IoT Prism Lab
Research Lab at University of Bologna
Research Lab at University of Bologna
Theses
2019 |
Maniezzo, Mattia Realizzazione e validazione sperimentale di un dataset open per l'Internet of Things Masters Thesis 2019. Abstract | Links | BibTeX | Tags: classificazione, dataset, Internet of Things, Machine Learning, Open Data @mastersthesis{amslaurea18505, title = {Realizzazione e validazione sperimentale di un dataset open per l'Internet of Things}, author = {Mattia Maniezzo}, url = {https://amslaurea.unibo.it/id/eprint/18505}, year = {2019}, date = {2019-01-01}, abstract = {L'incremento e il continuo sviluppo dei dispositivi inerenti all'Internet of Things (IoT) ha causato un aumento esponenziale dei dati prodotti da ognuno di noi. Oltre all'incremento dei dati generati, è stata resa più semplice la condivisione libera di essi attraverso la rete internet. Una parte dei dati IoT generati dai dispositivi eterogenei possono essere liberamente accessibili e vengono chiamati Open Data, i quali possono essere reperibili in repository pubbliche fornite da enti, organizzazioni e studi/esperimenti, o realizzate da utenti grazie al crowdsourcing. Gli Open Data sono in costante aumento, ma presentano dei problemi come la scarsità di informazioni fornite, come metadati assenti o incompleti, che, a volte, li rendono poco comprensibili. Questo comporta un problema dal punto di vista dell'utilizzo dei dati vista la possibile scarsa riconoscibilità e comprensibilità. Per risolvere questo problema bisogna effettuare operazioni di annotazione e classificazione automatica. Le operazioni necessitano di essere automatiche visto che gli Open Data sono caratterizzati da grandi quantità di dati, quindi farle manualmente è impossibile. par Nello studio sperimentale si è realizzato un dataset contente dati provenienti dalla piattaforma online Thingspeak, che è un repository pubblico che sfrutta il crowdsourcing. Il dataset realizzato è sottoposto ad un'attività di validazione e di sperimentazione. La validazione sperimentale serve per verificare se il dataset realizzato in questo studio si comporta in maniera simile a dataset ottenuti da repository pubbliche fornite da enti e studi/esperimenti esterni. La sperimentazione serve a verificare quale algoritmo di classificazione è più efficiente per i dataset realizzato e quelli considerati, e a confermare che la classificazione basata sulla successione dei dati non funzioni per il tipo di dataset considerato.}, keywords = {classificazione, dataset, Internet of Things, Machine Learning, Open Data}, pubstate = {published}, tppubtype = {mastersthesis} } L'incremento e il continuo sviluppo dei dispositivi inerenti all'Internet of Things (IoT) ha causato un aumento esponenziale dei dati prodotti da ognuno di noi. Oltre all'incremento dei dati generati, è stata resa più semplice la condivisione libera di essi attraverso la rete internet. Una parte dei dati IoT generati dai dispositivi eterogenei possono essere liberamente accessibili e vengono chiamati Open Data, i quali possono essere reperibili in repository pubbliche fornite da enti, organizzazioni e studi/esperimenti, o realizzate da utenti grazie al crowdsourcing. Gli Open Data sono in costante aumento, ma presentano dei problemi come la scarsità di informazioni fornite, come metadati assenti o incompleti, che, a volte, li rendono poco comprensibili. Questo comporta un problema dal punto di vista dell'utilizzo dei dati vista la possibile scarsa riconoscibilità e comprensibilità. Per risolvere questo problema bisogna effettuare operazioni di annotazione e classificazione automatica. Le operazioni necessitano di essere automatiche visto che gli Open Data sono caratterizzati da grandi quantità di dati, quindi farle manualmente è impossibile. par Nello studio sperimentale si è realizzato un dataset contente dati provenienti dalla piattaforma online Thingspeak, che è un repository pubblico che sfrutta il crowdsourcing. Il dataset realizzato è sottoposto ad un'attività di validazione e di sperimentazione. La validazione sperimentale serve per verificare se il dataset realizzato in questo studio si comporta in maniera simile a dataset ottenuti da repository pubbliche fornite da enti e studi/esperimenti esterni. La sperimentazione serve a verificare quale algoritmo di classificazione è più efficiente per i dataset realizzato e quelli considerati, e a confermare che la classificazione basata sulla successione dei dati non funzioni per il tipo di dataset considerato. |
2017 |
Vecchio, Matteo Del Un'applicazione iOS per il riconoscimento di medicinali mediante reti neurali Masters Thesis 2017. Abstract | Links | BibTeX | Tags: applicazione iOS, classificazione, deep learning, fine tuning, gpu, iOS, Machine Learning, medicinali, metal performance shaders, mobile, python, reti neurali convoluzionali, riconoscimento, Smartphone, Swift, training, transfer learning @mastersthesis{amslaurea14890, title = {Un'applicazione iOS per il riconoscimento di medicinali mediante reti neurali}, author = {Matteo Del Vecchio}, url = {https://amslaurea.unibo.it/id/eprint/14890}, year = {2017}, date = {2017-01-01}, abstract = {Negli ultimi anni il Machine Learning e svariate sue applicazioni si sono prepotentemente affermati in molte aree, sia dell'informatica che della vita quotidiana, a partire dalle semplici operazioni svolte con uno smartphone. Un campo in cui si sono avuti notevoli risultati è quello della Visione Artificiale, ovvero dare la possibilità ad una macchina di "vedere" ed apprendere informazioni da immagini e fotografie. In questa tesi si affronta il problema di riconoscere un medicinale partendo dalla foto di una pillola, attraverso la creazione di una rete neurale convoluzionale (o ConvNet) e soprattutto, della sua implementazione all'interno di un'applicazione iOS che possa permettere la classificazione in mobilità. Si partirà dal considerare gli aspetti teorici alla base delle reti neurali, per poi illustrare lo stato dell'arte e le caratteristiche specifiche del modello convoluzionale. In seguito, si illustrerà PillRecogNet, la ConvNet realizzata e specializzata nel riconoscimento di 12 medicinali, insieme ad alcune delle tecniche utilizzare per l'allenamento, quali il transfer learning ed il fine tuning, e le relative statistiche sull'accuratezza. Sebbene una rete neurale convoluzionale sia un modello computazionalmente oneroso, si mostrerà com'è stato possibile implementare PillRecogNet in un'applicazione per smartphone, descrivendo prima alcune delle possibile tecnologie utilizzabili e, in seguito, le scelte implementative effettuate al fine di poter sfruttare la capacità di calcolo delle GPU dei dispositivi mobili. Infine, si mostreranno i risultati promettenti ottenuti, sia riguardo l'esecuzione di un modello da circa 28 milioni di parametri in uno smartphone, sia riguardo possibili sviluppi futuri quali l'utilizzo dell'applicazione in campo medico per la supervisione di una terapia farmacologica da parte del personale sanitario.}, keywords = {applicazione iOS, classificazione, deep learning, fine tuning, gpu, iOS, Machine Learning, medicinali, metal performance shaders, mobile, python, reti neurali convoluzionali, riconoscimento, Smartphone, Swift, training, transfer learning}, pubstate = {published}, tppubtype = {mastersthesis} } Negli ultimi anni il Machine Learning e svariate sue applicazioni si sono prepotentemente affermati in molte aree, sia dell'informatica che della vita quotidiana, a partire dalle semplici operazioni svolte con uno smartphone. Un campo in cui si sono avuti notevoli risultati è quello della Visione Artificiale, ovvero dare la possibilità ad una macchina di "vedere" ed apprendere informazioni da immagini e fotografie. In questa tesi si affronta il problema di riconoscere un medicinale partendo dalla foto di una pillola, attraverso la creazione di una rete neurale convoluzionale (o ConvNet) e soprattutto, della sua implementazione all'interno di un'applicazione iOS che possa permettere la classificazione in mobilità. Si partirà dal considerare gli aspetti teorici alla base delle reti neurali, per poi illustrare lo stato dell'arte e le caratteristiche specifiche del modello convoluzionale. In seguito, si illustrerà PillRecogNet, la ConvNet realizzata e specializzata nel riconoscimento di 12 medicinali, insieme ad alcune delle tecniche utilizzare per l'allenamento, quali il transfer learning ed il fine tuning, e le relative statistiche sull'accuratezza. Sebbene una rete neurale convoluzionale sia un modello computazionalmente oneroso, si mostrerà com'è stato possibile implementare PillRecogNet in un'applicazione per smartphone, descrivendo prima alcune delle possibile tecnologie utilizzabili e, in seguito, le scelte implementative effettuate al fine di poter sfruttare la capacità di calcolo delle GPU dei dispositivi mobili. Infine, si mostreranno i risultati promettenti ottenuti, sia riguardo l'esecuzione di un modello da circa 28 milioni di parametri in uno smartphone, sia riguardo possibili sviluppi futuri quali l'utilizzo dell'applicazione in campo medico per la supervisione di una terapia farmacologica da parte del personale sanitario. |
2016 |
Perrino, Silvia Internet of Things collaborativo: progettazione ed analisi di una piattaforma di aggregazione di dati sensoristici Masters Thesis 2016. Abstract | Links | BibTeX | Tags: classificazione, Clustering, Data Mining, Dati sensoristici, Internet of Things, Internet of Things collaborativo, Open Data @mastersthesis{amslaurea10887, title = {Internet of Things collaborativo: progettazione ed analisi di una piattaforma di aggregazione di dati sensoristici}, author = {Silvia Perrino}, url = {https://amslaurea.unibo.it/id/eprint/10887}, year = {2016}, date = {2016-01-01}, abstract = {Internet ha rivoluzionato il modo di comunicare degli individui. Siamo testimoni della nascita e dello sviluppo di un'era caratterizzata dalla disponibilità di informazione libera e accessibile a tutti. Negli ultimi anni grazie alla diffusione di smartphone, tablet e altre tipologie di dispositivi connessi, è cambiato il fulcro dell'innovazione spostandosi dalle persone agli oggetti. E' così che nasce il concetto di Internet of Things, termine usato per descrivere la rete di comunicazione creata tra i diversi dispositivi connessi ad Internet e capaci di interagire in autonomia. Gli ambiti applicativi dell'Internet of Things spaziano dalla domotica alla sanità, dall'environmental monitoring al concetto di smart cities e così via. L'obiettivo principale di tale disciplina è quello di migliorare la vita delle persone grazie a sistemi che siano in grado di interagire senza aver bisogno dell'intervento dell'essere umano. Proprio per la natura eterogenea della disciplina e in relazione ai diversi ambiti applicativi, nell'Internet of Things si può incorrere in problemi derivanti dalla presenza di tecnologie differenti o di modalità eterogenee di memorizzazione dei dati. A questo proposito viene introdotto il concetto di Internet of Things collaborativo, termine che indica l'obiettivo di realizzare applicazioni che possano garantire interoperabilità tra i diversi ecosistemi e tra le diverse fonti da cui l'Internet of Things attinge, sfruttando la presenza di piattaforme di pubblicazione di Open Data. L'obiettivo di questa tesi è stato quello di creare un sistema per l'aggregazione di dati da due piattaforme, ThingSpeak e Sparkfun, con lo scopo di unificarli in un unico database ed estrarre informazioni significative dai dati tramite due tecniche di Data Mining: il Dictionary Learning e l'Affinity Propagation. Vengono illustrate le due metodologie che rientrano rispettivamente tra le tecniche di classificazione e di clustering.}, keywords = {classificazione, Clustering, Data Mining, Dati sensoristici, Internet of Things, Internet of Things collaborativo, Open Data}, pubstate = {published}, tppubtype = {mastersthesis} } Internet ha rivoluzionato il modo di comunicare degli individui. Siamo testimoni della nascita e dello sviluppo di un'era caratterizzata dalla disponibilità di informazione libera e accessibile a tutti. Negli ultimi anni grazie alla diffusione di smartphone, tablet e altre tipologie di dispositivi connessi, è cambiato il fulcro dell'innovazione spostandosi dalle persone agli oggetti. E' così che nasce il concetto di Internet of Things, termine usato per descrivere la rete di comunicazione creata tra i diversi dispositivi connessi ad Internet e capaci di interagire in autonomia. Gli ambiti applicativi dell'Internet of Things spaziano dalla domotica alla sanità, dall'environmental monitoring al concetto di smart cities e così via. L'obiettivo principale di tale disciplina è quello di migliorare la vita delle persone grazie a sistemi che siano in grado di interagire senza aver bisogno dell'intervento dell'essere umano. Proprio per la natura eterogenea della disciplina e in relazione ai diversi ambiti applicativi, nell'Internet of Things si può incorrere in problemi derivanti dalla presenza di tecnologie differenti o di modalità eterogenee di memorizzazione dei dati. A questo proposito viene introdotto il concetto di Internet of Things collaborativo, termine che indica l'obiettivo di realizzare applicazioni che possano garantire interoperabilità tra i diversi ecosistemi e tra le diverse fonti da cui l'Internet of Things attinge, sfruttando la presenza di piattaforme di pubblicazione di Open Data. L'obiettivo di questa tesi è stato quello di creare un sistema per l'aggregazione di dati da due piattaforme, ThingSpeak e Sparkfun, con lo scopo di unificarli in un unico database ed estrarre informazioni significative dai dati tramite due tecniche di Data Mining: il Dictionary Learning e l'Affinity Propagation. Vengono illustrate le due metodologie che rientrano rispettivamente tra le tecniche di classificazione e di clustering. |