Segmentazione di Fiumi Mediante Reti Neurali Convoluzionali: Un'Applicazione del Deep Learning per l'Analisi Ambientale

Abstract

Questo elaborato si inserisce nell’ambito dell’analisi ambientale, con particolare riferimento alla segmentazione semantica di immagini fluviali. La corretta identificazione degli elementi che costituiscono l’alveo di un fiume, quali acqua, sedimenti, vegetazione ed elementi antropici, riveste un ruolo fondamentale per attività di monitoraggio ambientale, gestione del territorio e prevenzione del rischio idrogeologico.

L’obiettivo del progetto è lo sviluppo e l’addestramento di un modello basato su reti neurali convoluzionali in grado di classificare tali elementi a partire da immagini. A tal fine, è stata implementata un’architettura di tipo U-Net, ampiamente utilizzata nei compiti di segmentazione semantica.

Nel corso dell’elaborato vengono introdotti i concetti fondamentali del deep learning e delle reti neurali, con particolare attenzione alla struttura e al funzionamento delle reti convoluzionali. Vengono inoltre descritti i principali meccanismi alla base di tali modelli, tra cui convoluzione, pooling e padding, nonché tecniche di addestramento avanzate come il transfer learning.

Successivamente, sono illustrate le fasi di preprocessing dei dati e di addestramento del modello, seguite dalla presentazione e analisi dei risultati ottenuti, espressi sotto forma di immagini segmentate multicanale e mappe di classificazione.

This project focuses on environmental analysis, with particular reference to the semantic segmentation of river images. Correctly identifying the elements that make up a riverbed—such as water, sediments, vegetation, and human-made elements—plays a crucial role in environmental monitoring, land management, and hydrogeological risk prevention.

The project's objective is to develop and train a model based on convolutional neural networks capable of classifying these elements from images. To this end, a U-Net architecture, widely used in semantic segmentation tasks, was implemented.

The project introduces the fundamental concepts of deep learning and neural networks, with particular attention to the structure and operation of convolutional networks. The main mechanisms underlying these models are also described, including convolution, pooling, and padding, as well as advanced training techniques such as transfer learning.

Subsequently, the data preprocessing and model training phases are illustrated, followed by the presentation and analysis of the obtained results, expressed in the form of multi-channel segmented images and classification maps.