Course Syllabus
Obiettivi
Il corso presenta i fondamenti teorici, gli scenari applicativi e gli esempi pratici riguardanti la progettazione dei sistemi di visione per il monitoraggio industriale ed ambientale, attraverso l’uso di tecniche di intelligenza artificiale. Al termine del corso, gli studenti avranno l’abilità di analizzare, progettare, misurare, confrontare e testare i sistemi. Inoltre, avranno l’abilità di determinare fino a che punto i sistemi stessi sono in grado di funzionare in contesti non ideali.
Contenuti sintetici
Il corso include una parte teorica e una parte pratica. La parte teorica presenta complessivamente il framework dei sistemi di visione per il monitoraggio ambientale ed industriale così come gli approcci, sia algoritmici che basati su intelligenza artificiale, usati in ogni passo del sistema. Parallelamente, saranno presentati gli scenari applicativi più rilevanti ai fini del monitoraggio. La parte pratica fornisce agli studenti le abilità per analizzare, progettare ed implementare gli algoritmi usati nei sistemi in questione.
Programma esteso
- Acquisizione delle immagini: formazione dell’immagine (sensore, modello pinhole, lente), caratterizzazione di sensori ed illuminazione (colore, esposizione, velocità), visione per industria ed ambiente (monitoraggio senza contatto, telecamere industriali, situazioni non-ideali).
- Pattern recognition per sistemi di visione: intelligenza artificiale per preprocessing dell’immagine (analisi della qualità, miglioramento dell’immagine), segmentazione (rilevamento degli oggetti, segmentazione semantica, etichette a livello di pixel), ricostruzione 3D (viste multiple, luce strutturata), estrazione di caratteristiche 2D/3D (handcrafted, representation learning), classificazione e regressione (nearest neighbor, reti neurali, reti neurali convoluzionali).
- Monitoraggio industriale: intelligenza artificiale per il monitoraggio visuale del processo manifatturiero (rilevamento dei difetti dei macchinari e degli attrezzi, controllo delle linee di produzione), analisi dei materiali grezzi (stima del volume, granulometria), controllo della qualità dei prodotti (rilevamento di difetti superficiali, errori di assemblaggio, manutenzione predittiva), sensori virtuali (stima della profondità tramite metodi di visione, ambienti sintetici), monitoraggio della sicurezza delle persone (tracking degli individui, rilevamento degli incidenti).
- Monitoraggio ambientale: intelligenza artificiale per elaborazione di immagini acquisite tramite sistemi centralizzati (rilevamento di fuoco e fumo, inondazioni e siccità, frane, monitoraggio strutturale), monitoraggio tramite immagini acquisite con sistemi distribuiti (analisi della condizione delle colture, monitoraggio degli animali selvatici, monitoraggio del traffico, rilevamento degli incidenti, rilevamento degli scarichi abusivi).
Prerequisiti
Concetti fondamentali di informatica, programmazione, elaborazione di immagini, machine learning.
Modalità didattica
Lezioni frontali ed esercizi in laboratorio (con l’assistenza del docente). Le lezioni saranno tenute in presenza, a meno che si renda necessaria l’imposizione di misure relative al COVID-19. La frequenza alle lezioni ed alle esercitazioni è caldamente raccomandata.
Materiale didattico
- Mohamed Elgendy, Deep Learning for Vision Systems, Manning, 2020. ISBN: 9781617296192.
https://github.com/moelgendy/deep_learning_for_vision_systems
http://www.computervisionbook.com/ - Le slide e le dispense sono disponibili sul sito del corso.
Periodo di erogazione dell'insegnamento
Secondo semestre.
Modalità di verifica del profitto e valutazione
L’esame include una parte pratica ed una parte orale. La parte pratica consiste in un progetto pratico, concordato in precedenza con il docente, che dimostri la capacità nell’uso degli argomenti mostrati nel corso ai fini di un’applicazione pratica. La parte orale consiste in una discussione del progetto ed in una verifica della conoscenza dei fondamenti teorici dell’area applicativa considerata nel progetto. La votazione rifletterà entrambe le parti ed è espressa in trentesimi.
Orario di ricevimento
Su appuntamento per email.
Sustainable Development Goals
Aims
The course presents the theoretical foundations, application scenarios, and practical use cases for the design of vision systems for industrial and environmental monitoring by using AI approaches. After the course, the students will have the ability to analyze, design, measure, compare, and test such systems as well as determine the extent to which the system can function in a non-ideal setting.
Contents
The course includes a theoretical part and a practical part. The theoretical part presents the overall framework of vision systems for industrial and environmental monitoring, the algorithmic and AI methods and techniques used in each step of the system, and the relevant application scenarios. The practical part provides the students the skills to analyze, design, and implement the algorithms used in the considered systems.
Detailed program
- Image acquisition: image formation (sensor, pinhole, lens), lighting and sensor characterization (color, exposure, speed), vision in industry and environment (contactless monitoring, industrial cameras, non-ideal settings).
- Pattern recognition for vision systems: AI for image preprocessing (quality analysis, enhancement), segmentation (object detection, semantic segmentation, pixel-level annotations), 3D reconstruction (multiple-views, structured light), 2D/3D feature extraction (handcrafted, representation learning), classification and regression (nearest neighbor, neural networks, convolutional neural networks).
- Industrial monitoring: AI for vision-based monitoring of manufacturing process (detection of machinery fault, detection of tool defects, guidance of assembly lines), analysis of raw materials (volume estimation, granulometry measurement), product quality control (surface defects detection, assembly errors, predictive maintenance), virtual sensors (vision-based depth estimation, synthetic environments), human safety monitoring (person tracking, incident detection).
- Environmental monitoring: AI for processing images captured using centralized vision (detection of fire and smoke, flood and drought, landslides, structural health monitoring), monitoring using images acquired with distributed vision (crop condition analysis, wildlife monitoring, traffic monitoring, vehicle accident detection, waste and illegal drop-off detection).
Prerequisites
Fundamental concepts of computer science, computer programming, image processing, and machine learning.
Teaching form
Lectures and assisted exercises. Lessons will be held in presence, unless further COVID-19 related restrictions are imposed. Attendance to both lectures and exercises is warmly recommended.
Textbook and teaching resource
- Mohamed Elgendy, Deep Learning for Vision Systems, Manning, 2020. ISBN: 9781617296192.
https://github.com/moelgendy/deep_learning_for_vision_systems
http://www.computervisionbook.com/ - Slides and handouts are available on the course website.
Semester
Second semester.
Assessment method
The exam includes a practical part and an oral part. The practical part consists in a practical project, agreed in advance with the lecturer, on the use of the course topics in a practical application. The oral part consists in a discussion of the project and an assessment of the knowledge of the theoretical foundations of the application area considered in the project. The grade will reflect both parts and is expressed in thirtieths.
Office hours
Via appointment by email.
Sustainable Development Goals
Staff
-
Angelo Genovese
