| Tipo di tesi | Tesi di laurea magistrale | ||||||||||||||||||||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Autore | BALDONI, OLMO | ||||||||||||||||||||||||||||||
| URN | etd-03142025-114819 | ||||||||||||||||||||||||||||||
| Titolo | A Semi-Automatic Instance Segmentation Approach for Indoor Farming Crops | ||||||||||||||||||||||||||||||
| Titolo in inglese | A Semi-Automatic Instance Segmentation Approach for Indoor Farming Crops | ||||||||||||||||||||||||||||||
| Struttura | Dipartimento di Ingegneria | ||||||||||||||||||||||||||||||
| Corso di studi | Ingegneria informatica | ||||||||||||||||||||||||||||||
| Commissione |
|
||||||||||||||||||||||||||||||
| Parole chiave |
|
||||||||||||||||||||||||||||||
| Data inizio appello | 2025-04-14 | ||||||||||||||||||||||||||||||
| Disponibilità | Accesso limitato: si può decidere quali file della tesi rendere accessibili. Disponibilità mixed (scegli questa opzione se vuoi rendere inaccessibili tutti i file della tesi o parte di essi) | ||||||||||||||||||||||||||||||
| Data di rilascio | 2065-04-14 | ||||||||||||||||||||||||||||||
Riassunto analitico
Nelle applicazioni industriali di machine learning, acquisire dataset di grandi dimensioni e completamente annotati rimane una sfida critica, in particolare per le startup in domini specializzati dove l'esperienza sui dati, la sicurezza e i vincoli di budget richiedono un'annotazione interna. Questa tesi affronta queste sfide proponendo un framework human-in-the-loop (HITL) che combina l'apprendimento attivo (AL) e il machine learning interattivo (IML) per ottimizzare l'efficienza dell'annotazione mantenendo la qualità dei dati. Il sistema integra modelli di segmentazione di istanze semi-automatici all'interno della piattaforma Label Studio, sfruttando container Docker per modularità e scalabilità. Vengono implementati due backend di machine learning: un modello Segment Anything Model (SAM) zero-shot per la segmentazione in tempo reale guidata dall'utente e modelli Mask R-CNN/Mask2Former ottimizzati per la pre-annotazione in batch. Il framework è validato su un'attività di segmentazione di istanze binarie per il rilevamento di piante di basilico malate in sistemi idroponici. |
|||||||||||||||||||||||||||||||
Abstract
In industrial machine learning applications, acquiring large, fully annotated datasets remains a critical challenge, particularly for startups in specialized domains where data expertise, security, and budget constraints necessitate in-house annotation. This thesis addresses these challenges by proposing a human-in-the-loop (HITL) framework that combines active learning (AL) and interactive machine learning (IML) to optimize annotation efficiency while maintaining data quality. The system integrates semi-automatic instance segmentation models within the Label Studio platform, leveraging Docker containers for modularity and scalability. Two machine learning backends are implemented: a zero-shot Segment Anything Model (SAM) for real-time user-guided segmentation and fine-tuned Mask R-CNN/Mask2Former models for batch pre-annotation. The framework is validated on a binary instance segmentation task for detecting diseased basil plants in hydroponic systems. |
|||||||||||||||||||||||||||||||
| File |
|
||||||||||||||||||||||||||||||