• computer vision
• motion planning
• pianificazione del moto
• Posidonia oceanica
• visione artificiale
• YOLOv5

La tesi propone una strategia di monitoraggio per praterie di Posidonia oceanica, basandosi su veicoli subacquei autonomi (AUV) dotati di sensori ottici e su una rete neurale. Il sistema formato da un AUV dotato di stereo-camera down-looking sfrutta un framework di apprendimento automatico basato su un modello YOLOv5 e la visione artificiale. Quest’ultimi forniscono l’input per la pianificazione del moto al fine di ispezionare in autonomia il confine della pianta. La strategia proposta fornisce acquisizioni visive della prateria e una stima iniziale della sua dimensione. Il quadro di ispezione generale è stato testato in un ambiente di simulazione realistico, utilizzando mosaici ottenuti da immagini reali per replicare gli scenari di monitoraggio reali.

The thesis proposes a monitoring strategy for Posidonia oceanica meadows, based on autonomous underwater vehicles (AUVs) equipped with optical sensors and a neural network. The system consisting of an AUV equipped with a down-looking stereo-camera uses a machine learning framework based on a YOLOv5 model and computer vision. The latter provide input for motion planning in order to independently inspect the plant boundary. The proposed strategy provides visual acquisitions of the plant and an initial estimate of its size. The general inspection framework was tested in a realistic simulation environment, using mosaics obtained from real images to replicate real monitoring scenarios.