Metodologia per l’ottimizzazione automatica e supervisionata della parametrizzazione di algoritmi di elaborazione di immagini

In the field of computer vision for industrial automation, the development of solutions capable of reducing the duration of business processes is of great importance. Software based on hand-crafted methodologies requires complex manual parameterization, which not only consumes a lot of time but also necessitates experts with deep knowledge of the algorithms. This thesis proposes a methodology to quickly, automatically, and supervisedly parameterize image processing algorithms, reducing the costs and time required. The research was conducted during an internship at the company Sistemi 2 Visione and was tested on their anomaly detection software, Zero$^d$. The developed methodology utilizes a black-box optimization approach, proposing and comparing two different optimizers: the Particle Swarm Optimizer and the global optimizer from the Dlib library. The results obtained on real samples are promising: the algorithm is able to automatically parameterize the profile analysis tool of Zero$^d$ in a matter of seconds, with an error comparable to that of manual parameterization by an expert operator, using very small training datasets (10-20 samples). This approach not only automates the parameterization process but also avoids the need to replace hand-crafted functions with more complex solutions like neural networks, which are often costly in terms of computational resources and require large training datasets. Additionally, neural networks do not guarantee the repeatability of results, a critical aspect for many customers who require explainable and reliable solutions to monitor and optimize the production chain. In the future, methodologies like the one proposed could enable the development of automated parameterization frameworks, preserving the efficiency, simplicity, and explainability of the code, while also ensuring full repeatability of the results.

Nell'ambito della computer vision per l'automazione industriale, lo sviluppo di soluzioni capaci di ridurre la durata dei processi aziendali è di grande importanza. I software basati su metodologie hand-crafted richiedono una complessa parametrizzazione manuale, che non solo consuma molto tempo, ma necessita anche di esperti con una profonda conoscenza degli algoritmi. Questa tesi propone una metodologia per parametrizzare velocemente, in maniera automatica e supervisionata, algoritmi di elaborazione di immagini, riducendo i costi e il tempo necessari. La ricerca è stata condotta durante un periodo di stage presso l'azienda Sistemi 2 Visione ed è stata testata sul loro software di anomaly detection, Zero$^d$. La metodologia sviluppata utilizza un approccio di ottimizzazione black-box, proponendo e confrontando due diversi ottimizzatori: il Particle Swarm Optimizer e l'ottimizzatore globale della libreria Dlib. I risultati ottenuti su campioni reali sono promettenti: l'algoritmo riesce a parametrizzare automaticamente il tool di analisi dei profili di Zero$^d$ in pochi secondi, con un errore comparabile a quello commesso nella parametrizzazione manuale da parte di un operatore esperto, utilizzando dataset di training molto ridotti (10-20 campioni). Questo approccio non solo automatizza il processo di parametrizzazione, ma evita anche la necessità di sostituire le funzioni hand-crafted con soluzioni più complesse come le reti neurali, che sono spesso costose in termini di risorse computazionali e richiedono grandi dataset di training. Inoltre, le reti neurali non garantiscono la ripetibilità dei risultati, un aspetto critico per molti clienti che necessitano di soluzioni spiegabili e affidabili per monitorare e ottimizzare la catena produttiva. In futuro, metodologie come quella proposta potrebbero consentire lo sviluppo di framework di parametrizzazione automatizzata, preservando l'efficienza, la leggerezza e la spiegabilità del codice, oltre a garantire la completa ripetibilità dei risultati.