SVILUPPO DI UN MODELLO DEEP LEARNING PER IL RICONOSCIMENTO DI UN INVERTER IN APPLICAZIONE REAL-TIME

This thesis introduces an innovative approach for real-time recognition and analysis of inverters in an applied context. Leveraging neural networks, specifically the YOLOv5 model, the system extracts meaningful information from video frames, accurately identifying the position of inverters within the scene. The processing workflow includes video segmentation into individual frames, execution of two inference phases, cropping frames based on predictions, and subsequent analysis of results. Additionally, the implementation of Optical Character Recognition (OCR) allows for the extraction of specific information from inverters, further enriching the context of the analysis.

Questa tesi presenta un approccio innovativo per il riconoscimento e l'analisi in tempo reale di inverter in un contesto applicativo. Attraverso l'utilizzo di reti neurali, in particolare il modello YOLOv5, il sistema estrae informazioni significative dai frame di un video, identificando con precisione la posizione degli inverter all'interno della scena. Il flusso di elaborazione comprende la suddivisione del video in singoli frame, l'esecuzione di due fasi di inferenza, il ritaglio dei frame in base alle previsioni e la successiva analisi dei risultati. Inoltre, l'implementazione di Optical Character Recognition (OCR) consente di estrarre informazioni specifiche dagli inverter, arricchendo ulteriormente il contesto dell'analisi.