla soggettività dell'operatore e alla mancanza di ripetibilità. Questa tesi propone una metodologia automatizzata e oggettiva per la caratterizzazione sperimentale non distruttiva del criccamento superficiale degli pneumatici, utilizzando tecniche avanzate di Computer Vision e Deep Learning. Il focus del lavoro si concentra sulla transizione dai tradizionali algoritmi basati su soglia locale (local thresholding) a un approccio di segmentazione semantica basato su un'architettura U-Net con Attention Gates. Questo modello è stato addestrato su un dataset appositamente costruito per identificare e quantificare la criccatura in diverse condizioni di invecchiamento. Le prestazioni della rete neurale proposta sono state valutate rispetto al metodo di soglia tradizionale. I risultati dimostrano un miglioramento significativo nell'accuratezza del rilevamento: la U-Net ha raggiunto un F1-score di 0,82 e un Mean Intersection over Union (mIoU) di 0,85, riducendo efficacemente il rumore di fondo e migliorando l'identificazione delle cricche. Sono stati definiti diversi indicatori globali e morfologici per misurare in modo completo i danni causati dalle cricche. Un'analisi dell'incertezza è stata condotta per validare l'affidabilità del sistema di misura. Lo studio conclude che l'integrazione del Deep Learning nella catena di misura non solo automatizza il processo diagnostico, ma fornisce anche un metodo più accurato e preciso per valutare l'integrità strutturale degli pneumatici.