Estrazione di feature da disegni meccanici per l'automazione della generazione di report di collaudo all'interno del framework Industry 4.0

Abstract

Nell'era dell'Industria 4.0, i processi produttivi richiedono sempre più un controllo qualità automatizzato e basato sui dati per colmare il divario tra l'intento progettuale e la realtà produttiva. I disegni di ingegneria meccanica, in quanto progetti definitivi per i componenti di precisione, codificano dimensioni critiche, tolleranze e simboli di dimensionamento e tolleranza geometrica (GD&T) essenziali per l'ispezione e la conformità. Tuttavia, l'estrazione manuale di queste informazioni rimane un collo di bottiglia che richiede un intenso lavoro, soggetto a errori e ritardi, in particolare in settori ad alta criticità come la produzione di energia. Questa tesi sviluppa e convalida un nuovo strumento software di intelligenza ibrida per automatizzare la reportistica di qualità, estraendo e correlando i dati dimensionali da file CAD e disegni PDF accoppiati. Lo strumento previene strutturalmente gli errori di trascrizione attraverso un flusso di lavoro di selezione obbligatorio incentrato sull'operatore (human-in-command), in cui solo gli elementi confermati dall'utente vengono inseriti nell'output finale.

Lo strumento sviluppato è un'applicazione desktop standalone creata in Python, che combina un'interfaccia grafica (GUI) Flask/pywebview con un backend di elaborazione multifase. La pipeline comprende: l'analisi deterministica (parsing) dei file IGES per tokenizzare dimensioni e tolleranze; l'estrazione di testo vettoriale dai PDF tramite PyMuPDF per catturare il contesto spaziale e semantico; un algoritmo di corrispondenza euristica che valuta i raggruppamenti di testo candidati in base a prossimità, orientamento e ordine di lettura; visione artificiale mirata tramite template matching di OpenCV per i simboli grafici in aree di ricerca definite programmaticamente; e la classificazione basata su LLM dei riquadri di controllo delle caratteristiche GD&T (feature control frames) utilizzando prompt ingegnerizzati con esempi few-shot e regole di disambiguazione. I ri

In the era of Industry 4.0, manufacturing processes increasingly demand automated, data-driven quality assurance to bridge the gap between design intent and production reality. Mechanical engineering drawings, as the definitive blueprints for precision components, encode critical dimensions, tolerances, and Geometric Dimensioning and Tolerancing (GD&T) symbols essential for inspection and compliance. However, manual extraction of this information remains a labor-intensive bottleneck, prone to errors and delays, particularly in high-stakes sectors like power generation. This thesis develops and validates a novel hybrid intelligence software tool for automating quality reporting by extracting and correlating dimensional data from paired CAD files and PDF drawings. The tool structurally prevents transcription errors through a mandatory human-in-command selection workflow, where only user-confirmed elements enter the final output. The developed tool is a standalone desktop application built in Python, combining a Flask/pywebview GUI with a multi-stage processing backend. The pipeline comprises: deterministic IGES parsing to tokenize dimensions and tolerances; vector-text extraction from PDFs via PyMuPDF capturing spatial and semantic context; a heuristic matching algorithm scoring candidate text groupings by proximity, orientation, and reading order; targeted computer vision via OpenCV template matching for graphical symbols in programmatically defined search regions; and LLM-based classification of GD&T feature control frames using engineered prompts with few-shot examples and disambiguation rules. Feature control frames are isolated as image snippets for user review. The GUI enables intuitive cropping, annotation, and Excel report generation that mirrors pre-existing inspection templates. Validated through a case study at Ansaldo Energia using 10 diverse technical drawings, the system demonstrated 98% accuracy in automated suggestions, high final report accuracy by ar