Tecniche di raffinamento post-detection per anomaly detection: un approccio interattivo alla riduzione dei falsi positivi

Gli attuali sistemi di Anomaly Detection in ambito industriale sono progettati per segnalare come difettosa ogni deviazione dallo standard di riferimento; in questo modo finiscono per generare frequenti falsi positivi di fronte a variazioni morfologiche accettabili per la produzione. Le soluzioni tradizionali, basate su adapter supervisionati, risultano spesso rigide e operativamente onerose a causa della massiccia necessità di annotazione dei dati. Il presente lavoro di tesi si pone l'obiettivo di sviluppare un sistema che consenta all'utente di definire quali anomalie debbano essere considerate "tollerabili", garantendo che campioni analoghi non vengano erroneamente classificati come difettosi in futuro. Per mitigare la dipendenza da dati esplicitamente annotati, il metodo proposto introduce un approccio prevalentemente non supervisionato che consiste nell'ottimizzare i processi di estrazione e aggregazione delle feature con l'obiettivo di costruire uno spazio latente nel quale anomalie simili risultino vicine e difetti differenti siano maggiormente separati. Il sistema permette così di discriminare l'accettabilità di un campione calcolando la distanza nello spazio latente rispetto a difetti già validati dall'utente. I test sperimentali confermano una drastica riduzione dei falsi positivi su componenti a sfondo uniforme, trasformando la pipeline in uno strumento flessibile che riserva eventuali logiche di supervisione leggera ai soli casi di estrema ambiguità visiva.