pipeline guidata da dati sintetici per il rilevamento e riconoscimento automatico di annotazioni GD&T in blueprint industriali

This thesis presents a computer vision pipeline for the automatic extraction of GD&T (Geometric Dimensioning and Tolerancing) symbols and annotations from scanned industrial blueprints. The system consists of two YOLO11 models: the first (M1) detects regions of interest containing dimensional annotations, while the second (M2) identifies and classifies the GD&T symbol within each detected region. A key challenge addressed is the scarcity of real annotated data: to overcome it, a synthetic image generator was developed that faithfully reproduces the visual structure of technical annotations, including feature control frames with multiple layouts, rotated symbols, and surface finish variants. Synthetic data is combined with real examples through an adaptive augmentation strategy inversely proportional to the availability of real samples per class. Results demonstrate that the hybrid real-synthetic approach achieves high performance even for classes with few annotated examples.

Questa tesi presenta una pipeline di visione artificiale per l'estrazione automatica di quote e simboli GD&T (Geometric Dimensioning and Tolerancing) da blueprint industriali scansionati. Il sistema è composto da due modelli YOLO11: il primo (M1) rileva le regioni di interesse contenenti quote nel disegno tecnico, il secondo (M2) identifica e classifica il simbolo GD&T all'interno di ogni quota rilevata. Una delle sfide principali affrontate è la scarsità di dati annotati reali: per superarla è stato sviluppato un generatore di immagini sintetiche che riproduce fedelmente la struttura visiva delle quote tecniche, inclusi feature control frame con layout multipli, simboli ruotati e varianti di finitura superficiale. I dati sintetici vengono combinati con esempi reali attraverso una strategia di augmentation adattiva, inversamente proporzionale alla disponibilità di campioni reali per classe. I risultati mostrano che l'approccio ibrido reale-sintetico consente di raggiungere prestazioni elevate anche in presenza di classi con pochi esempi annotati.