Deep learning for defect detection

In the last years many attempts have been made to use neural networks on smaller datasets and few-shot environments. An area of particular interest concerns the detection of defects that emerge during manufacturing. This thesis tested and compared three different approaches on defect detection: metric learning with Siamese Networks, meta-learning with fine-tuning and patch embedding similarity. In order to have a better understanding of the characteristics and performances of these methodologies, each one has been tested both on the well-known MVTec dataset and the newly created S&h dataset. This newborn dataset better approximates a real world scenario, with images taken from a more complex object in a common reproducible environment. The tests highlighted both promising results and limits of each one of these approaches.

Negli ultimi anni sono stati fatti tanti tentativi di utilizzare le reti neurali su dataset più piccoli e contesti few-shot. Un’area di particolare interesse è rappresentata dal rilevamento dei difetti che emergono durante la produzione. Questa tesi ha testato e comparato tre differenti approcci al rilevamento dei difetti: metric learning con Reti Siamesi, meta-learning con fine-tuning e patch embedding similarity. Per avere una migliore visione d’insieme delle caratteristiche e delle prestazioni di queste metodologie, ognuna di queste è stata testata sia sul ben noto MVTec dataset, sia su un nuovo dataset chiamato “S&h dataset”. Questo nuovo dataset approssima meglio uno scenario reale, con immagini catturate da oggetti più complessi in un ambiente più comunemente riproducibile. I tests evidenziano sia alcuni risultati promettenti che limiti di ognuno dei sopracitati approcci.