La tesi si basa sui principi dell’Industria 4.0, con particolare attenzione al deep learning e alla produzione additiva, focalizzandosi sul monitoraggio dei processi Direct Energy Deposition (DED) mediante tecniche di segmentazione basate su computer vision, al fine di identificare le componenti principali del processo in condizioni operative generali.
APPLICAZIONE DI YOLO11 NEL MONITORAGGIO DEI PROCESSI DI DIRECTED ENERGY DEPOSITION
CAMINITI, GABRIELE
2024/2025
Abstract
La tesi si basa sui principi dell’Industria 4.0, con particolare attenzione al deep learning e alla produzione additiva, focalizzandosi sul monitoraggio dei processi Direct Energy Deposition (DED) mediante tecniche di segmentazione basate su computer vision, al fine di identificare le componenti principali del processo in condizioni operative generali.File in questo prodotto:
| File | Dimensione | Formato | |
|---|---|---|---|
|
Caminiti_Tesi.pdf
non disponibili
Descrizione: La tesi si basa sui principi dell’Industria 4.0, con particolare attenzione al deep learning e alla produzione additiva, focalizzandosi sul monitoraggio dei processi Direct Energy Deposition (DED) mediante tecniche di segmentazione
Dimensione
66.02 MB
Formato
Adobe PDF
|
66.02 MB | Adobe PDF |
I documenti in UNITESI sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.
Utilizza questo identificativo per citare o creare un link a questo documento:
https://hdl.handle.net/20.500.14253/67185