1,720,985 research outputs found
Development of monitoring system to assess honeybee colony health
Full text linkIn the last decades, beekeepers recorded millions of honey bee (Apis mellifera) colony losses due to climate change, and crop chemical treatments, but mostly the parasitic spreading of mites, in particular Varroa destructor. The mite lives in synchrony with the brood, parasitizing bees' brood before capped. The growing mites start feeding on the larva, weakening without killing the host. Once the affected larva becomes a bee, it leaves the brood cell, by uncapping the wax cap, allowing the parental mites and their offspring to spread out. The weakening from the mite feeding leads to evident symptoms as bees are unable to fly (deformed wing virus), helping mites to spread out and lead the colony to collapse. The presence of these viruses has been directly linked to colony losses, thus raising the need for more accurate techniques to measure and estimate the rate of infestation. The most used method for detecting a Varroa destructor infestation is manual sampling. Typically, a bunch of live bees (almost 300 bees) is put into a jar with alcohol or powdered sugar and shaken until most mites fall off. An alternative consists of sampling the brood by opening brood cells and checking for mites' presence. Lastly, a noninvasive method but still manual makes use of a bottom sticky board placed under each beehive to monitor the natural mite drop. However, all these methods have drawbacks. For these reasons, automatic monitoring inside the beehive might be a valid support tool for beekeepers to estimate the mite infestation level, limiting manual inspections and continuously monitoring the mite infestation level.
In this research project, the authors are working on developing an image-based acquisition system to gather samples of healthy and sick bees inside the beehive, with the aim of providing a tool for beekeepers to support the decision-making phases to limit the spread of mites
Misura delle fasi del passo tramite telecamera time-of-flight durante camminate assistite da esoscheletro robotico in ambiente esterno
Full text linkLa perdita della capacità di deambulazione è una delle principali conseguenze dovute a lesioni alla colonna vertebrale. Negli ultimi anni si è assistito ad uno sviluppo sempre maggiore di esoscheletri per gli arti inferiori che permettono ad utilizzatori paraplegici di tornare a camminare. L’utilizzo di questi esoscheletri, soprattutto durante la fase di training iniziale, è purtroppo spesso limitato all’interno di laboratori specializzati muniti di diversi tipi di trasduttori per l’analisi della cinematica e della dinamica della camminata assistita (sistemi di visione, accelerometri, piattaforme di forza, etc.).
Per superare queste limitazioni sono state sviluppate delle stampelle strumentate in grado, attraverso un adeguato modello biomeccanico, di valutare i carichi agenti sugli arti superiori misurando il carico scambiato tra stampella e piano d’appoggio della stessa, senza l’utilizzo di altro tipo di strumentazione. Tramite questa analisi, il fisioterapista è in grado di valutare la qualità della camminata del paziente diminuendo in questo modo rischi di lesioni agli arti superiori dovute all’utilizzo dell’esoscheletro. Il grosso vantaggio del dispositivo sviluppato risiede nel fatto che si presta particolarmente bene per un utilizzo in un ambiente esterno, più naturale e, in generale, più favorevole per l’utilizzatore.
Il presente lavoro descrive un ulteriore sviluppo apportato alle stampelle strumentate appena descritte. L’obiettivo principale è quello di riuscire a misurare, assieme ai carichi agli arti superiori già possibile nella presente versione, anche le principali fasi della camminata (fase di stance, cioè piede appoggiato a terra, e fase di swing, cioè piede alzato da terra) in modo da fornire al fisioterapista un ulteriore grandezza correlata alla qualità del training del paziente. Il sistema di misura sviluppato sfrutta un approccio basato su tecniche di machine learning: una prima acquisizione viene effettuata per allenare il modello predittivo (fase di training), il quale viene poi utilizzato nelle restanti acquisizioni per predire la macro fase del passo in cui si trova ogni piede del paziente (fase di predizione)
I cuochi non sanno scrivere le ricette
Full text linkIl processo creativo di una ricetta per un cuoco spesso è frutto di idee nate al momento, basate sulla sua esperienza e conoscenza personale. Questo comporta una certa difficoltà nel trasmettere la procedura di realizzazione di una certa ricetta a un altro individuo, che inevitabilmente la riprodurrà a suo modo. Se questo è vero già quando un cuoco junior osserva e riproduce le azioni di un cuoco esperto, diventa ancora più difficile riuscire a ricreare la ricetta originale quando la si legge descritta in modo classico, ovvero con la tipica separazione tra la lista degli ingredienti necessari e le varie fasi della preparazione. Questa problematica è ben chiara ai cuochi stessi, che faticano a trasmettere in modo intuitivo ai loro colleghi e/o sottoposti una procedura che sia il più possibile univoca e che porti alla riproduzione il più possibile simile sia del gusto che della presentazione finale del piatto.
Per ovviare a questo problema, il presente lavoro di ricerca ha come obiettivo la creazione e messa in opera di un sistema intelligente che, utilizzando diversi sensori, sia in grado di comprendere (i) le azioni che il cuoco compie man mano che procede con la preparazione, (ii) quali ingredienti usa per ogni sotto-fase e (iii) quali strumenti utilizza per ogni sotto-fase. In questo modo, sarà il sistema a ricondurre ogni azione analizzata ad una azione nota (ad esempio “mescolare” o “tagliare”) e, componendole in forma di flusso di lavoro, produrrà al termine una riscrittura completa della ricetta che sia di più chiaro e intuitivo utilizzo
Misura delle fasi del passo tramite algoritmi di machine learning durante camminate in esterna assistite da esoscheletro
Full text linkNegli ultimi anni si è assistito ad uno sviluppo sempre maggiore di dispositivi robotici indossabili (esoscheletri) per il supporto degli arti inferiori, che permettono ad utilizzatori paraplegici di tornare a camminare. L’utilizzo di questi esoscheletri è purtroppo spesso limitato all’interno di laboratori specializzati muniti di diversi tipi di trasduttori per l’analisi della cinematica e della dinamica della camminata assistita. È noto che le performance nell’utilizzo di questi esoscheletri migliora notevolmente quando il paziente cammina in un ambiente maggiormente “user-friendly” quale ad esempio l’ambiente esterno. Secondo questa logica, durante gli scorsi anni, sono state sviluppate all’interno del nostro gruppo di ricerca delle stampelle strumentate in grado di misurare sia il carico scambiato tra stampella e piano d’appoggio della stessa, sia la fase del passo (stance o swing) in cui si trova l’utilizzatore dell’esoscheletro. In questo modo il fisioterapista è in grado di valutare la qualità della camminata del paziente in relazione alla fase del passo che sta attualmente svolgendo.
L’algoritmo di misura della fase del passo è stato validato in un ambiente interno mostrando risultati incoraggianti: si è ottenuta una accuratezza di classificazione pari all’85% (deviazione standard pari al 3%). La presente memoria descrive la procedura di validazione dell’algoritmo per la misura delle fasi del passo durante prove di camminata assistite svolte in ambiente esterno, in diverse condizioni
Instrumented crutches for gait parameters evaluation
Full text linkMost of the prototypes of instrumented crutches available in the literature require external motion capture devices to perform a gait analysis and to report the load applied on the crutches with respect to the gait cycle. Motion capture systems with markers require a controlled laboratory with cameras, instead IMU-based systems are more transportable, but the user must be instrumented. A new version of instrumented crutches, previously developed by the authors, allows one to measure the axial forces and to detect the gait phases during two-point assisted walking thanks to the cameras mounted on the lower part of the crutches
Interfaccia cyberfisica uomo-macchina basata su Deep Learning
Full text linkIl paradigma Industria 4.0 introduce il concetto di “smart factory", ovvero l'interconnessione tra sistemi informatici e sistemi fisici (detti sistemi cyberfisici). In particolare, questo lavoro di ricerca si focalizza sul concetto di "smart production", basato su una concreta collaborazione tra macchine, strumenti ed operatori per mezzo di supporti informatici. In questo senso, le workstation meta-collaborative risultano essere di particolare interesse, perché a differenza delle workstation collaborative classiche lo spazio di lavoro dell'operatore e del robot non è necessariamente condiviso e la cooperazione può avvenire a prescindere dalla presenza di barriere fisiche tra i due. In questo lavoro di ricerca si prosegue l’indagine presentata precedentemente riguardante le potenzialità dei sistemi intelligenti basati su Deep Learning come strumento di interfaccia cyberfisica tra umano e macchina, inserendo un modello allenato ad hoc su dei gesti prescelti all’interno di una interfaccia di comando basata su ROS
Gesture recognition per robotica collaborativa: primo approccio
Full text linkCon il nuovo paradigma di Industria 4.0 si introducono i robot collaborativi, che condividono l’area di lavoro con l’operatore. Risulta necessario non solo elaborare adeguate strategie per assicurare la sicurezza degli operatori, ma anche metodi efficaci per comunicare con i robot collaborativi in modo naturale, tramite comandi vocali o gesti.
Come primo approccio al problema della comunicazione umano-robot si è adottato un sistema di riconoscimento gesti basato su un algoritmo di Deep Learning, sviluppato sulla piattaforma MATLAB 2017b, in grado di riconoscere quattro diversi tipi di gesto a partire da immagini RGB, come riportato in Fig. 1.
I gesti proposti sono caratterizzati da tre condizioni: devono essere eseguiti usando entrambe le mani con la sinistra chiusa a pugno, il più possibile alla stessa altezza e non troppo distanti tra loro.
Il sistema è stato testato offline su quattro diversi dataset acquisiti sperimentalmente per valutare le performance in diverse condizioni. L’applicazione è stata poi testata in real-time per valutare la velocità del sistema nell’effettuare i riconoscimenti
The MUSKETEER project: Milk adUlteration detection using SpecKlE paTtern and machinE lEaRning
Full text linkThe MUSKETEER (Milk adUlteration detection using SpecKlE paTtern and machinE lEaRning) project aims to address the global challenge of fighting milk adulteration, which poses significant health risks for consumers. Traditional methods for milk analysis (eg. ELISA, PCR, chemical tests) are complex, time- and money-consuming. The project goal is the development of a user-friendly platform that employs real-time Artificial Intelligence (AI)- based processing of Speckle Pattern (SP) images to identify adulteration in milk samples non-invasively. SP is the interference pattern produced when laser light illuminates a milk sample, which has a non-uniform refractive index distribution due to the presence of suspended particles. Images of SP acquired by a low-cost industrial camera are rich in information about the sample. In this work, we report an effective method to recognize different types of commercial cow milk and to identify milk dilution with water and 12.5% water-glucose solution. The average intensity and the dimension of the SP grains can be extracted from SP images. By considering both statistical parameters, our system can distinguish between different types of milk and detect diluted samples with both water and glucose, offering a reliable approach to address milk adulteration and ensure the integrity of dairy products on the market
Adattamento di opentrack v2.0 per piattaforma embedded
Full text linkOpenPTrack è un progetto open source lanciato nel 2013 da UCLA REMAP e Open Perception, in collaborazione con l’Università degli Studi di Padova. Il progetto aveva come obiettivo la creazione di un sistema di tracking real-time per applicazioni di teatro e arte, ed è stato migliorato ed espanso negli anni fino alla più recente versione datata 2017.
Il sistema si basa sull’utilizzo di ROS (Robot Operative System, piattaforma Linux) e di una serie di applicazioni realizzate in C++ per svolgere determinati compiti, come il tracking della persona (human detection), il tracking di un determinato oggetto (object detection) o il rilevamento dello skeleton della persona nella scena, così da riconoscerne la posa (pose detection).
Il team di sviluppo originale ha con successo sviluppato una versione embedded della prima release del progetto su schede NVIDIA Jetson TX1 e TK1, mentre l’ultima versione non è ancora stata adattata per piattaforma embedded.
L’obiettivo del lavoro qui presentato è quello di compiere questa trasposizione anche per l’ultima e più completa versione su scheda NVIDIA Jetson TX2, ed effettuare una caratterizzazione del sistema in configurazione multicamera embedded
Validazione di algoritmi di calibrazione estrinseca basati su skeletonization del corpo umano
Full text linkLa presente memoria descrive le procedure utilizzate per la valutazione metrologica di procedure di calibrazione estrinseca di sistemi di visione composti da più telecamere. Viene definita calibrazione estrinseca quella procedura che consente di calcolare posizione ed orientamento di ogni telecamera presente in un sistema multicamera rispetto a tutte le altre. I metodi di calibrazione estrinseca si possono dividere principalmente in tre gruppi: tradizionali, basati sul riconoscimento di forme tridimensionali e basati su skeletonization. I metodi di calibrazione tradizionali si basano sull’utilizzo di target di calibrazione noti (scacchiere, griglie di punti, frange, etc) che vengono riconosciuti automaticamente dal sistema. Il sistema misura la posizione dei punti caratteristici del target ottenendo in questo modo i parametri di rotazione e traslazione desiderati. I metodi basati sul riconoscimento di forme tridimensionali (3D shape matching) sono invece fondati sulla coerenza geometrica di un oggetto 3D posizionato nel campo di vista delle varie telecamere: ciascun dispositivo registra una parte dell’oggetto target e successivamente, allineando ciascuna vista con le rimanenti, ed analizzando la traiettoria dell’oggetto vista da ogni telecamera è possibile risalire alle matrici di calibrazione. I metodi di calibrazione tradizionali, così come quelli basati su 3D shape matching risultano svantaggiosi in termini di tempo di esecuzione. Inoltre, queste tipologie necessitano di un target di calibrazione.
Infine, i metodi basati sul riconoscimento dello scheletro umano (skeleton-based) utilizzano come target di calibrazione direttamente le articolazioni (joint) di un operatore che si posiziona all’interno del campo di vista delle telecamere. I metodi skeleton-based rappresentano quindi un’evoluzione dei metodi di 3D shape matching in quanto è come se venissero considerate forme 3D multiple rappresentate dai segmenti corporei dell’operatore stesso. Risulta quindi possibile ottenere una calibrazione estrinseca senza alcun oggetto caratteristico, ma semplicemente utilizzando il corpo dell’operatore umano come oggetto stesso. Nonostante in letteratura siano presenti lavori relativi alla valutazione dell’accuratezza nella misura dei joint, non sono presenti lavori che mostrano come questa accuratezza venga propagata a livello di matrici di rototraslazione risultanti dalla procedura di calibrazione. Il presente lavoro descrive le procedure utilizzate per valutare l’affidabilità della calibrazione estrinseca ottenuta tramite le posizioni dei joint misurate tramite il metodo di skeletonization descritto in [3]
- …
