• cantieri
• computer
• computer
• construction
• costruzione
• danger
• deep
• detection
• ferrovia
• gestione
• handling
• hybrid
• ibrido
• inpainting
• lavoratori
• learning
• luogo di lavoro
• monitoraggio
• monitoring
• occlusion
• occlusione
• pericolo
• railway
• rilevamento
• safety
• segmentation
• segmentazione
• sicurezza
• sites
• vision
• visione
• workers
• workplace
• zona
• zone

La presente tesi propone un sistema intelligente per il monitoraggio della sicurezza nei cantieri ferroviari, con l'obiettivo di rilevare in tempo reale situazioni di pericolo legate all'intrusione di persone nelle aree a rischio. Il lavoro presenta un approccio data-driven basato su reti neurali profonde e uno ibrido che integra a queste una componente algoritmica esplicita. Utilizzando la rete YOLO per la segmentazione dei binari e il rilevamento dei lavoratori, e AOT-GAN per la ricostruzione di aree occluse, il sistema predispone una pipeline in grado di stimare dinamicamente una "zona di pericolo" e valutare l’intersezione con la posizione delle persone. La metodologia è stata testata su un dataset reale, dimostrando robustezza anche in presenza di occlusioni. I risultati sperimentali confermano l’efficacia dell’approccio proposto per applicazioni reali di sorveglianza visiva nei cantieri ferroviari.

This thesis proposes an intelligent system for safety monitoring in railway construction sites, with the goal of detecting in real time hazardous situations related to the intrusion of people into risk areas. The work presents a data-driven approach based on deep neural networks, as well as a hybrid approach that integrates an explicit algorithmic component. By using the YOLO network for track segmentation and worker detection, and AOT-GAN for the reconstruction of occluded areas, the system implements a pipeline capable of dynamically estimating a "danger zone" and assessing its intersection with people's positions. The methodology has been tested on a real dataset, demonstrating robustness even in the presence of occlusions. The experimental results confirm the effectiveness of the proposed approach for real-world visual surveillance applications in railway construction environments.