Progettazione e sviluppo di un sistema di visione artificiale per il monitora...RiccardoScilla
Presentazione Tesi
Progettazione e sviluppo di un sistema di visione artificiale per il monitoraggio automatico delle posizioni di uno sciame di robot in uno scenario di laboratorio
Approximate Algorithms for the Network Pricing Problem with Congestion - MS t...Desirée Rigonat
Thesis for the final dissertation for my MS degree in Computer Science & Engineering.
Subject is Mathematical Optimization in the field of Network Pricing Problems.
The present thesis is the result of a research carried on from September 2011 to August 2012; part of this work has been developed at the Graphes et Optimisation Mathématique (G.O.M.) group of the Université Libre de Bruxelles, under the supervision of Professor Martine Labbé; further development and experimentation have been carried on at the Laboratorio di Ricerca Operativa of the Università degli studi di Trieste with Professor Lorenzo Castelli as supervisor.
Progettazione e sviluppo di un sistema di visione artificiale per il monitora...RiccardoScilla
Presentazione Tesi
Progettazione e sviluppo di un sistema di visione artificiale per il monitoraggio automatico delle posizioni di uno sciame di robot in uno scenario di laboratorio
Approximate Algorithms for the Network Pricing Problem with Congestion - MS t...Desirée Rigonat
Thesis for the final dissertation for my MS degree in Computer Science & Engineering.
Subject is Mathematical Optimization in the field of Network Pricing Problems.
The present thesis is the result of a research carried on from September 2011 to August 2012; part of this work has been developed at the Graphes et Optimisation Mathématique (G.O.M.) group of the Université Libre de Bruxelles, under the supervision of Professor Martine Labbé; further development and experimentation have been carried on at the Laboratorio di Ricerca Operativa of the Università degli studi di Trieste with Professor Lorenzo Castelli as supervisor.
Tecniche di image forsensic per l’identificazione della sorgente - Andrea Guidieri, Francesco Mei - AA 2009-2010 Relatori: Prof. Alessandro Piva, Dr. Roberto Caldelli, Dr. Alessia De Rosa, Dr. Francesca Uccheddu
Progettazione e sviluppo di un sistema di visione artificiale per il monitora...RiccardoScilla
Documento Tesi
Progettazione e sviluppo di un sistema di visione artificiale per il monitoraggio automatico delle posizioni di uno sciame di robot in uno scenario di laboratorio
Progettazione e sviluppo di un sistema di visione artificiale per il monitora...RiccardoScilla
Presentazione Tesi
Progettazione e sviluppo di un sistema di visione artificiale per il monitoraggio automatico delle posizioni di uno sciame di robot in uno scenario di laboratorio
Studio e confronto di filtri per il denoising di immagini in relazione all’identificazione di fotocamere digitali in ambito forense- Matteo Castelli - AA 2007-2008 Relatori: Prof. Vito Cappellini, Dr. Roberto Caldelli, Ing. Irene Amerini, Ing. Francesco Picchioni
la capacita’ di calcolare e acquisire informazioni attraverso computer e moderne strutture informatiche e’ oggi fondamentale nella fisica moderna, permettendoci di simulare quello che ci aspettiamo e di acquisire le informazioni del mondo elementare trasformandole in grandezze che si possono analizzare per validare ne nostre teorie. Questo ha fatto si che la fisica delle particelle elementari e’ sempre stata alla ribalta nello sviluppo tecnologico nell’elettronica ed informatica. Infatti, come ad esempio con il world wide web, da qui sono nate nuove idee e applicazioni che oggi fanno parte delle nostra vita quotidiana. Quali idee sono state veramente innovative? Su cosa stiamo lavorando oggi? e in futuro!? (seminario)
Un virus, in informatica, è un software, appartenente alla categoria dei malware ,che una volta eseguito, si integra in qualche codice eseguibile (incluso il sistema operativo) del sistema informatico vittima, in modo tale da diffondersi su altro codice eseguibile quando viene eseguito il codice che lo ospita, senza che l'utente ne sia a conoscenza.
L’antivirus è un programma che protegge pc, smartphone e tablet da software potenzialmente dannosi, come i virus, i malware, i cryptolocker e i worm.
LINGUA: ITALIANO
CCI 2019 - Strumenti Azure per l'Anomaly Detection in ambito Industria 4.0walk2talk srl
Il rilevamento delle anomalie consiste nell'identificazione di eventi nei dati che risultano fuori del comportamento previsto, utilizzando metodi computazionali. Nelle industrie che avanzano verso la trasformazione digitale, lo scopo di questa tecnica non si limita solo alla manutenzione predittiva delle macchine, essendo anche estremamente utile ad esempio nel rilevamento di variazioni della domanda di prodotti, nell'individuazione di errori presenti nei dati aziendali, o nella scoperta di attività fraudolente, tra gli altri.
A causa di fattori come volume, frequenza e dimensione degli eventi anomali, il modo più pratico e intelligente di eseguire il rilevamento è tramite l'applicazione di algoritmi di machine learning.
In questa sessione vedremo come Azure facilita il rilevamento delle anomalie nei dati mettendo a disposizione diversi strumenti di intelligenza artificiale.
By Ariel Cedola
Presentazione a supporto dell'intervento di Claudio Mirarchi, Politecnico di Milano al webinar "DIGITALIZZAZIONE
DELLE OPERE PUBBLICHE E VERIFICA DIGITALE DELLE GARE E DEI PERMESSI" del 17 giugno 2021
More Related Content
Similar to Sviluppo di metodi per la sorveglianza acustica in ambienti urbani
Tecniche di image forsensic per l’identificazione della sorgente - Andrea Guidieri, Francesco Mei - AA 2009-2010 Relatori: Prof. Alessandro Piva, Dr. Roberto Caldelli, Dr. Alessia De Rosa, Dr. Francesca Uccheddu
Progettazione e sviluppo di un sistema di visione artificiale per il monitora...RiccardoScilla
Documento Tesi
Progettazione e sviluppo di un sistema di visione artificiale per il monitoraggio automatico delle posizioni di uno sciame di robot in uno scenario di laboratorio
Progettazione e sviluppo di un sistema di visione artificiale per il monitora...RiccardoScilla
Presentazione Tesi
Progettazione e sviluppo di un sistema di visione artificiale per il monitoraggio automatico delle posizioni di uno sciame di robot in uno scenario di laboratorio
Studio e confronto di filtri per il denoising di immagini in relazione all’identificazione di fotocamere digitali in ambito forense- Matteo Castelli - AA 2007-2008 Relatori: Prof. Vito Cappellini, Dr. Roberto Caldelli, Ing. Irene Amerini, Ing. Francesco Picchioni
la capacita’ di calcolare e acquisire informazioni attraverso computer e moderne strutture informatiche e’ oggi fondamentale nella fisica moderna, permettendoci di simulare quello che ci aspettiamo e di acquisire le informazioni del mondo elementare trasformandole in grandezze che si possono analizzare per validare ne nostre teorie. Questo ha fatto si che la fisica delle particelle elementari e’ sempre stata alla ribalta nello sviluppo tecnologico nell’elettronica ed informatica. Infatti, come ad esempio con il world wide web, da qui sono nate nuove idee e applicazioni che oggi fanno parte delle nostra vita quotidiana. Quali idee sono state veramente innovative? Su cosa stiamo lavorando oggi? e in futuro!? (seminario)
Un virus, in informatica, è un software, appartenente alla categoria dei malware ,che una volta eseguito, si integra in qualche codice eseguibile (incluso il sistema operativo) del sistema informatico vittima, in modo tale da diffondersi su altro codice eseguibile quando viene eseguito il codice che lo ospita, senza che l'utente ne sia a conoscenza.
L’antivirus è un programma che protegge pc, smartphone e tablet da software potenzialmente dannosi, come i virus, i malware, i cryptolocker e i worm.
LINGUA: ITALIANO
CCI 2019 - Strumenti Azure per l'Anomaly Detection in ambito Industria 4.0walk2talk srl
Il rilevamento delle anomalie consiste nell'identificazione di eventi nei dati che risultano fuori del comportamento previsto, utilizzando metodi computazionali. Nelle industrie che avanzano verso la trasformazione digitale, lo scopo di questa tecnica non si limita solo alla manutenzione predittiva delle macchine, essendo anche estremamente utile ad esempio nel rilevamento di variazioni della domanda di prodotti, nell'individuazione di errori presenti nei dati aziendali, o nella scoperta di attività fraudolente, tra gli altri.
A causa di fattori come volume, frequenza e dimensione degli eventi anomali, il modo più pratico e intelligente di eseguire il rilevamento è tramite l'applicazione di algoritmi di machine learning.
In questa sessione vedremo come Azure facilita il rilevamento delle anomalie nei dati mettendo a disposizione diversi strumenti di intelligenza artificiale.
By Ariel Cedola
Presentazione a supporto dell'intervento di Claudio Mirarchi, Politecnico di Milano al webinar "DIGITALIZZAZIONE
DELLE OPERE PUBBLICHE E VERIFICA DIGITALE DELLE GARE E DEI PERMESSI" del 17 giugno 2021
Similar to Sviluppo di metodi per la sorveglianza acustica in ambienti urbani (13)
Gli strumenti elettronici: ambienti di condivisione dei dati (ACDat/CDE) e li...
Sviluppo di metodi per la sorveglianza acustica in ambienti urbani
1. Sviluppo di metodi per la sorveglianzaSviluppo di metodi per la sorveglianza
acustica in ambienti urbaniacustica in ambienti urbani
Università degli studi di Trieste
Laureando:
David Babic
Relatore:
Prof. Massimiliano Nolich
2. IntroduzioneIntroduzione
Cosa viene impiegata la sorveglianza acustica:
◦ Integrazione audio-video
◦ Monitoraggio in assenza di luce
◦ Sistemi anti intrusione (rilevamento di vetri rotti)
◦ Monitoraggio di aree molto vaste
3. MotivazioniMotivazioni
Programma di classificazione dei suoni :
◦ Distinguere diverse categorie di suoni
◦ Suoni ambientali di tipici dell’ambiente che corrispondono a
pericolo
Metropolitana
Zone trafficate
Aeroporti
Classificatore automatico
◦ Sistema di supporto alle decisioni (DSS)
◦ Avviso automatico in caso di pericolo
4. Stato dell’arte (I)Stato dell’arte (I)
Articoli accademici e studi scientifici:
◦ Comparazione di diversi algoritmi
◦ Influenza del rumore nel riconoscimento
◦ Esempio: classificatore basato sull’algoritmo HMM
Riconoscimento del contesto nel quale ci si trova
Fonte: Environmental Noise Classification for Context-Aware Applications, School of Computing Sciences”, University of
East Anglia Norwich
5. Stato dell’arte (II)Stato dell’arte (II)
Articoli accademici e studi scientifici:
◦ Esempio: comparazione delle prestazioni di due algoritmi di
classificazione (GMM e HMM)
Valutazione delle prestazioni al variare del rapporto segnale-rumore
Valutazione della presenza di falsi positivi
SNR
(dB)
Bad-detected
Signals (%)
GMM Rec.
Rate (%)
HMM Rec.
Rate (%)
70 0 97.32 98.54
60 0 94.88 96.10
50 0 91.71 95.37
40 0 90.93 96.32
30 0 90.89 94.53
20 0 86.54 91.54
10 0 77.02 85.09
0 0,26 63.57 68.30
-10 18,24 44.06 49.15
Fonte: Automatic sound detection and recognition for noisy environment”,
Institute of Microtechnology, University of Neuchâtel
6. Prodotti commerciali:
◦ Audio analytic: sistema in grado di riconoscere varie
categorie di suoni.
Ambito ospedaliero e carcerario
Estendibile tramite moduli
◦ ShotSpotter: sistema in grado di rilevare e localizzare spari di
arma da fuoco
Installato in molte città
americane
Segnalazione automatica alla
polizia
Stato dell’arte (III)Stato dell’arte (III)
7. Fasi di lavoroFasi di lavoro
1- Analisi dello scenario applicativo
◦ Analisi di quali sono i rumori significativi
◦ Tipologie di rumori coinvolti
2 – Analisi e raccolta dei rumori significativi
◦ Raccolta dei rumori
◦ Creazione e utilizzo di database
3 – Algoritmi di classificazione
◦ Scelta di feature adatti alla classificazione
◦ Scelta dell’algoritmo di classificazione
◦ Implementazione
4 – Risultati sperimentali
◦ Comparazione del file
8. 1 – Analisi della scena applicativa1 – Analisi della scena applicativa
Metropolitana
Grida
Spari di pistola
Vetri rotti
Abbaiare dei cani
Zone trafficate
Clacson
Frenate
Spari di pistola
Grida
Aeroporti
Grida
Vetri rotti
9. 2 – Analisi e raccolta di rumori2 – Analisi e raccolta di rumori
Registrazione rumori difficile
Librerie di effetti sonori online (SoundDogs)
◦ Formati diversi
◦ Registrazioni non omogenee
Costruzione database di suoni
◦ File .wav, frequenza di campionamento 11Khz
◦ Suoni divisi in 6 categorie
Spari di pistola: 35 file (divisi in 7 sottocategorie)
Grida: 43 file
Vetri rotti: 32 file
Abbaiare dei cani: 28 file
Clacson: 13 file
Frenate: 25 file
10. 3 – Algoritmi di classificazione (I)3 – Algoritmi di classificazione (I)
Pre-elaborazione: acquisizione del segnale, campionamento
e quantizzazione.
Estrazione di feature: ridurre la quantità di dati
◦ Serve per “descrivere” il segnale
◦ Scelta delle feature
Classificazione: algoritmo di decisione, Hidden Markov
Model, Gaussian Mixture Model, …
◦ Fase di apprendimento (training)
◦ Fase di test
11. 3 – Algoritmi di classificazione (II)3 – Algoritmi di classificazione (II)
Estrazione di feature
◦ ZCR (Zero crossing rate)
◦ Spectral Centroid
◦ Crest Factor
◦ MFCC (Mel-Frequency Cepstral Coefficient): coefficienti che
collettivamente rappresentano il MFC (mel-frequency cepstrum) –
rappresentazione dello spettro di potenza
12. 3 - Algoritmi di classificazione (III)3 - Algoritmi di classificazione (III)
GMM (Gaussian Mixture Model):
◦ Modello probabilistico formato da una combinazione lineare di
funzioni di distribuzione gaussiana, chiamate componenti della
mistura
◦ Utilizzato comunemente nel “pattern recognition”
◦ Ha bisogno di un algoritmo
di training (EM – Expectation -
Maximization)
13. 3 - Algoritmi di classificazione3 - Algoritmi di classificazione
(IV)(IV)
Forme della funzione densità di probabilità al variare dei parametri
�,k.
14. 3 – Algoritmi di classificazione (V)3 – Algoritmi di classificazione (V)
Implementazione dell’algoritmo di classificazione
basato su GMM
◦ Estrazione feature
◦ Decisione
Calcolata densità di probabilità per ogni categoria
Passa attraverso una funzione di soglia
15. Implementazione dell’algoritmo basato su Weibull
◦ Estrazione parametri da file di test
◦ Decisione
Valutazione distanza dai vari punti medi
3 – Algoritmi di classificazione (VI)3 – Algoritmi di classificazione (VI)
16. 4 – Risultati sperimentali (I)4 – Risultati sperimentali (I)
Scream Gun Glass Tire Bark Clacson
Scream 92% 0% 0% 8% 0% 0%
Gun 0% 98% 0% 0% 2% 0%
Glass 0% 4% 92% 0% 2% 2%
Tire 6% 0% 0% 94% 0% 0%
Bark 4% 1% 0% 6% 88% 0%
Clacson 4% 0% 8% 6% 0% 82%
Algoritmo di classificazione GMM
◦ Test
File audio della durata di circa 15s
Inserimento di 2-3 suoni scelti in modo casuale
File per l’apprendimento separati dai file di test
◦ Risultati
Matrice di confusione
17. Algoritmo di Weibull
◦ Test
File audio con sparo singolo
File per l’apprendimento separati dai file di test
◦ Risultati
Visualizzazione grafica
4 – Risultati sperimentali (II)4 – Risultati sperimentali (II)
18. Algoritmo di Weibull
◦ Matrice di confusione
In media, considerati 10 spari per categoria
Diverse categorie con percentuale di riconoscimento del 100%
Altre categorie di pistole che si confondono tra di loro
4 – Risultati sperimentali (III)4 – Risultati sperimentali (III)
Beretta Colt SW Ruger MAC Jericho Glock
Beretta 100% 0% 0% 0% 0% 0% 0%
Colt 0% 0% 100% 0% 0% 0% 0%
SW 0% 0% 100% 0% 0% 0% 0%
Ruger 0% 0% 0% 100% 0% 0% 0%
MAC 0% 0% 0% 0% 67% 33% 0%
Jericho 0% 0% 0% 0% 38% 13% 50%
Glock 0% 0% 0% 0% 25% 17% 58%
19. Algoritmo di Weibull
◦ Comparazione spari
Valutazione se i due spari appartengono alla stessa categoria
Non è in grado di riconoscere la categoria di appartenenza
Valutate le distribuzioni di Weibull calcolate dalle risposte in frequenza
(fft)
4 – Risultati sperimentali (IV)4 – Risultati sperimentali (IV)
20. Analisi della letteratura
Valutazione di vari algoritmi per la classificazione
Utilizzo dell’algoritmo GMM per l’elaborazione dei
dati acustici
Utilizzo dell’algoritmo di Weibull per l’elaborazione di
dati acustici di tipo impulsivo
Lavoro svoltoLavoro svolto
21. Conclusione e sviluppi futuriConclusione e sviluppi futuri
Risultati ottenuti:
• GMM:
• Media successo del 91%
• Pochi falsi positivi
• Weibull:
• diversi modelli indistinguibili
Sviluppi futuri:
Valutazione degrado prestazioni in presenza di rumore
Acquisizione audio da microfono in modalità real-time
Localizzare la fonte del rumore con array di microfoni