IMPLEMENTAZIONE DI MODELLI DI DEEP LEARNING PER IL RICONOSCIMENTO AUTOMATICO DELLE FEATURE DI PROCESSO NELLA DIRECTED ENERGY DEPOSITION

L’Additive Manufacturing è oggi ampiamente impiegato per la produzione e la riparazione di componenti metallici, grazie alla sua flessibilità progettuale e alla riduzione degli sprechi di materiale. Tra le tecnologie basate su laser, la Directed Energy Deposition (DED) rappresenta una soluzione particolarmente versatile, ma presenta criticità legate al controllo della qualità del processo e del prodotto finale. La complessità delle interazioni tra laser, materiale di apporto, ugello e substrato rende infatti necessario lo sviluppo di sistemi di monitoraggio in-situ e in tempo reale. Il presente lavoro di tesi si propone di affrontare tale esigenza mediante un approccio basato su tecniche di Intelligenza Artificiale applicate all’analisi di immagini del processo di deposizione. La metodologia adottata ha previsto l’estrazione di fotogrammi sequenziali da video sperimentali, la loro etichettatura in relazione agli elementi di interesse, quali ugello, fascio laser, deposizione e melt pool, e il successivo addestramento di un modello di Deep Learning per l’Object Detection. I risultati ottenuti mostrano la capacità dell’algoritmo di identificare e tracciare dinamicamente le principali regioni coinvolte nel processo. Questo costituisce un primo passo verso la misura automatizzata di parametri critici e lo sviluppo di sistemi intelligenti per il rilevamento tempestivo di condizioni anomale, contribuendo al miglioramento dell’affidabilità e della qualità della deposizione.