| KEYWORD |
Development of an Automatic Industrial Component Recognition System Using AI: Integration of 3D CAD Models and Real Images (internship at AROL S.p.A.)
Thesis in external company
keywords DEVICE PROGRAMMING, IMAGE PROCESSING, MACHINE LEARNING, SOFTWARE DESIGN
Reference persons STEFANO QUER
Research Groups DAUIN - GR-13 - METODI FORMALI - FM
Description La AROL S.p.A. produce macchinari complessi che effettuano la tappatura e il riempimento di bottiglie e barattoli, nonché la produzione di capsule. Il 95% dei componenti e delle applicazioni sono progettati/e internamente. Leader nel suo settore a livello mondiale ha sedi a Torino e in altre città italiane, nonchè negli Stati Uniti, Messico, Brasile, Cina e India.
In maniera simile a quanto accaduto nel mondo "automotive" alcuni anni fa, le attività della AROL richiedono una crescente competenza informatica tanto per la gestione dei dati a livello centralizzato (coinvolgendo tematiche di cloud e edge computing, data-base, etc.), quanto per lo sviluppo di procedure efficienti per il controllo e la verifica del comportamento dei macchinari (coinvolgendo tematiche relative ai sistemi operativi e alla programmazione di sistema, al web programming, al machine learning, al riconoscimento immagini, etc.).
Con l'avvento dell'Industria 4.0, il riconoscimento automatico di componenti industriali è un'area di crescente interesse nell'industria manifatturiera. Tuttavia, riconoscere e identificare con precisione i componenti di macchinari industriali rappresenta una sfida, specialmente quando si tratta di integrare informazioni provenienti da modelli CAD 3D con immagini reali dei componenti stessi. Questa tesi mira a sviluppare un sistema AI in grado di effettuare tale riconoscimento combinando tecniche di visione artificiale e machine learning.
Obiettivi della ricerca
- Esplorare e comprendere le caratteristiche dei modelli CAD 3D e delle immagini reali dei componenti, evidenziando differenze e somiglianze chiave che possono influenzare il processo di riconoscimento.
- Sviluppare un modello di deep learning in grado di riconoscere i componenti sia dai modelli CAD 3D sia dalle immagini reali. Questo comporterà la progettazione di un'architettura di rete neurale capace di generalizzare adeguatamente tra le due fonti di dati.
- Esplorare tecniche di fusione di dati per combinare efficacemente le informazioni derivanti dai modelli CAD 3D e dalle immagini reali. L'obiettivo è migliorare la robustezza del sistema di riconoscimento attraverso l'integrazione di queste due fonti.
- Valutare le prestazioni del sistema proposto su un set di componenti industriali, eseguendo test su dati reali per verificare la precisione, la velocità e la robustezza del riconoscimento.
Fasi principali della ricerca
- Analisi dello stato dell’arte in termini di software di terze parti in grado di eseguire riconoscimento di parti.
- Creazione di un dataset che comprenda modelli CAD 3D e immagini reali dei componenti.
- Utilizzo di tecniche avanzate di machine learning e deep learning, come reti neurali convoluzionali (CNN) e reti generative avversarie (GAN), per il riconoscimento dei componenti.
- Sperimentazione dell'uso della realtà aumentata per facilitare la visualizzazione e il riconoscimento dei componenti in tempo reale durante l'ispezione o l'assemblaggio.
- Conduzione di esperimenti per ottimizzare il modello, minimizzare l'errore e migliorare la precisione del riconoscimento.
- Definizione di un dataset da utilizzare come “test bench” e confronto dei risultati ottenuti mediante software di terze parti o altre metodologie.
Il progetto sarà seguito dal referente accademico e dal personale interno AROL.
Required skills Programmazione di sistema, machine learning, image processing.
Notes La tesi potrà essere svolta a casa oppure presso i locali del Dipartimento di Automatica e Informatica e parzialmente presso la sede di Torino della AROL. Sono prevedibili anche alcune visite presso la centrale produttiva della AROL a Canelli. Sono possibili tanto un rimborso spese durante il periodo della tesi, quanto un successivo stage aziendale retribuito nell'ottica di una possibile assunzione a tempo indeterminato.
Deadline 31/12/2024
PROPONI LA TUA CANDIDATURA