Aron Miguel Erbetta
Studente/i Relatore
Michele Banfi
Corso di laurea Modulo
2016/2017
Anno
Ingegneria Informatica
Progetto di diploma
8 settembre 2017
Data
Abstract
Il presente progetto richiedeva lo sviluppo di un applicativo per il riconoscimento di immagini di una melt pool. Tali immagini vengono ricavate grazie all’utilizzo di una camera a colori per imaging, la quale è montata all’interno di una Laserdyne 430. Questo macchinario è utilizzato per la produzione di componenti in metallo tramite la tecnica dell’additive manufacturing. La creazione del componente avviene depositando strati di polveri di leghe d’acciaio in seguito fuse da un fascio laser.
Per la classificazione delle immagini della melt pool è stato deciso dal relatore di utilizzare il deep learning. La categorizzazione delle immagini permette di capire come la creazione del componente stia avvenendo. Questo rende possibile comprendere se sono necessari aggiustamenti dei parametri delle parti coinvolte nella produzione, come ad esempio modificare la potenza del fascio laser, la velocità di spostamento della testa, ecc. È così possibile modificare questi parametri in modo che il prodotto finale sia strutturalmente migliore ed evitare sprechi delle polveri, migliorando la produzione in generale.
Obiettivi
Gli obiettivi principali di questo progetto sono:
• apprendere le basi del machine learning legato alle reti neurali
• determinare la tipologia di rete neurale indicata per la classificazione di immagini
• effettuare analisi delle tecnologie disponibili per individuare la libreria più adatta
• fornire un prototipo per classificare immagini di una melt pool in 7 categorie distinte
• implementare il software in modo che classifichi tra le 200 e le 800 immagini al secondo
Conclusioni
Il progetto svolto ha permesso di comprendere che lo sviluppo di una rete neurale ad-hoc per il proprio campo di applicazione necessita di ricerche approfondite e molti tentativi per ottimizzare i parametri alla tipologia di immagini interessata, compiti che richiedono molto più tempo di quello che era disponibile.
Questo ostacolo è stato superato grazie alla possibilità di fare transfer learning su reti pre-esistenti le quali, essendo allenate su un numero elevato di immagini, sono molto prestanti a livello generale, ovvero utilizzabili con dataset molto diversi fra loro.
In questo modo, gli obiettivi iniziali sono stati in buona parte raggiunti: è stata studiata la teoria delle deep neural networks, sono state identificate la rete e la libreria più adatta allo scopo ed è stato sviluppato un prototipo di classificatore in grado di categorizzare le immagini della melt pool con una accuratezza di oltre il 90%. Purtroppo, il software non soddisfa le specifiche che richiedevano la classificazione di almeno 200 immagini al secondo, restando leggermente sotto questo valore (187 immagini al secondo).
Machine learning applicato al 3D printing
Correlatore
Daniele Chiericati
Committente
