DEEP LEARNING-DRIVEN SEMANTIC SYSTEMS: TOWARDS NEXT-GENERATION STRUCTURAL HEALTH MONITORING

This thesis proposes a task-oriented SemCom system for UAV-based bridge inspection, leveraging a CLIP model specialized via Low-Rank Adaptation (LoRA). By prioritizing the transmission of essential structural features through a deep residual-MLP autoencoder, the system achieves a 76% diagnostic accuracy even in low-SNR environments (-7 dB), significantly outperforming the Zero-Shot baseline.

Questa tesi propone un sistema SemCom orientato al compito (task-oriented) per l'ispezione dei ponti tramite UAV, sfruttando un modello CLIP specializzato mediante Low-Rank Adaptation (LoRA). Dando priorità alla trasmissione delle caratteristiche strutturali essenziali attraverso un autoencoder basato su MLP residuo profondo, il sistema raggiunge un'accuratezza diagnostica del 76% anche in ambienti a basso SNR (-7 dB), superando significativamente la baseline Zero-Shot.