BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//ISISLab - ECPv6.3.3//NONSGML v1.0//EN
CALSCALE:GREGORIAN
METHOD:PUBLISH
X-WR-CALNAME:ISISLab
X-ORIGINAL-URL:https://www.isislab.it
X-WR-CALDESC:Eventi per ISISLab
REFRESH-INTERVAL;VALUE=DURATION:PT1H
X-Robots-Tag:noindex
X-PUBLISHED-TTL:PT1H
BEGIN:VTIMEZONE
TZID:Europe/Rome
BEGIN:DAYLIGHT
TZOFFSETFROM:+0100
TZOFFSETTO:+0200
TZNAME:CEST
DTSTART:20260329T010000
END:DAYLIGHT
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
TZNAME:CET
DTSTART:20261025T010000
END:STANDARD
END:VTIMEZONE
BEGIN:VEVENT
DTSTART;TZID=Europe/Rome:20260128T160000
DTEND;TZID=Europe/Rome:20260128T170000
DTSTAMP:20260501T195755
CREATED:20260124T173434Z
LAST-MODIFIED:20260124T173521Z
UID:50728-1769616000-1769619600@www.isislab.it
SUMMARY:Seminario: Progettazione e sviluppo di un sistema per la gestione\, l’analisi e il rilevamento di anomalie in dati sensoriali e visivi di Mihaela Bianca Maienza
DESCRIPTION:Abstract:La crescente diffusione di sistemi di monitoraggio basati su sensori e dispositivi di acquisizionevisiva ha reso centrale la necessità di gestire\, analizzare e interpretare grandi volumi di datieterogenei in modo automatico ed affidabile. In questo contesto\, la presente tesi propone Packillucens Sync\, un sistema modulare per la raccolta\, l’archiviazione\, l’analisi esplorativa e ilrilevamento automatico di anomalie in dati ambientali e visivi acquisiti in parallelo. \n\n\n\nIl sistema integra dati provenienti da sensori ambientali (temperatura\, umidità\, pressione e luce)\, sensori del suolo (temperatura\, umidità\, conducibilità elettrica e pH)\, sensori NPK (azoto\, fosforo e potassio) e immagini acquisite nel tempo. I dati vengono sincronizzati da un archivio cloud\, preprocessati e archiviati in un database relazionale PostgreSQL\, progettato per garantirecoerenza temporale\, tracciabilità delle sessioni di acquisizione e integrazione tra misure numeriche e contenuti visivi. \n\n\n\nLa pipeline di analisi include una fase di analisi esplorativa dei dati (EDA)\, finalizzata a individuare pattern temporali\, correlazioni tra variabili e problematiche di qualità del dato\, e una fase di rilevamento delle anomalie basata su tecniche di apprendimento automatico non supervisionato.Per i dati sensoriali vengono implementati e confrontati due approcci complementari: un LSTM Autoencoder\, in grado di modellare l’andamento temporale delle serie multivariate\, e un One-Class Support Vector Machine\, applicato a feature temporali estratte automaticamente. Le anomalie vengono identificate come deviazioni significative rispetto al comportamento appreso durante una fase di addestramento su dati considerati normali.Per i dati visivi\, le immagini vengono ricostruite in sequenze video e analizzate tramite l’estrazione di un motion index basato su optical flow\, successivamente utilizzato come input per un LSTM Autoencoder dedicato al rilevamento di anomalie nel movimento. \n\n\n\nL’intero sistema è progettato come una pipeline end-to-end automatizzabile\, capace di generare report\, visualizzazioni e confronti tra modelli. I risultati mostrano come l’integrazione di approcci differenti consenta un’analisi più robusta e interpretabile\, evidenziando il potenziale del sistema come supporto al monitoraggio intelligente e all’individuazione precoce di comportamenti anomali.
URL:https://www.isislab.it/event/seminario-progettazione-e-sviluppo-di-un-sistema-per-la-gestione-lanalisi-e-il-rilevamento-di-anomalie-in-dati-sensoriali-e-visivi-di-mihaela-bianca-maienza/
CATEGORIES:Seminari
ATTACH;FMTTYPE=image/png:https://www.isislab.it/wp-content/uploads/2026/01/seminario-28-01-2026-.png
END:VEVENT
END:VCALENDAR