Deep learning for industrial quality inspection: an unsupervised approach to defect detection

In recent years, with the advent of new deep learning techniques, industrial environments have placed significant emphasis on process automation and improving existing solutions to problems from a production perspective. In these contexts, the main challenge in applying deep learning techniques lies in the limited amount of data available for model training, as exemplified by the detection and localization of defects within a production line through visual inspection. The first objective is to study the applicability of unsupervised anomaly detection techniques for detecting defects in images, applying methods to real data collected in a business context. To better understand the capabilities of these methods and their best characteristics, the models were evaluated using a well-known reference dataset in the field of anomaly detection, and subsequently, they were evaluated on a dataset provided by S\&H company that recreated a real scenario as closely as possible. The use of a dataset designed for a real scenario highlighted the weaknesses of these methods, making data preparation work important and necessary to obtain the best results. A more complex dataset was also collected and prepared, representing the most extreme cases in a real scenario, allowing us to highlight the critical issues of these methods and possible improvements that can be made. The second objective of this work of thesis is to recreate a real usage scenario of these methods by implementing a real-time defect localization system using a virtual reality device like the Hololens 2, and visualizing the results within the virtual environment. The conducted experiments demonstrated the potential of these methods, and the difficulties encountered in applying them in a real context. Finally, through a strict collaboration with a company specialized in design and development of hardware systems, the implemented real-time defect detection system proved to be effective in localizing defects in a real industry scenario.

Negli ultimi anni, con l'avvento di nuove tecniche di deep learning, in ambito industriale si è posta molta attenzione sull'automatizzazione di processi, e su come migliorare le già esistenti soluzioni ai problemi dal punto di vista produttivo. In questi contesti la difficoltà principale nell'applicare le tecniche di deep learning risiede nella poca quantità di dati disponibili per l'addestramento dei modelli, basti pensare ad esempio al riconoscimento e localizzazione di difetti all'interno di una linea di produzione tramite ispezione visiva. Il primo obiettivo è studiare l'applicabilità di tecniche non supervisionate di anomaly detection per il problema di rilevazione di difetti all'interno di immagini, applicando metodi su dati reali raccolti all'interno di un contesto aziendale. Per capire meglio le capacità di questi metodi e le loro caratteristiche migliori, i modelli sono stati valutati secondo un dataset di riferimento ben conosciuto nel campo dell'anomaly detection, e successivamente, sono stati valutati su un dataset fornito dall'azienda S&H che ricreasse il più possibile uno scenario reale. L'utilizzo di un dataset pensato per uno scenario reale ha messo in risalto i punti deboli di questi metodi, rendendo importante e necessario un lavoro di preparazione dei dati affinché si ottenessero i risultati migliori. E' stato inoltre raccolto e preparato un dataset più complesso, che rappresentasse i casi più estremi in uno scenario reale, dando modo di mettere in luce le criticità di questi metodi e le possibili migliorie che si possono apportare. Il secondo obiettivo di questo lavoro di tesi è quello di ricreare uno scenario reale di utilizzo di questi metodi implementando un sistema di localizzazione di difetti in tempo reale tramite un visore virtuale come l'Hololens 2, e di visualizzazione dei risultati all'interno dell'ambiente virtuale. Gli esperimenti condotti hanno dimostrato le potenzialità di questi metodi, e le difficoltà che si incontrano nell'applicarli in un contesto reale. Infine, attraverso una stretta collaborazione con un'azienda specializzata nella progettazione e nello sviluppo di sistemi hardware, il sistema di rilevamento dei difetti in tempo reale implementato si è dimostrato efficace nella localizzazione dei difetti in uno scenario industriale reale.