Predizione dell'origine geografica di Oli di Oliva tramite tecniche di Deep Learning per l'elaborazione di immagini

L'olio extravergine d'oliva è uno dei prodotti alimentari più diffusi e apprezzati al mondo. Tuttavia, negli ultimi anni si è assistito ad un aumento delle frodi nel mercato globale, che rappresentano una minaccia per la salute dei consumatori e per l'intera filiera produttiva. Le frodi riguardanti l'olio extravergine d'oliva possono assumere diverse forme e, in questo contesto, diventa essenziale individuarle e prevenirle. Le tecniche di Deep Learning permettono di apprendere dalle caratteristiche chimiche dell'olio e di predire la provenienza geografica. Tale capacità è alla base dell'individuazione e contrasto dell frodi in quest'ambito. In particolar modo, l'utilizzo di reti neurali basati sull'elaborazione di immagini permettono di effettuare uno studio in questo senso. L'obiettivo della tesi è la predizione dell'origine geografica degli oli d'oliva a partire dalle immagini dei grafici relativi alla composizione chimica dell'olio, ottenuti dalle analisi chimiche di quest'ultimi. Per effettuare tale analisi, sono stati confrontati tre differenti modelli preaddestrati di Deep Learning emergenti: MLP-Mixer, ResNet e Vision Transformer. Lo scopo di questo confronto è quello di osservare come essi modellano il problema e di ottenere il modello migliore. La scelta di quest'ultimo si è basata sulla capacità di generalizzare i dati senza rischiare overfitting, di convergere il più velocemente possibile verso il minimo errore e la capacità di elaborare immagini che rappresentano grafici della composizione chimica dell'olio. A seguito della determinazione del miglior modello che più si adatta al problema trattato, si sono utilizzate due versioni di tale modello: una base e una small. Queste differiscono per la loro configurazione e complessità. I risultati ottenuti dall'addestramento e dall'inferenza delle due versioni del modello sono stati confrontati e analizzati, contestualizzandoli rispetto alla quantità di dati a disposizione dell'analisi condotta in questa tesi.