Studio di un sistema di rilevamento di buche per la guida autonoma mediante Edge Impulse e OpenMV Cam H7 Plus

In this thesis, an embedded system for pothole detection using deep neural networks has been developed, with a focus on computational efficiency and real-time execution on resource-constrained devices. The project involved the use of the OpenMV Cam H7 Plus board, on which the FOMO (Fast Object Detection Model for Mobile Devices) model was deployed, trained using the Edge Impulse platform. The model was trained on a custom dataset of annotated images and tested in real conditions, obtaining good results both in terms of accuracy and inference speed. Two execution modes of the model – OpenMV Firmware and OpenMV Library – were compared, analyzing their frame rate and detection capability. The effect of adding new classes and post-processing techniques to improve the system reliability was also evaluated. The results confirm the possibility of implementing lightweight and effective object detection solutions for urban monitoring applications. This work constitutes a starting point for further future developments.

In questa tesi è stato sviluppato un sistema embedded per il rilevamento di buche stradali utilizzando reti neurali profonde, con particolare attenzione all’efficienza computazionale e all’esecuzione in tempo reale su dispositivi a risorse limitate. Il progetto ha previsto l’impiego della scheda OpenMV Cam H7 Plus, su cui è stato distribuito il modello FOMO (Fast Object Detection Model for Mobile Devices), addestrato tramite la piattaforma Edge Impulse. Il modello è stato allenato su un dataset personalizzato di immagini annotate e testato in condizioni reali, ottenendo buoni risultati sia in termini di accuratezza che di rapidità di inferenza. Sono state confrontate due modalità di esecuzione del modello – OpenMV Firmware e OpenMV Library – analizzandone il frame rate e la capacità di rilevamento. È stato inoltre valutato l’effetto dell’aggiunta di nuove classi e di tecniche di post-processing per migliorare l’affidabilità del sistema. I risultati confermano la possibilità di implementare soluzioni leggere ed efficaci di object detection per applicazioni di monitoraggio urbano. Questo lavoro costituisce un punto di partenza per ulteriori sviluppi futuri.