Semantic segmentation and graph-based strategy classification for an AI-enhanced window frame painting pipeline

The automation of painting processes for window frames represents a complex challenge in engineering and applied robotics, as it requires the integration of computer vision techniques and robotic trajectory planning to handle a wide variety of geometries. In industrial settings, the established approach involves processing 2D scans to extract geometric information and subsequently programming the painting path accordingly. The work presented in this thesis adopts this perspective and aims to optimize the current industrial process through the integration of artificial intelligence techniques. The final outcome consists of a convolutional neural network for the semantic segmentation of scans, a graph neural network for classifying the painting type of the segmented areas and a rule-based trajectory planning module.

L'automazione dei processi di verniciatura per telai per finestre rappresenta una sfida complessa nell'ingegneria e nella robotica applicata, poiché richiede l'integrazione di tecniche di computer vision e di pianificazione di traiettorie robotiche per gestire una vasta varietà di geometrie. In contesti industriali, l'approccio consolidato prevede l'elaborazione di scansioni 2D per estrarre informazioni geometriche e successivamente programmare di conseguenza il percorso di verniciatura. Il lavoro presentato in questa tesi adotta questa prospettiva e mira a ottimizzare il processo industriale attuale attraverso l'integrazione di tecniche di intelligenza artificiale. Il risultato finale consiste in una rete neurale convoluzionale per la segmentazione semantica delle scansioni, una rete neurale a grafi (GNN) per la classificazione del tipo di verniciatura delle aree segmentate e un modulo di pianificazione di traiettoria rule-based.