Warehouse Items Classifier

Il progetto "Warehouse Items Classifier" si concentra sulla classificazione di immagini a bassa risoluzione utilizzando due approcci distinti: un Perceptron Multilayer (MLP) e una Rete Neurale Convoluzionale (CNN). Inizialmente, è stato adottato un MLP, che ha impiegato due filtri specifici per l'estrazione delle caratteristiche delle immagini. Tuttavia, i risultati ottenuti sono stati deludenti, evidenziando una scarsa capacità del modello di generalizzare e una netta tendenza all'overfitting.

Per superare le limitazioni dell'MLP, è stata sviluppata una CNN con sette strati, ottimizzata per migliorare le prestazioni. Questa rete sfrutta le convoluzioni multi-canale per estrarre mappe di caratteristiche dai dati immagine, combinando strati di convoluzione, pooling e strati completamente connessi. Sono stati implementati vari miglioramenti, come la schedulazione del tasso di apprendimento e il meccanismo di early stopping, che hanno consentito di raggiungere un'accuratezza del 90% in circa 15 epoche, con un tempo di addestramento di circa un'ora e mezza.

I risultati sono stati validati tramite matrici di confusione, mostrando prestazioni eccellenti anche su immagini esterne non incluse nel set di addestramento. Sono stati effettuati test su immagini originali e su foto modificate, dimostrando che il sistema è in grado di riconoscere correttamente gli oggetti anche in condizioni di scarsa illuminazione. Il progetto dimostra l'efficacia delle CNN nella classificazione delle immagini e evidenzia l'importanza di ottimizzare i parametri di rete per migliorare le prestazioni generali.