Facoltà: Ingegneria Gestionale - classe LM-31
Collocazione: 20934
Autore: Castaldi Matteo
Data: 16/12/2022
Titolo: Object Detection per la produttività: potenzialità, limiti e futuri sviluppi
Relatore: Pirovano Giovanni Luca
Autorizzazione per la consultazione: SI
Le tesi si possono consultare unicamente in sede
Lo studio verte sulla configurazione di un algoritmo di Object Detection, che riesca ad ottimizzare le prestazioni della fabbrica. In particolare, ci si concentra sulle operazioni di assemblaggio di un prodotto, valutandone la conformità. Tramite l'impiego di modelli predittivi si acquisiranno informazioni circa la qualità dell'output di produzione, automatizzandone il controllo, migliorando le prestazioni ed evitando gli errori che possono essere associati alla natura umana, tra cui distrazione o stanchezza. Per il raggiungimento del target prefissato si sono utilizzati servizi abilitanti l'Intelligenza Artificiale, quali l'Object Detection e algoritmi di Machine Learning, al fine di addestrare un modello, che potesse avere come input una raccolta di immagini e potesse dare come output delle informazioni comprensibili, anche per il singolo operatore. Nel percorso che porta al raggiungimento dell'obiettivo, sono stati ricavati due modelli che permettono di identificare i range che delimitano i valori inferiori o superiori ammissibili per ogni ruolo. Nel primo caso, erano presenti dei buoni risultati, con pochi falsi negativi, ma soprattutto con qualche falso positivo. Questi ultimi non solo influenzavano le dimensioni di deviazione standard, ma sporcavano le informazioni ricavate. Il successivo modello, che richiedeva un cambiamento dal punto di vista della strategia e del modello predittivo, eliminava tutti i falsi positivi, mantenendo un livello comunque molto basso di falsi negativi (2%). Gli accorgimenti proposti al secondo permettono di standardizzare gli input, che si concentrano sul campo a disposizione, senza le distrazioni esterne, e permettono una precisione migliore al primo. Difatti, a partire da questo modello, si è creato un algoritmo che analizzasse le immagini e definisse se queste fossero corrette o meno, indicando quali fossero le aste di riferimento. Questo, inoltre, prevede di analizzare la correttezza del prodotto a prescindere dal punto di vista con cui lo si guarda, riscontrando una soluzione per tutti gli scenari possibili.
