Ricerca delle anomalie nei prodotti industriali tramite immagini

In recent years, for manufacturing companies, the quality of the prod- uct is a topic problem. First, the defected component may damage their reputation. Second one, this kind of activity implies high costs of dedicated persons that spend their time to make a visual check of the single compo- nent. Historically, the major of anomaly detection tasks are performed by humans, which suffers from the following disadvantages: • It is impossible to avoid human fatigue, resulting in a false positive phenomenon. • Long and intensive work on anomaly detection may cause health prob- lems, such as visual impairment. • Locating anomalies requires a significant number of employees, raising operational costs. The detection of anomalous structures in natural image data is of utmost importance for numerous tasks in the field of computer vision. With the recent advances in deep learning-based Image Anomaly Detection (IAD), the rapid development of deep learning can bring the capabilities of Image Anomaly Detection (IAD) to the factory floor. In the modern manufac- turing process, IAD tries to detect defected products, using modern Deep Learning techniques, that have received good results, and most of these methods are more than 97% accurate.

Negli ultimi anni, per le aziende manifatturiere, la qualit`a del prodotto `e diventata una questione centrale. In primo luogo, un componente difet- toso pu`o danneggiare la reputazione del brand; in secondo luogo, il con- trollo qualit`a comporta costi elevati dovuti all’impiego di personale dedicato all’ispezione visiva di ogni singolo pezzo. Storicamente, la maggior parte delle attivit`a di rilevamento delle anoma- lie viene eseguita da operatori umani, una pratica che presenta i seguenti svantaggi: • ` E impossibile evitare l’affaticamento umano, il che porta al fenomeno dei falsi positivi (o errori di valutazione). • Il lavoro prolungato e intensivo sul rilevamento delle anomalie pu`o causare problemi di salute, come l’indebolimento della vista. • La localizzazione delle anomalie richiede un numero elevato di dipen- denti, aumentando sensibilmente i costi operativi. L’individuazione di strutture anomale in dati d’immagine naturali `e di fondamentale importanza per numerosi compiti nel campo della computer vision. Grazie ai recenti progressi nel rilevamento delle anomalie d’immagine basato sul deep learning Image Anomaly Detection (IAD) [1], il rapido sviluppo di queste tecnologie pu`o portare tali capacit`a direttamente all’interno dei processi di fabbrica. Nel moderno settore manifatturiero, la IAD [1] punta a individuare i prodotti difettosi utilizzando tecniche avanzate di Deep Learning che hanno gi`a ottenuto ottimi risultati, con una precisione che nella maggior parte dei casi supera il 97%.