Classificazione in tempo reale della rugosità di oggetti mediante sensori piezoelettrici e tecniche di intelligenza artificiale su sistemi embedded

Abstract

In questa tesi viene utilizzata la pelle elettronica, o artificiale, un sistema composto da una matrice di sensori piezoelettrici, incapsulati in un guanto di silicone, i quali convertono uno stress meccanico in un segnale elettrico. I segnali prodotti dal sistema vengono campionati ed acquisiti tramite un'interfaccia elettronica, per poi essere trasmessi via cavo tramite protocollo UART ad un microcontrollore. Lo scopo di questa tesi è acquisire un dataset per l'addestramento di una rete neurale convoluzionale monodimensionale al fine di riconoscere la rugosità di sei oggetti. I dati acquisiti vengono elaborati tramite tecniche di data processing, quali media mobile e normalizzazione, per renderli assimilabili dalla rete neurale. Viene poi ricercato il modello con l'accuratezza maggiore, per poi valutarne le prestazioni, quali tempo di inferenza, potenza dissipata ed energia, una volta implementato su microcontrollore.

In this thesis, an electronic, or artificial, skin is used — a system consisting of a matrix of piezoelectric sensors encapsulated in a silicone glove, which convert mechanical stress into an electrical signal. The signals produced by the system are sampled and acquired through an electronic interface, and then transmitted via UART protocol to a microcontroller. The aim of this thesis is to acquire a dataset for training a one-dimensional convolutional neural network in order to recognize the roughness of six objects. The acquired data are processed using data processing techniques such as moving average and normalization, to make them suitable for the neural network. The model with the highest accuracy is then selected and its performance — including inference time, power dissipation, and energy — is evaluated once implemented on the microcontroller.