Deep Learning based Decision Support Systems for Quality Control task in Industry 4.0

In the context of Industry 4.0, the increasing amount of data in combination with novel disruptive Machine Learning (ML) and Deep Learning (DL) methodologies lied the foundation for helping the human operator to detect production issues as well as classify the quality of the final product. These solutions, embedded into Decision Support Systems (DSSs), offer great opportunities to automatize the overall quality control process. The objectives and the contributions of this thesis reflect the research activities performed on the topics of: i) Predictive Quality Control (PQC), with the aim to design a DSS for predicting the processing quality and anomaly situations during the machining of a tool; ii) Aesthetic Quality Control (AQC), with the aim to design a DSS for evaluating the aesthetic properties of the material for a manufactured product. In the first topic, the author presents a DSS comprised of data collection, feature extraction, ML model, cloud storage, and data analysis interface. This approach is based on a feature extraction strategy and a ML model powered by specific topics collected on the lower and upper levels of the production system, allowing the acquisition of high-quality labeled data. The experimental results demonstrated how the proposed approach is the best trade-off between predictive performance, computation effort, and interpretability. In the second topic, the author proposes the application of novel ordinal DL methodologies to improve the classification performance in assessing the aesthetic quality of wooden stocks while addressing typical challenges, i.e. the bias mitigation, the error minimization between distant classes, the noise in labeling process and the exploitation of ordinal and hierarchical constraints of the categories. The proposed methods are evaluated on a real-world dataset and compared with other state of the art DL models. For each challenge, the experimental results demonstrate the effectiveness of each proposed approach.

Nel contesto dell'Industria 4.0, la crescente quantità di dati e nuovi metodi di Machine Learning (ML) e Deep Learning (DL) hanno posto le basi per aiutare l'operatore umano a rilevare i problemi di produzione e a classificare la qualità del prodotto finale. Queste soluzioni, implementate in sistemi di supporto alle decisioni (DSS), offrono grandi opportunità per automatizzare complessivamente il processo di controllo qualità. Gli obiettivi e i contributi di questa tesi riflettono le attività di ricerca svolte sui temi: i) Controllo Qualità Predittivo (PQC), con l'obiettivo di progettare e implementare un DSS per la previsione della qualità di lavorazione e delle situazioni di anomalia durante la lavorazione di un utensile; ii) Controllo Qualità Estetico (AQC), con l'obiettivo di progettare e implementare un DSS per la valutazione delle proprietà estetiche del materiale per un prodotto finito. Nel primo tema, l'autore presenta un DSS composto da raccolta dati, estrazione delle features, modello predittivo, archiviazione cloud e interfaccia di analisi dati. Il DSS si basa su una strategia di estrazione delle features e su un modello di ML alimentato da topic raccolti ai livelli inferiori e superiori del sistema di produzione, consentendo l'acquisizione di dati annotati di alta qualità. I risultati sperimentali hanno dimostrato come l'approccio proposto rappresenti il miglior compromesso tra prestazioni predittive, costo computazionale e interpretabilità. Nel secondo tema, l'autore propone nuove metodologie DL ordinali per migliorare le prestazioni di classificazione della qualità estetica dei calci di fucile in legno, affrontando diverse sfide quali la mitigazione dei bias, la minimizzazione dell'errore tra classi distanti, il rumore nel processo di annotazione e lo sfruttamento dei vincoli ordinali e gerarchici delle classi. Gli approcci proposti sono stati valutati su un dataset reale e confrontati con altri metodi DL allo stato dell'arte, dimostrandone l'efficacia.