Lella, Luigi
(2024)
Individuazione di difetti in manufatti industriali a partire da modelli sintetici.
[Laurea magistrale], Università di Bologna, Corso di Studio in
Ingegneria elettronica [LM-DM270], Documento full-text non disponibile
Il full-text non è disponibile per scelta dell'autore.
(
Contatta l'autore)
Abstract
Negli ultimi anni l'Anomaly Detection ha attirato attorno a sé un sempre maggiore interesse, portando alla nascita di applicazioni sempre più avanzate. Questo lavoro si concentra sulla creazione di un nuovo dataset innovativo che supera le limitazioni dei suoi predecessori e apre la strada verso nuovi sviluppi nell'ambito della rilevazione dei difetti. Il dataset creato è il primo ad essere multimodale e multivista, offre quindi diverse tipologie di dati provenienti da diverse angolazioni dell'oggetto. Questo approccio consente di avere una rappresentazione più completa degli oggetti migliorando la capacità dei modelli di deep learning di rilevare difetti nascosti o difficilmente visibili da una singola prospettiva. Il dataset inoltre integra una componente sintetica, realizzata in Blender, che può risultare molto utile in campo industriale dove uno scenario sytnh2real può risultare particolarmente utile quando l’acquisizione di dati risulta particolarmente complessa o costosa. Infine, si sono adattati alcuni modelli di VAD al caso multivista fornendo un modello base con cui confrontare lavori futuri.
Abstract
Negli ultimi anni l'Anomaly Detection ha attirato attorno a sé un sempre maggiore interesse, portando alla nascita di applicazioni sempre più avanzate. Questo lavoro si concentra sulla creazione di un nuovo dataset innovativo che supera le limitazioni dei suoi predecessori e apre la strada verso nuovi sviluppi nell'ambito della rilevazione dei difetti. Il dataset creato è il primo ad essere multimodale e multivista, offre quindi diverse tipologie di dati provenienti da diverse angolazioni dell'oggetto. Questo approccio consente di avere una rappresentazione più completa degli oggetti migliorando la capacità dei modelli di deep learning di rilevare difetti nascosti o difficilmente visibili da una singola prospettiva. Il dataset inoltre integra una componente sintetica, realizzata in Blender, che può risultare molto utile in campo industriale dove uno scenario sytnh2real può risultare particolarmente utile quando l’acquisizione di dati risulta particolarmente complessa o costosa. Infine, si sono adattati alcuni modelli di VAD al caso multivista fornendo un modello base con cui confrontare lavori futuri.
Tipologia del documento
Tesi di laurea
(Laurea magistrale)
Autore della tesi
Lella, Luigi
Relatore della tesi
Correlatore della tesi
Scuola
Corso di studio
Indirizzo
INGEGNERIA ELETTRONICA
Ordinamento Cds
DM270
Parole chiave
Anomaly detection,Visual anomaly detection,Machine Learning,Deep Learning,Dataset,Mvtec,eyecandies,3D rendering,Blender
Data di discussione della Tesi
7 Ottobre 2024
URI
Altri metadati
Tipologia del documento
Tesi di laurea
(NON SPECIFICATO)
Autore della tesi
Lella, Luigi
Relatore della tesi
Correlatore della tesi
Scuola
Corso di studio
Indirizzo
INGEGNERIA ELETTRONICA
Ordinamento Cds
DM270
Parole chiave
Anomaly detection,Visual anomaly detection,Machine Learning,Deep Learning,Dataset,Mvtec,eyecandies,3D rendering,Blender
Data di discussione della Tesi
7 Ottobre 2024
URI
Gestione del documento: