Progettazione ed implementazione di un modello di machine learning per il rilevamento di spazi liberi di parcheggio tramite videocamera a bordo veicolo

Abstract

La ricerca di parcheggio nelle aree urbane rappresenta una delle principali cause della creazione del traffico, contribuendo significativamente all’aumento dell’inquinamento e dello stress per i conducenti. In questo contesto, la presente tesi ha l’obiettivo di progettare e sviluppare un sistema per l’individuazione di spazi liberi di parcheggio tramite una videocamera installata a bordo veicolo. Dopo una fase introduttiva dedicata al contesto applicativo e alle basi teoriche, l’elaborato si concentra sulle procedure realizzative di una soluzione di Edge AI, ovvero senza l’uso di un cloud per l’elaborazione dei dati, compatta, a basso costo e scalabile. L’approccio metodologico ha previsto la raccolta di immagini e la loro annotazione all’interno di un dataset personalizzato, a causa della mancanza di dataset pubblici adeguati, seguita dall’addestramento di una rete neurale convoluzionale, mentre la sperimentazione è stata condotta su dati reali acquisiti in diverse condizioni ambientali, al fine di validare la robustezza del modello nell’individuare correttamente gli stalli liberi. Segue una sezione di presentazione ed analisi dei risultati ottenuti e, in conclusione, vengono discusse alcune limitazioni emerse e riportati possibili sviluppi futuri, offrendo un’analisi critica del contributo personale apportato.

The search for parking in urban areas represents one of the main causes of traffic creation, contributing significantly to the increase in pollution and stress for drivers. In this context, the present thesis has the objective to design and develop a system for the identification of free parking spaces through a camera installed onboard the vehicle. After an introductory phase dedicated to the application context and theoretical bases, the paper focuses on the realization procedures of an Edge AI solution, that is, without the use of a cloud for data processing, compact, low-cost, and scalable. The methodological approach involved the collection of images and their annotation inside a custom dataset, due to the lack of adequate public datasets, followed by the training of a convolutional neural network, while the experimentation was conducted on real data acquired in different environmental conditions, in order to validate the robustness of the model in correctly identifying the free slots. A section of presentation and analysis of the obtained results follows, and, in conclusion, some emerged limitations are discussed and possible future developments are reported, offering a critical analysis of the personal contribution brought.