Industrial tactile dataset for unsupervised anomaly detection of small defects: experimental comparisons

Automated inspection of industrial micro-components is challenging when defects are subtle and geometry-driven, as standard RGB cameras provide weak cues at small scales. Vision-based tactile sensing addresses this limitation by capturing surface relief through contact; however, it also introduces variability in placement, pose, and contact conditions. This thesis investigates whether unsupervised feature-embedding methods for anomaly detection and localization can be reliably transferred to tactile data under realistic operating constraints. A dedicated dataset is collected with a GelSight Mini sensor on five micro-component categories (PZ1–PZ5) from a real industrial context, where inspection is difficult due to the very small size of the parts and is often performed manually or with dedicated inspection/metrology machines, with high cost and limited flexibility. The dataset includes repeated nominal acquisitions and defective samples with different defect types. Four representative feature-embedding approaches (SPADE, PaDiM, FAPM, and InReaCh) are implemented and compared using detection and localization metrics, with emphasis on low-false-alarm localization. Three deployment-oriented validations are conducted. The Good Fraction analysis estimates, for each method and component, the minimum fraction of nominal (good) training data required for performance to stabilize, i.e., to reach a plateau in pixel-level metrics as nominal data increase; Cross-position evaluation highlights a non-trivial distribution shift: zero-shot transfer can degrade anomaly-map consistency, whereas few-shot target-position nominal data mitigates the mismatch. A low- vs high resolution comparison indicates a practical trade-off: higher resolution can reveal finer cues, but gains depend on the method and tiled inference strategy and are not uniform across components. Overall, this thesis introduces the first dataset specifically designed for anomaly detection with a vision-based tactile sensor in an industrial micro-component inspection setting. The results show that feature-embedding methods can be effective on tactile data and, together with the proposed dataset and validation protocol, provide a first concrete step toward industrial use of vision-based tactile sensing for automated inspection.

L’ispezione automatizzata di microcomponenti industriali è complessa quando i difetti sono sottili e basati sulla geometria, poiché le telecamere RGB standard forniscono segnali deboli su piccola scala. La rilevazione tattile basata sulla visione affronta questa limitazione catturando il rilievo superficiale tramite contatto; tuttavia, introduce anche variabilità nel posizionamento, nella posa e nelle condizioni di contatto. Questa tesi indaga se i metodi di feature-embedding non supervisionati per il rilevamento e la localizzazione di anomalie possano essere trasferiti in modo affidabile ai dati tattili in condizioni operative reali. Un set di dati dedicato viene raccolto con un sensore GelSight Mini su cinque categorie di microcomponenti (PZ1–PZ5) da un contesto industriale reale, dove l’ispezione è difficile a causa delle dimensioni molto ridotte dei pezzi e viene spesso eseguita manualmente o con macchine di ispezione/metrologia dedicate, con costi elevati e flessibilità limitata. Il set di dati include acquisizioni nominali ripetute e campioni difettosi con diverse tipologie di difetti. Quattro approcci rappresentativi di feature-embedding (SPADE, PaDiM, FAPM e InReaCh) vengono implementati e confrontati utilizzando metriche di rilevamento e localizzazione, con particolare attenzione alla localizzazione con un basso numero di falsi allarmi. Vengono condotte tre validazioni orientate al deployment. L’analisi Good Fraction stima, per ciascun metodo e componente, la frazione minima di dati di addestramento nominali (buoni) necessari affinché le prestazioni si stabilizzino, ovvero raggiungano un plateau nelle metriche a livello di pixel con l’aumento dei dati nominali; La valutazione cross-position evidenzia uno spostamento di distribuzione non banale: il trasferimento a zero-shot può degradare la coerenza della mappa delle anomalie, mentre i dati nominali sulla posizione del bersaglio con pochi-shot mitigano la discrepanza. Un confronto tra bassa e alta risoluzione indica un compromesso pratico: una risoluzione più elevata può rivelare indizi più fini, ma i guadagni dipendono dal metodo e dalla strategia di inferenza a mosaico e non sono uniformi tra i componenti. Nel complesso, questa tesi introduce il primo set di dati specificamente progettato per il rilevamento di anomalie con un sensore tattile basato sulla visione in un contesto di ispezione di microcomponenti industriali. I risultati mostrano che i metodi di feature-embedding possono essere efficaci sui dati tattili e, insieme al set di dati e al protocollo di convalida proposti, rappresentano un primo passo concreto verso l’uso industriale del rilevamento tattile basato sulla visione per l’ispezione automatizzata.