Sviluppo di un modello debolmente supervisionato a bassa complessità per la ricerca di anomalie in immagini

Il lavoro di questa tesi nasce dall’esigenza di rilevare difetti di produzione in ambito industriale tramite sensori di visione intelligenti, che si traduce in un problema di anomaly detection nelle immagini. Le tecniche allo stato dell’arte, come gli autoencoder convoluzionali, garantiscono ottimi risultati a fronte tuttavia di un’alta complessità. In questa tesi viene dunque proposto un modello di apprendimento supervisionato compatibile con i requisiti del contesto industriale. In particolare, ci si è posti l’obiettivo di sviluppare un modello in grado di essere addestrato con un numero limitato di esempi in tempi rapidi e con un basso consumo di risorse computazionali, capace di funzionare senza la presenza di parametri di configurazione. Tale modello si compone di un descrittore efficiente ed efficace per l’estrazione di feature dalle immagini e di un classificatore a valle. La scelta del classificatore è ricaduta sulla one-class SVM per via delle sue molteplici caratteristiche vantaggiose, tra cui la possibilità di essere addestrata in tempi rapidi. Per migliorare le performance del modello nella ricerca di anomalie, è stato prima messo a punto un metodo di data augmentation in grado di riprodurre le feature estratte dal descrittore tramite tecniche statistiche di sampling da distribuzioni discrete. In secondo luogo, sono state proposte nuove funzioni kernel per la one-class SVM in grado di sfruttare la struttura delle feature del descrittore al fine di avvicinare gli esempi simili e allontanare gli esempi diversi nello spazio delle feature. I risultati ottenuti dimostrano che il modello e le modifiche del modello proposte rappresentano una buona soluzione al problema di ricerca di anomalie nelle immagini capace di rispettare i requisiti di bassa complessità del contesto industriale.