Segmentazione semantica per la rilevazione di difetti superficiali nel controllo qualità industriale mediante Deep Learning

In the context of industrial quality control, the adoption of deep learning has helped to solve challenges such as the detection of defects on the surface of materials. One of the crucial issues for deep learning-based approaches is the need for large amounts of annotated data for learning. Sourcing large amounts of annotated data often proves problematic or excessively expensive. In addition, it is particularly problematic to find samples of defective surfaces because of the inherent rarity of some defects, which is characteristic of modern manufacturing processes. Consequently, a highly unbalanced ratio of preponderant non-defect samples to underrepresented defect samples must be taken into account, especially for some specific defect types. This work aims to develop a surface defect detection system using deep learning techniques. Specifically, the defect detection problem is formulated as a surface image segmentation problem using a U-Net type convolutional autoencoder. The proposed architecture was trained on a public dataset containing 356 different types of surface defects, which is highly unbalanced in the ratio of positive to negative samples. The dataset consists of 3336 surface images and respective masks acquired in a controlled industrial environment, thus representing a realistic situation. The performance of the architecture was quantitatively evaluated in terms of defect segmentation accuracy, yielding results in line with the state of the art in the domain.

Nel contesto del controllo di qualità industriale, l'adozione del deep learning ha contribuito a risolvere sfide come la rilevazione di difetti sulla superficie di materiali. Uno degli aspetti cruciali per gli approcci basati su deep learning è la necessità di una vasta quantità di dati annotati per l'apprendimento. Reperire grandi quantità di dati annotati spesso si rivela problematico o eccessivamente costoso. Inoltre, è particolarmente problematico reperire campioni di superfici difettose a causa della intrinseca rarità di alcuni difetti, caratteristica dei processi di manufacturing moderni. Di conseguenza, è da prendere in conto un rapporto fortemente sbilanciato tra i campioni non difettosi preponderanti e campioni difettosi sotto rappresentati, specialmente per alcuni tipi di difetto specifici. Questo lavoro si propone di sviluppare un sistema di rilevamento di difetti di superficie tramite tecniche di deep learning. In particolare, il problema del rilevamento del difetto viene formulato come un problema di segmentazione dell'immagine di superficie utilizzando un autoencoder convoluzionale di tipo U-Net. L'architettura proposta è stata addestrata su un dataset pubblico contenente 356 tipi di difetti di superficie diversi, fortemente sbilanciato nel rapporto fra campioni positivi e negativi. Il dataset consiste in 3336 immagini di superficie e rispettive maschere acquisite in un ambiente industriale controllato, rappresentando così una situazione realistica. La performance dell'architettura è stata quantitativamente valutata in termini di accuratezza di segmentazione del difetto, dando risultati in linea con lo stato dell'arte nel dominio.