Identificazione di anomalie visive basata sull'apprendimento automatico

Abstract

Questa tesi esplora l'uso delle reti neurali per identificare le anomalie nelle immagini di prodotti farmaceutici. L'obiettivo primario è quello di ottenere prestazioni efficienti nella valutazione delle immagini in contesti industriali in cui i dati etichettati sono scarsi. La tecnologia adottata è una rete neurale specifica chiamata “Autoencoder”, adatta sia ad ambienti semi-supervisionati sia a input di grandi dimensioni come le immagini. I risultati indicano che anche con una quantità modesta di immagini disponibili, il modello raggiunge metriche di valutazione soddisfacenti, rendendolo un algoritmo valido per supportare le decisioni sull'opportunità di scartare il prodotto in questione. Inoltre, lo studio rivela che sfruttando l'apprendimento semi-supervisionato, in cui il modello è esposto solo a un sottoinsieme di dati etichettati, le prestazioni migliorano in modo significativo, anche con dati limitati.In conclusione, la ricerca dimostra che gli autoencoder sono molto efficaci per il rilevamento delle anomalie nelle immagini dei prodotti farmaceutici, offrendo una soluzione pratica sia in ambienti non supervisionati che semi-supervisionati. Questo approccio può migliorare significativamente i processi di controllo della qualità, garantendo una maggiore affidabilità e sicurezza nella produzione farmaceutica. Il lavoro futuro potrebbe concentrarsi sull'ulteriore ottimizzazione del modello e sull'esplorazione della sua applicazione ad altri tipi di attività di ispezione industriale.

This thesis explores the use of neural networks to identify anomalies in images of pharmaceutical products. The primary objective is to achieve efficient image evaluation performance in industrial contexts where labeled data is scarce. The technology adopted is a specific neural network called an "Autoencoder," which is suitable for both semi-supervised environments and large-dimensional inputs like images. The results indicate that even with a modest amount of available images, the model achieves satisfactory evaluation metrics, making it a viable algorithm to support decisions on whether to discard the product in question. Furthermore, the study reveals that by leveraging semi-supervised learning, where the model is exposed to only a subset of labeled data, the performance improves significantly, even with limited data.In conclusion, the research demonstrates that Autoencoders are highly effective for anomaly detection in pharmaceutical product images, offering a practical solution in both unsupervised and semi-supervised settings. This approach can significantly enhance quality control processes, ensuring higher reliability and safety in pharmaceutical production. Future work could focus on further optimizing the model and exploring its application to other types of industrial inspection tasks.