Visual anomaly detection: un’analisi comparativa sull'evoluzione di metodi e dataset per applicazioni industriali

La crescente automazione industriale ha reso il visual anomaly detection (il rilevamento automatico di difetti visivi) un problema centrale nel controllo qualità. La sfida di questo task è data dalla natura dei dati disponibili: i difetti sono rari e variabili nelle loro possibilità, portando ad avere solo campioni normali durante l’addestramento. La tesi propone un'analisi comparativa dell'evoluzione di metodi e dataset per il visual anomaly detection industriale, dal 2017 al 2025. Dopo aver introdotto i fondamenti teorici del machine learning, delle reti neurali convoluzionali e del transfer learning, viene ripercorso cronologicamente lo sviluppo dei principali approcci di deep learning: dai metodi generativi basati su GAN e autoencoder, ai metodi feature-based con backbone pre-addestrati (PaDiM, SPADE, PatchCore), fino ai normalizing flow, alle tecniche di sintesi sintetica di anomalie (CutPaste, DRAEM), ai modelli student-teacher avanzati (EfficientAD, RD++) e ai vision-language model (WinCLIP, AnomalyCLIP). Viene inoltre analizzata l'anomaly detection su dati tridimensionali, con metodi feature-based per point cloud e framework multimodali RGB+3D. Allo stesso tempo, viene tracciata l'evoluzione di quattordici benchmark standardizzati, da MVTec AD fino ai dataset più recenti che introducono anomalie logiche, dati 3D e condizioni operative reali. Il panorama che emerge è quello di un campo ancora in crescita, in cui l'integrazione multimodale, la generalizzazione cross-domain e il passaggio da sistemi di semplice detection a maggiore comprensione rappresentano le direzioni di ricerca più rilevanti per il futuro.