Analysis and implementation of a synthetic data generation system for image processing in industrial anomaly detection applications

This thesis investigates automated visual defect detection in an industrial woodworking sizing process, with an emphasis on the practical problem of limited and imbalanced defect data in real production imagery. To address data scarcity and label ambiguity at full-image scale, the work constructs a tile-based dataset and develops a modular pipeline that separates preprocessing, augmentation/synthesis, model training, and evaluation. The study compares classical augmentations (including pixel-wise and ROI-based transformations) with generative approaches for defect synthesis, covering GANs, CycleGANs, and diffusion models, and evaluates their impact in both supervised classification and unsupervised anomaly detection. On the supervised side, experiments benchmark an ImageNet-pretrained ResNet18 classifier, showing that transfer learning achieves very high accuracy on real tiles and remains strong even when trained using synthetically generated defects. On the unsupervised side, the work focuses on PatchCore and related feature-based methods, reporting high image-level separability and analyzing robustness when the nominally “normal” training set is contaminated with ambiguous or mislabeled tiles. Finally, the results are discussed from a deployment perspective, highlighting trade-offs between augmentation realism and cost, the role of preprocessing and backbone choices, and how anomaly maps can support semi-automatic dataset auditing and relabeling in iterative industrial workflows.

Questa tesi studia l’ispezione visiva automatizzata dei difetti nel processo industriale di sizing del legno, concentrandosi sulle difficoltà tipiche dei contesti produttivi: scarsità di esempi difettosi, forte sbilanciamento tra classi e ambiguità nelle etichette. Per ridurre l’ambiguità della supervisione a livello di immagine intera, il lavoro costruisce un dataset a tasselli (tiles) e propone una pipeline modulare che separa preprocessing, augmentazione/generazione, training e valutazione. Vengono confrontate tecniche di augmentazione classiche (trasformazioni pixel-wise e basate su ROI) e approcci generativi per la sintesi di difetti, includendo GAN, CycleGAN e modelli di diffusione, valutandone l’impatto sia nella classificazione supervisionata sia nel rilevamento non supervisionato di anomalie. Nel contesto supervisionato, si analizzano un classificatore ResNet18 con transfer learning, osservando prestazioni molto elevate sui dati reali e risultati competitivi anche quando i difetti sono generati sinteticamente. Nel contesto non supervisionato, l’analisi si concentra su PatchCore, misurando un’elevata separabilità a livello immagine e studiando in modo quantitativo la robustezza in presenza di impurità nel training set “normale” (tasselli ambigui o etichettati in modo errato). I risultati vengono infine discussi in ottica di deploy industriale, evidenziando compromessi tra realismo e costo della generazione, l’influenza di preprocessing e backbone, e l’utilità delle mappe di anomalia per supportare auditing e rilabelizzazione semi-automatica dei dati.