Aumento di dati sintetici mediante GANs per il miglioramento del task di classificazione di textures in un caso d'uso reale di Industria 4.0

The thesis, focused in performing a Supervised Q.C. (quality control) Multi-class classification task, originated from a specific company’s demand (Benelli Armi S.p.a. Sec.1.2). In particular, the aim of this work is to classify rifle stocks quality grades, in order to correctly following all the procedure to finally sell the final shotgun with different prices depending on the quality of the rifle stock itself. It has to be underlined one of the problems acting in these kind of Deep Learning experiments, which is, in this particular case of study, the Unbalanced dataset of input samples used to train the classifier network. The goal of the project will be the design of two Data Augmentation strategies in order to balancing the training set, and at the same time improve the prediction task of quality classes. To achieve this end, the implementation of an Online Data Augmentation approach is implemented, based on CV techniques (ON.-D.A.-C.V.T). On the other side a GAN (Generative Adversarial Learning) architecture will be carried out to perform an offline Data Augmentation (OFF.-D.A.-GAN), in order to augment the amount of images for minority classes later used to train a VGG16 classifier to achieve the best results possible in accuracy. Both of the Data Augmentation strategies will take advantage of the training set, the same used also for the Classification task. Results obtained on a real-use case dataset demonstrate that the online D.A. ap- proach based on the basic CV transformations obtained greater results compared to the offline D.A. based on GAN regarding the classification predictions results. At the same time it’s guaranteed a reduction of the memory resources needed to complete the training phase as well as a lower computational complexity.

La tesi, incentrata sull’esecuzione di un compito di classificazione multiclasse di tipo Supervised Q.C. (controllo qualità), nasce dalla richiesta di una specifica azienda (Benelli Armi S.p.a. Sec.1.2). In particolare, l’obiettivo di questo lavoro è quello di classificare i gradi di qualità dei calci dei fucili, in modo da seguire correttamente tutta la procedura per arrivare a vendere il fucile finale con prezzi diversi a seconda della qualità del calcio del fucile stesso. Va sottolineato uno dei problemi che agiscono in questo tipo di esperimenti di Deep Learning, che è, in questo particolare caso di studio, il dataset non bilanciato di campioni di input utilizzati per addestrare la rete del classificatore. L’obiettivo del progetto sarà la progettazione di due strategie di Data Augmenta- tion al fine di bilanciare il set di addestramento e, allo stesso tempo, migliorare il compito di predizione delle classi di qualità. Per raggiungere questo obiettivo, viene implementato un approccio di Online Data Augmentation, basato su tecniche CV. Dall’altro lato, un’architettura GAN (Gen- erative Adversarial Learning) sarà utilizzata per eseguire un Data Augmentation offline, al fine di aumentare la quantità di immagini delle classi minoritarie utiliz- zate successivamente per addestrare un classificatore VGG16 e ottenere i migliori risultati possibili in termini di accuratezza. Entrambe le strategie di Data Augmen- tation sfrutteranno il set di addestramento, lo stesso utilizzato anche per il compito di classificazione. I risultati ottenuti dal dataset di un reale caso di studio dimostrano che l’approccio D.A. online basato sulle trasformazioni CV di base ha ottenuto risultati maggiori rispetto al D.A. offline basato su GAN per quanto riguarda i risultati delle previsioni di classificazione. Allo stesso tempo è stata garantita una riduzione delle risorse di memoria necessarie per completare la fase di addestramento garantendo allo stesso tempo una minore complessità computazionale.