Theses

@mastersthesis{amslaurea20929,
title = {Inventory management con mini-droni: architettura e implementazione},
author = {Davide Cristiani},
url = {https://amslaurea.unibo.it/id/eprint/20929},
year = {2020},
date = {2020-01-01},
abstract = {Nella logistica industriale l’inventario è una attività di massima importanza. Per automatizzare questo processo, è stato proposto l’uso di UAV di piccole dimensioni. I vantaggi legati a questa proposta sono molteplici, dall’automatizzazione del processo all’incremento di sicurezza per i lavoratori. L’uso di tecnologie UAV in quest’ambito deve affrontare diverse difficoltà tecniche, come il volo indoor, l’identificazione dei pacchi e la limitata autonomia di volo dei droni. Questo elaborato approfondisce gli aspetti tecnici e informatici dell’uso di UAV per l’inventario, espandendo il lavoro svolto nel paper ”Inventory Managementthrough Mini-Drones: Architecture and Proof-of-Concept Implementation”:

- Una proposta di architettura per un sistema di gestione dell'inventario basato su UAV, che includa il calcolo del percorso del UAV, l'identificazione dei pacchetti (via QRCode), la validazione dei dati (via Blockchain) e la ricarica wireless.

- Una analisi delle performance del sistema, nello specifico il trade-off fra accuratezza dell'inventario (ovvero il tasso di identificazione di un pacco) e tempo di esecuzione del processo

- Un framework di calcolo dei parametri ottimali per in termini di velocità e numero di visite per ogni scaffale},
keywords = {Blockchain, DIGITAL TWIN, DRONI, IIOT, INDUSTRY 4.0, INVENTARIO, IoT, TSDB, UAV},
pubstate = {published},
tppubtype = {mastersthesis}
}

@mastersthesis{amslaurea17496,
title = {Droni e sensori low-power per applicazioni IoT di monitoraggio: una valutazione sperimentale.},
author = {Paride Martinelli},
url = {https://amslaurea.unibo.it/id/eprint/17496},
year = {2019},
date = {2019-01-01},
abstract = {Stiamo vivendo in un mondo popolato da oggetti intelligenti chiamato Internet Of Things. Un mondo popolato da oggetti digitali di piccole dimensioni, capaci di raccogliere una grandissima quantità di dati, di elaborarli e di creare da essi intelligenza. Uno dei principali utilizzi della tecnologia LPWAN è in agricoltura con la smart agriculture. Ogni singola fase della produzione agricola potrebbe essere migliorata ed agevolata dalle nuove tecnologie: dalla gestione del suolo, alla minimizzazione del consumo di acqua; dalla protezione delle piante; fino ad arrivare alla salute degli animali e all’automazione degli allevamenti. È proprio dalla smart agriculture, e in generale dagli scenari outdoor, che prende spunto questo progetto di tesi. Infatti questo progetto si basa su un’analisi qualitativa di una rete wireless composta da sensori. Per effettuare le analisi si è utilizzato un ambiente simulato implementato in OMNET++.},
keywords = {DRONI, IEEE, IEEE 802.15.4, Internet of Things, IoT, sensori, UAV},
pubstate = {published},
tppubtype = {mastersthesis}
}

@mastersthesis{amslaurea15478,
title = {Evaluation of deep learning techniques for object detection on embedded systems},
author = {Alice Valentini},
url = {https://amslaurea.unibo.it/id/eprint/15478},
year = {2018},
date = {2018-01-01},
abstract = {Area surveying is an important tool used to inspect and study in detail a given area, it is especially useful to monitor the movements and the settlement of populations located in a developing country.
Unmanned Aerial Vehicles (UAV), given the recent developments, could represent a suitable technology in order to carry out this task in an easier and cheaper way.
The use of UAV based surveys techniques poses many challenges in terms of accuracy, speed and efficiency.
The target is to build an autonomous flight system which is able to define optimal flight paths using the gathered information from the environment.
In this thesis we will focus on the development of the perception system which has to capture the desired information with accurate and fast detections.
More in detail, we will explore and evaluate the use of object detection models based on Deep Learning techniques who will sense and collect data which will later use for on-board elaboration. The object detection model has to be accurate in order to detect all the objects encountered on the ground and fast in order to not introduce too much latency into the on-board decision system. Fast and accurate decisions could permit an efficient coverage of the area.
Different embedded platforms will be considered and examined in order to meet the model's computational requirements and to provide an efficient use in terms of battery consumption.
Different training configurations will be tested in order to maximize our detection accuracy metric, minimum average precision (mAP).
The detection speed will be then evaluated on our board using Frame Per Second (FPS) metric. In addition to YOLO we also tested TinyYOLO, a smaller and faster network. Results will be then compared in order to find the best configuration in terms of accuracy/speed.
We will show that our system is able to meet all the requirements even if we do not achieve our ideal detection speed.},
keywords = {area surveying, deep learning, drones, DRONI, Machine Learning, object detection, UAV, yolo},
pubstate = {published},
tppubtype = {mastersthesis}
}