ETD

Archivio digitale delle tesi discusse presso l'Università di Pisa

Tesi etd-02212018-113600


Tipo di tesi
Elaborati finali per laurea triennale
Autore
VASELLI, ALESSANDRO
URN
etd-02212018-113600
Titolo
Deep learning per l'identificazione della fauna selvatica
Dipartimento
INGEGNERIA DELL'INFORMAZIONE
Corso di studi
INGEGNERIA DELLE TELECOMUNICAZIONI
Relatori
relatore Ing. Giordano, Stefano
Parole chiave
  • Identificazione
  • Fog computing
  • Fauna selvatica
  • Edge computing
  • Deep Learning
Data inizio appello
19/02/2018
Consultabilità
Completa
Riassunto
Negli ultimi anni è aumentata sempre più la richiesta di dispositivi intelligenti e per soddisfare tale richiesta è cresciuta in maniera esponenziale la ricerca e lo sviluppo nell’ambito dell’intelligenza artificiale.
In questo contesto, le reti neurali e il Deep learning stanno subendo uno sviluppo fortissimo, in quanto con le nuove tecnologie e centri di calcolo sempre più performanti, si riesce ad effettuare operazioni che fino ad un decennio fa sembravano impossibili a causa di tempi di processing troppo elevati.
Nel caso specifico, analizzeremo il problema dell’image recognition sfruttando tecniche di deep learning. L’image recognition consiste nell’individuare oggetti, animali, persone, trame specifiche, dette pattern, presenti in un immagine o in un video. Una volta individuato ciò che serve, possiamo poi attivare un sistema o un servizio legato a ciò che stiamo osservando, come per esempio l’arresto immediato di un veicolo in caso di pericolo imminente. Si può sfruttare l’image recognition anche in ambito medico per fare diagnosi a partire da una risonanza magnetica, da una PET, raggi X e cosi via
oppure per riconoscere un animale nocivo o pericoloso in avvicinamento ad un confine.
In questa tesi inoltre si affronterà brevemente la possibilità di sfruttare una configurazione Edge/Cloud che permette di ottenere velocità nell’addestramento delle reti neurali, capacità di operare real-time, elasticità, resistenza dell’intero sistema in caso di guasti. Tale configurazione permette di avere costi ridotti grazie all’utilizzo di strumenti meno costosi nella regione di sensing e nella regione di Edge.
E’ stato inoltre simulato un sistema di riconoscimento della fauna grazie all’utilizzo di codice Matlab, con il fine di trasformare una rete neurale pre-addestrata al riconoscimento di oggetti comuni, come penne, matite, finestre, ecc... , in una rete addestrata strettamente all’identificazione di daini,cinghiali e lupi in ambito boschivo.
File