ETD

• acoustic imaging
• convolutional neural networks
• forward-looking sonar
• object detection
• sonar simulator
• synthetic sonar images
• underwater robotics

Il riconoscimento automatico di oggetti in ambiente subacqueo riveste un ruolo fondamentale per incrementare il livello di autonomia dei veicoli subacquei, in ambiti applicativi che spaziano dal monitoraggio ambientale all’ispezione e manutenzione di infrastrutture sommerse, fino alle operazioni in ambito difensivo. A causa delle limitazioni dei sensori ottici, la percezione dell’ambiente è spesso affidata a sensori acustici, quali i Forward-Looking Sonar.
Lo sviluppo e la validazione di tecniche robuste basate su dati sonar richiedono tuttavia grandi quantità di dati, la cui acquisizione in mare risulta complessa, onerosa in termini di tempo e soggetta a significativi vincoli operativi e logistici. In tale contesto, lo sviluppo di simulatori sonar in grado di generare grandi volumi di dati in tempi ridotti e a costi contenuti rappresenta un’alternativa efficace per l’addestramento di modelli.
Nel presente lavoro di tesi viene analizzata l’efficacia di un dataset sonar sintetico per l’addestramento di una rete neurale dedicata al riconoscimento automatico di oggetti sommersi in immagini sonar reali. Il dataset è stato generato mediante un simulatore di Forward-Looking Sonar sviluppato all'interno dell'ambiente Unity3D, che consente un controllo sistematico delle caratteristiche del sensore e del sistema e l’adattamento a scenari con condizioni variabili.
I risultati mostrano che le reti addestrate esclusivamente su dati sintetici raggiungono prestazioni promettenti. Inoltre, l’addestramento congiunto su immagini reali e sintetiche evidenzia come tale approccio possa migliorare le capacità di rilevamento e il livello di affidabilità dei modelli.