Rilevazione di anomalie da immagini mediante deep-learning

Il presente documento di tesi illustra le tecniche, i modelli e le soluzioni impiegate per far fronte al problema dell’individuazione di anomalie relative alla produzione industriale di componenti elettronici tramite tecniche di Computer Vision e Deep Learning. L'individuazione delle anomalie, o anomaly detection, è un campo di studio molto vasto dove la complessità delle soluzioni da impiegare è fortemente dipendente dal contesto in cui vengono applicate. In questo caso infatti, la scarsa quantità di dati a disposizione e la ridotta dimensione delle anomalie all'interno delle immagini ne rende particolarmente complessa l’individuazione. Lo studio di possibili soluzioni è partito dai modelli basati sull'architettura GAN, Generative Adversarial Network. I risultati ottenuti con uno dei modelli più promettenti, denominato GANomaly, hanno dimostrato le ottime capacità della rete quando addestrata con la giusta parametrizzazione. Purtroppo però l’impossibilità del modello di andare ad evidenziare nell'immagine le anomalie da esso identificate, ha portato allo studio di altri tipi di architetture, i Variational Autoencoders. Gli approcci basati su autoencoders hanno eguagliato i risultati ottenuti da GANomaly, dando in più la possibilità di verificare la correttezza delle anomalie individuate. Infine, nel tentativo di sopperire alla scarsità di immagini, si sono tentati vari approcci di data augmentation per ingrandire le dimensioni del dataset e migliorare i risultati ottenuti, nonché verificare la robustezza dei modelli realizzati. Inizialmente si è optato per augmentation classica, quindi basata su trasformazioni geometriche, per poi passare ad approcci parametrizzati come DCGAN e WGAN. Tuttavia, in entrambi i casi la capacità di generare immagini sintetiche non è stata abbastanza efficace da poter essere utilizzata con successo per addestrare reti di anomaly detection.