Vision-based deep learning method for defocus estimation in laser welding processes

The importance of robotic laser welding is steadily increasing across modern manufacturing industries, including the automotive, aerospace, and electronics sectors due to its precision and flexibility. Compared to conventional welding methods, laser welding provides higher speed, greater precision, and lower thermal distortion. Since the process relies on concentrating the laser energy into a very small spot, maintaining the focal position within a narrow operating range is essential to ensure consistent weld quality. Deviations from the optimal focal position may alter the energy density delivered to the workpiece, leading to reduced weld quality and process instability. Despite its importance, reliable real-time focal position monitoring remains a challenging task, often requiring dedicated sensing systems that increase both system complexity and integration costs. To address these challenges, this thesis proposes a deep learning-based system for laser defocus estimation using 2D images acquired by a monocular coaxial camera integrated into a robotic laser welding cell. The proposed approach exploits the correlation between laser defocus and the visual appearance of the welding scene and employs a MobileNetV2-based hybrid classification-regression architecture to achieve both robustness and sub-millimetric resolution. To improve temporal consistency and outlier rejection, a Kalman filtering framework was also introduced. This system enable low-cost, vision-based and non-intrusive focal position monitoring. The proposed solution was developed and tested on the BLM Alfetta robotic laser welding cell provided by BLM Group S.p.A. The experimental results confirmed the feasibility of estimating laser defocus directly from coaxial camera images, demonstrating reliable tracking of both static and dynamic defocus variations while exhibiting inference times compatible with future real-time deployment. Moreover, the study provided valuable insights into the impact of the main architectural and training choices on the overall system performance. The findings of this work establish a foundation for future developments toward more autonomous and adaptive robotic laser welding systems.

L'importanza della saldatura laser robotizzata è in costante crescita nei settori manifatturieri moderni, tra cui l'industria automobilistica, aerospaziale ed elettronica, grazie alla sua precisione e flessibilità. Rispetto ai metodi di saldatura convenzionali, la saldatura laser offre maggiore velocità, precisione e minore distorsione termica. Poiché il processo si basa sulla concentrazione dell'energia laser in un'area estremamente ridotta, mantenere la posizione focale entro un ristretto intervallo operativo è essenziale per garantire una qualità di saldatura costante. Scostamenti dalla posizione focale ottimale possono alterare la densità di energia trasferita al pezzo, causando una riduzione della qualità del giunto e instabilità di processo. Nonostante la sua importanza, il monitoraggio affidabile della posizione focale in tempo reale rappresenta ancora una sfida significativa, spesso richiedendo sistemi di misura dedicati che aumentano complessità e costi di integrazione. Per affrontare tali criticità, questa tesi propone un sistema basato su deep learning per la stima del defocus laser mediante immagini 2D acquisite da una telecamera coassiale monoculare integrata in una cella di saldatura laser robotizzata. L'approccio proposto sfrutta la correlazione tra il defocus laser e l'aspetto visivo della scena di saldatura e impiega un'architettura ibrida classificazione-regressione basata su MobileNetV2 per ottenere robustezza e risoluzione sub-millimetrica. Per migliorare la consistenza temporale delle stime e la reiezione degli outlier, è stato inoltre introdotto un filtro di Kalman. Il sistema consente così un monitoraggio della posizione focale non intrusivo, a basso costo e basato esclusivamente su informazioni visive. La soluzione proposta è stata sviluppata e testata sulla cella di saldatura laser robotizzata BLM Alfetta fornita da BLM Group S.p.A. I risultati sperimentali hanno confermato la fattibilità della stima del defocus laser direttamente dalle immagini della telecamera coassiale, dimostrando un tracciamento affidabile sia di variazioni statiche sia dinamiche del defocus e tempi di inferenza compatibili con una futura implementazione in tempo reale. Inoltre, lo studio ha fornito indicazioni utili sull'influenza delle diverse scelte architetturali e di addestramento sulle prestazioni complessive del sistema. I risultati ottenuti costituiscono una base solida per futuri sviluppi orientati verso sistemi di saldatura laser robotizzata sempre più autonomi e adattivi.