Sistema di video-analisi per monitoraggio ambientale - Implementazione di AI Embedded per Video-Analisi Ambientale e Confronto di Architetture Edge

Abstract

Il presente lavoro di tesi illustra la progettazione, lo sviluppo e la validazione sul campo di un'infrastruttura IoT end-to-end per il rilevamento tempestivo degli incendi boschivi. Al fine di superare i vincoli di connettività, latenza e consumo energetico tipici dei sistemi Cloud-centrici (quali le API remote), il progetto adotta integralmente il paradigma Edge AI. L'inferenza computazionale viene eseguita sul nodo periferico sfruttando i modelli di visione artificiale della famiglia YOLO. Per massimizzare l'efficienza hardware, la logica di rilevamento è governata da una macchina a stati finiti asincrona che combina una pipeline di classificazione leggera a una di localizzazione spaziale (Object Detection) ad alta risoluzione, garantendo l'azzeramento dei falsi positivi. L'isolamento geografico delle aree forestali è superato tramite un'infrastruttura di trasmissione radio LoRa in topologia Point-to-Point (P2P), capace di inviare payload ottimizzati in Base64 scavalcando l'assenza di reti cellulari. I dati convergono in un nodo ricevitore centrale scalabile, interfacciato con una dashboard Grafana e un bot Telegram per l'alerting in tempo reale. A supporto del ciclo di vita del software (MLOps), è stata sviluppata un'applicazione Web basata sul modello fondazionale SAM 3 di Meta, capace di automatizzare il data labeling e ridurre dell'80% i tempi di annotazione manuale dei dataset. Infine, la validazione sperimentale ha dimostrato la netta superiorità degli acceleratori hardware TensorRT su dispositivi Edge dedicati (famiglia NVIDIA Jetson) rispetto a CPU general-purpose (Raspberry Pi 5). Il sistema ha garantito un'elevata fluidità d'inferenza e un assoluto determinismo energetico (circa 0.096 kWh/24h), mantenendo i consumi stabili anche durante le emergenze prolungate e validando la piena sostenibilità del monitoraggio in postazioni isolate ad energia solare.

This thesis illustrates the design, development, and field validation of an end-to-end IoT infrastructure for the early detection of forest fires. In order to overcome the connectivity, latency, and energy consumption constraints typical of Cloud-centric systems (such as remote APIs), the project fully adopts the Edge AI paradigm. Computational inference is executed on the peripheral node using computer vision models from the YOLO family. To maximize hardware efficiency, the detection logic is handled by an asynchronous finite state machine that combines a lightweight classification pipeline with high-resolution spatial localization (Object Detection), ensuring the elimination of false positives. The geographical isolation of forest areas is overcome through a LoRa radio transmission infrastructure in a Point-to-Point (P2P) topology, capable of sending optimized Base64 payloads, bypassing the lack of cellular networks. Data converges into a scalable central receiver node, interfaced with a Grafana dashboard and a Telegram bot for real-time alerting. To support the software lifecycle (MLOps), a Web application based on Meta's SAM 3 foundational model was developed, capable of automating data labeling and reducing manual dataset annotation times by 80%. Finally, experimental validation demonstrated the clear superiority of TensorRT hardware accelerators on dedicated Edge devices (NVIDIA Jetson family) compared to general-purpose CPUs (Raspberry Pi 5). The system guaranteed high inference fluidity and absolute energy determinism (approximately 0.096 kWh/24h), maintaining stable consumption even during prolonged emergencies and validating the full sustainability of monitoring in isolated, solar-powered stations.