RILEVAMENTO DI DIFETTI NEL CONTROLLO QUALITÀ DELLE CALZATURE ATTRAVERSO TECNICHE DI VISIONE ARTIFICIALE E DEEP LEARNING

This thesis aims to analyse and test different deep learning methods to build an artificial intelligence model capable of supporting quality control in the footwear sector. In particular, the primary aim is to autonomously identify the various defects present in footwear that could be dangerous and cause harm to the final consumer (needles, nails, etc.). The thesis is carried out in collaboration with the company Brustia Alfameccanica SRL, a company from Vigevano that has been present in the footwear mechanical sector for over 60 years. For quality control, the company produces machines with X-ray scanners, capable of detecting dangerous nails or staples by returning grayscale images that will then be inspected by the operator. The images acquired by the machine are automatically saved on the supplied PC. These images were used as a starting dataset to build the models and therefore they represent the base of all the work done; they were analysed with two methods, Anomaly detection and Defect detection, using various code libraries and frameworks, which will be listed throughout the thesis. Defect detection method is a variant of Object detection, adopted for this project, that involves a single class: the anomaly. The aim of the thesis is to propose two detection methods that, through deep learning and computer vision, can provide support to the operator present on the quality control machine in finding potential defects. The two approaches have advantages and disadvantages, in this specific case it will be seen that Defect detection represents the best solution, resulting more accurate in identifying anomalies in this specific field.

Questa tesi ha l'obiettivo di analizzare e provare vari metodi di deep learning per costruire un modello di intelligenza artificiale in grado di supportare il controllo qualità nel settore calzaturiero. In particolare, l'obiettivo primario è quello di identificare autonomamente i vari difetti presenti nelle calzature che potrebbero rivelarsi pericolosi e arrecare danno al consumatore finale (aghi, chiodi, ecc.). La tesi è svolta in collaborazione con l'azienda Brustia Alfameccanica SRL, azienda vigevanese presente nel settore meccanico calzaturiero da oltre 60 anni. Per il controllo qualità, l'azienda produce macchine con scanner a raggi X, in grado di rilevare chiodi o difetti pericolosi restituendo immagini in scala di grigi, ispezionate poi da un operatore. Le immagini acquisite dalla macchina sono salvate automaticamente sul PC in dotazione. Queste immagini vengono utilizzate come dataset di partenza per la costruzione dei modelli e quindi rappresentano la base di tutto il lavoro svolto; sono state analizzate con due metodi, Anomaly detection e Defect detection, utilizzando varie librerie di codice e framework, che saranno elencati nel corso della tesi. Il metodo Defect detection è una variante del metodo Object detection, adottata per questo progetto, che prevede una singola classe: l’anomalia. L'obiettivo è quello di proporre due metodi che, attraverso il deep learning e la visione artificiale, possano fornire supporto all'operatore presente sulla macchina di controllo qualità nella ricerca di potenziali difetti. I due approcci presentano vantaggi e svantaggi, in questo caso specifico si vedrà che il Defect detection rappresenta la soluzione migliore, risultando più accurato nell'identificare anomalie in questo specifico campo.