| KEYWORD |
Area Ingegneria
Sviluppo di un Sistema di Riconoscimento Automatico di Componenti Industriali Tramite AI: Integrazione di Modelli CAD 3D e Immagini Reali (stage presso la AROL S.p.A.)
Tesi esterna in azienda
Parole chiave DEVICE PROGRAMMING, IMAGE PROCESSING, MACHINE LEARNING, SOFTWARE DESIGN
Riferimenti STEFANO QUER
Gruppi di ricerca DAUIN - GR-13 - METODI FORMALI - FM
Descrizione 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.
Conoscenze richieste Programmazione di sistema, machine learning, image processing.
Note 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.
Scadenza validita proposta 31/12/2024
PROPONI LA TUA CANDIDATURA