not yet published
Conference article
Open Access
Classifying the ripeness of mangoes using image processing and deep learning
Jirapattarasakul S., Thanyacharoen S., Leone G. R., Akkaralaertsest T., Yingthawornsuk T.
Mango is a popular fruit that comes in many different varieties. Each variety has a different flavor, aroma, and texture. Selecting mangoes at the appropriate level of ripeness is therefore important to both consumers and producers. Problems frequently encountered include inconsistencies in sorting mangoes using traditional methods, which often rely on human experience and eyesight. This can affect the quality of mango product. This research focuses on developing a ripeness-rawness screening system for Okrong and Mahachanok mango varieties using Deep Learning and Image Processing techniques. Two CNN (Convolutional Neural Network) models, VGG16, MobileNetV2, and CNN1D, were used to analyze mango images and distinguish between ripe and raw levels. The test results showed that the VGG16 model achieved the highest performance in screening ripeness-rawness of both mango varieties, with an accuracy of 98%, followed by MobileNetV2 at 96% and CNN1D at 92%. For the ripeness-rawness classification of only the Okrong mango variety, the VGG16 model still achieved the highest performance, with an accuracy of 99%, followed by MobileNetV2 at 96% and CNN1D at 95%. These results indicate that CNN models, particularly VGG16, have great potential for application in developing automated mango sorting system based on ripeness-rawness levels. This proposed work can significantly improve efficiency in managing and selecting mango product.
Jirapattarasakul S., Thanyacharoen S., Leone G. R., Akkaralaertsest T., Yingthawornsuk T.
Mango is a popular fruit that comes in many different varieties. Each variety has a different flavor, aroma, and texture. Selecting mangoes at the appropriate level of ripeness is therefore important to both consumers and producers. Problems frequently encountered include inconsistencies in sorting mangoes using traditional methods, which often rely on human experience and eyesight. This can affect the quality of mango product. This research focuses on developing a ripeness-rawness screening system for Okrong and Mahachanok mango varieties using Deep Learning and Image Processing techniques. Two CNN (Convolutional Neural Network) models, VGG16, MobileNetV2, and CNN1D, were used to analyze mango images and distinguish between ripe and raw levels. The test results showed that the VGG16 model achieved the highest performance in screening ripeness-rawness of both mango varieties, with an accuracy of 98%, followed by MobileNetV2 at 96% and CNN1D at 92%. For the ripeness-rawness classification of only the Okrong mango variety, the VGG16 model still achieved the highest performance, with an accuracy of 99%, followed by MobileNetV2 at 96% and CNN1D at 95%. These results indicate that CNN models, particularly VGG16, have great potential for application in developing automated mango sorting system based on ripeness-rawness levels. This proposed work can significantly improve efficiency in managing and selecting mango product.
See at:
gcmm2024.rmutk.ac.th 
| CNR IRIS | CNR IRIS 
| CNR IRIS
2026
Conference article
Open Access
Advancements in Artificial Intelligence and Computer Vision for Biomedical Applications @SI-Lab
Marco Cafiso, Andrea Carboni, Claudia Caudai, Sara Colantonio, Francesco Conti, Mario D’acunto, Said Daoudagh, Giulio Del Corso, Riccardo Del Gratta, Danila Germanese, Giacomo Ignesti, Gianmarco Lazzini, Giuseppe Riccardo Leone, Barbara Leporini, Massimo Magrini, Massimo Martinelli, Davide Moroni, Ali Reza Omrani, Francesca Pardini, Maria Antonietta Pascali, Paolo Paradisi, Laura Sebastiaini, Marco Tampucci, Valeria Tateo, Federico Volpini
This paper summarizes recent research at the Signals and Images Lab (ISTI-CNR) leveraging artificial intelligence, machine learning, and computer vision to address complex biomedical challenges. We highlight advancements in trustworthy, explainable algorithmic foundations alongside their practical clinical applications across diagnostic imaging, physiological signal analysis and neuromotor rehabilitation.
Marco Cafiso, Andrea Carboni, Claudia Caudai, Sara Colantonio, Francesco Conti, Mario D’acunto, Said Daoudagh, Giulio Del Corso, Riccardo Del Gratta, Danila Germanese, Giacomo Ignesti, Gianmarco Lazzini, Giuseppe Riccardo Leone, Barbara Leporini, Massimo Magrini, Massimo Martinelli, Davide Moroni, Ali Reza Omrani, Francesca Pardini, Maria Antonietta Pascali, Paolo Paradisi, Laura Sebastiaini, Marco Tampucci, Valeria Tateo, Federico Volpini
This paper summarizes recent research at the Signals and Images Lab (ISTI-CNR) leveraging artificial intelligence, machine learning, and computer vision to address complex biomedical challenges. We highlight advancements in trustworthy, explainable algorithmic foundations alongside their practical clinical applications across diagnostic imaging, physiological signal analysis and neuromotor rehabilitation.
2026
Conference article
Open Access
Remind me of something? Zero-Shot learning for trustworthy image comparison in rolling stock
Papini Oscar, Del Corso Giulio, Bulotta Davide, Carboni Andrea, Gravili Silvia, Leone Giuseppe Riccardo, Pascali Maria Antonietta, Moroni Davide, Colantonio Sara
This paper discusses the need for trustworthy AI in urban mobility, focusing on high-stakes security applications such as anomaly detection in public transportation. Because the accuracy required to identify potentially dangerous objects often surpasses the capabilities of current models, there is an unavoidable incidence of false positives. We suggest a "learning to defer" approach as a solution. Our technique uses the deep features and label relative importance of a pre-trained classifier (DenseNet/ImageNET-1k) to create a unique item "fingerprint". We then employ a zero-shot meta-learning approach to calibrate the system, enabling it to distinguish between normal background items and genuine anomalies by assigning a similarity score. This method significantly reduces the false "new object" alarms that would otherwise overwhelm human operators. Our proof-of-concept demonstrates that the system is computationally light and can be easily adapted to specific environments and integrated into existing classification modules.Source: LECTURE NOTES IN COMPUTER SCIENCE, vol. 16170, pp. 323-334. Roma, Italy, 15-19/09/2025
DOI: 10.1007/978-3-032-11381-8_28
Project(s): FAITH
Metrics:
Papini Oscar, Del Corso Giulio, Bulotta Davide, Carboni Andrea, Gravili Silvia, Leone Giuseppe Riccardo, Pascali Maria Antonietta, Moroni Davide, Colantonio Sara
This paper discusses the need for trustworthy AI in urban mobility, focusing on high-stakes security applications such as anomaly detection in public transportation. Because the accuracy required to identify potentially dangerous objects often surpasses the capabilities of current models, there is an unavoidable incidence of false positives. We suggest a "learning to defer" approach as a solution. Our technique uses the deep features and label relative importance of a pre-trained classifier (DenseNet/ImageNET-1k) to create a unique item "fingerprint". We then employ a zero-shot meta-learning approach to calibrate the system, enabling it to distinguish between normal background items and genuine anomalies by assigning a similarity score. This method significantly reduces the false "new object" alarms that would otherwise overwhelm human operators. Our proof-of-concept demonstrates that the system is computationally light and can be easily adapted to specific environments and integrated into existing classification modules.Source: LECTURE NOTES IN COMPUTER SCIENCE, vol. 16170, pp. 323-334. Roma, Italy, 15-19/09/2025
DOI: 10.1007/978-3-032-11381-8_28
Project(s): FAITH
Metrics:
See at:
CNR IRIS | link.springer.com | CNR IRIS | CNR IRIS
2026
Other
Open Access
Progettazione di un dataset multi-modale di oggetti abbandonati per applicazioni in domini con scarsità di dati
Disperati Alessio, Del Corso Giulio, Leone Giuseppe Riccardo, Papini Oscar, Ceni Andrea
Le moderne soluzioni per la classificazione e l'identificazione di oggetti e persone tramite telecamere si appoggiano su reti neurali addestrate su milioni di immagini naturali. Sebbene efficienti per l'uso quotidiano, le performance di questi metodi degradano in domini applicativi specifici con oggetti poco o per niente rappresentati nei dataset di addestramento. Questa tesi, che costituisce la relazione del tirocinio svolto da ottobre 2025 a gennaio 2026 presso l'Istituto di Scienza e Tecnologie dell'Informazione del Consiglio Nazionale delle Ricerche (ISTI-CNR) di Pisa nell'ambito del progetto europeo FAITH, di cui ISTI-CNR è il leader del sottoprogetto pilota sul trasporto pubblico, si pone l'obiettivo di sopperire a tale mancanza di informazioni mediante la creazione di un dataset multimodale personalizzato nell'ambito del trasporto pubblico, chiamato CTOD (Common Train Objects Dataset). Nel dettaglio, in essa sono illustrate tutte le attività svolte e le scelte progettuali, a partire da quella della telecamera utilizzata per acquisire i dati e la sua validazione, fino ad arrivare alla presentazione del dataset, descrivendone dettagliatamente la definizione, l'organizzazione strutturale e l'implementazione, compreso il modulo associato ad esso per permetterne l'interazione con l'utilizzatore.
Disperati Alessio, Del Corso Giulio, Leone Giuseppe Riccardo, Papini Oscar, Ceni Andrea
Le moderne soluzioni per la classificazione e l'identificazione di oggetti e persone tramite telecamere si appoggiano su reti neurali addestrate su milioni di immagini naturali. Sebbene efficienti per l'uso quotidiano, le performance di questi metodi degradano in domini applicativi specifici con oggetti poco o per niente rappresentati nei dataset di addestramento. Questa tesi, che costituisce la relazione del tirocinio svolto da ottobre 2025 a gennaio 2026 presso l'Istituto di Scienza e Tecnologie dell'Informazione del Consiglio Nazionale delle Ricerche (ISTI-CNR) di Pisa nell'ambito del progetto europeo FAITH, di cui ISTI-CNR è il leader del sottoprogetto pilota sul trasporto pubblico, si pone l'obiettivo di sopperire a tale mancanza di informazioni mediante la creazione di un dataset multimodale personalizzato nell'ambito del trasporto pubblico, chiamato CTOD (Common Train Objects Dataset). Nel dettaglio, in essa sono illustrate tutte le attività svolte e le scelte progettuali, a partire da quella della telecamera utilizzata per acquisire i dati e la sua validazione, fino ad arrivare alla presentazione del dataset, descrivendone dettagliatamente la definizione, l'organizzazione strutturale e l'implementazione, compreso il modulo associato ad esso per permetterne l'interazione con l'utilizzatore.
2025
Other
Open Access
SI-Lab Annual Research Report 2024
Awais Ch Muhammad, Baiamonte A., Benassi A., Berti A., Bertini G., Buongiorno R, Bulotta D., Cafiso M., Carboni A., Carloni G., Caudai C., Colantonio S., Conti F., Daoudagh S., Del Corso G., Fusco G., Galesi G., Germanese D., Gravili S., Ignesti G., Kuruoglu E. E., Lazzini G., Leone G. R., Leporini B., Magrini M., Martinelli M., Omrani Ali Reza, Pachetti E., Papini O., Paradisi P., Pardini F., Pascali M. A., Pieri G., Reggiannini M., Righi M., Salerno E., Salvetti O., Scozzari A., Sebastiani L., Straface S., Tampucci M., Tarabella L., Tonazzini A., Moroni D.
The Signal & Images Laboratory (SI-Lab) is an interdisciplinary research group in computer vision, signal analysis, intelligent vision systems and multimedia data understanding. It is part of the Institute of Information Science and Technologies (ISTI) of the National Research Council of Italy (CNR). This report accounts for the research activities of the Signal and Images Laboratory of the Institute of Information Science and Technologies during the year 2024.DOI: 10.32079/isti-ar-2025/002
Metrics:
Awais Ch Muhammad, Baiamonte A., Benassi A., Berti A., Bertini G., Buongiorno R, Bulotta D., Cafiso M., Carboni A., Carloni G., Caudai C., Colantonio S., Conti F., Daoudagh S., Del Corso G., Fusco G., Galesi G., Germanese D., Gravili S., Ignesti G., Kuruoglu E. E., Lazzini G., Leone G. R., Leporini B., Magrini M., Martinelli M., Omrani Ali Reza, Pachetti E., Papini O., Paradisi P., Pardini F., Pascali M. A., Pieri G., Reggiannini M., Righi M., Salerno E., Salvetti O., Scozzari A., Sebastiani L., Straface S., Tampucci M., Tarabella L., Tonazzini A., Moroni D.
The Signal & Images Laboratory (SI-Lab) is an interdisciplinary research group in computer vision, signal analysis, intelligent vision systems and multimedia data understanding. It is part of the Institute of Information Science and Technologies (ISTI) of the National Research Council of Italy (CNR). This report accounts for the research activities of the Signal and Images Laboratory of the Institute of Information Science and Technologies during the year 2024.DOI: 10.32079/isti-ar-2025/002
Metrics:
2025
Conference article
Open Access
Deep learning approches to banana ripeness detection
Thanyacharoen S., Jirapattarasakul S., Joijinda N., Leone G. R., Akkaralaertsest T., Yingthawornsuk T.
This study presents a comparative analysis of five deep learning models VGG16, VGG19, Xception, InceptionV3, and MobileNetV2 or banana ripeness classification. A dataset used in this study consists of four levels of ripeness: overripe, ripe, rotten, and unripe. Each deep learning model was fine-tuned using pre-trained weights from ImageNet to adapt them for banana ripeness classification each model was fine-tuned with pre-trained weights from ImageNet. The evaluation was conducted using 5-Fold Cross-Validation to ensure the robustness of the results. As results shown, the VGG16 achieved the highest accurate performance of 93.7%, surpassing other models in all metrics. MobileNetV2 and Xception followed closely, demonstrating competitive results, while InceptionV3 had the lowest accuracy. Results indicate that VGG16 is best suited for banana ripeness. This research highlights the potential of deep learning in automating fruit ripeness detection and provides valuable insights for agricultural applications. Future work may explore the integration of additional datasets and real-time deployment for broader use cases.DOI: 10.1109/ieecon64081.2025.10987896
Metrics:
Thanyacharoen S., Jirapattarasakul S., Joijinda N., Leone G. R., Akkaralaertsest T., Yingthawornsuk T.
This study presents a comparative analysis of five deep learning models VGG16, VGG19, Xception, InceptionV3, and MobileNetV2 or banana ripeness classification. A dataset used in this study consists of four levels of ripeness: overripe, ripe, rotten, and unripe. Each deep learning model was fine-tuned using pre-trained weights from ImageNet to adapt them for banana ripeness classification each model was fine-tuned with pre-trained weights from ImageNet. The evaluation was conducted using 5-Fold Cross-Validation to ensure the robustness of the results. As results shown, the VGG16 achieved the highest accurate performance of 93.7%, surpassing other models in all metrics. MobileNetV2 and Xception followed closely, demonstrating competitive results, while InceptionV3 had the lowest accuracy. Results indicate that VGG16 is best suited for banana ripeness. This research highlights the potential of deep learning in automating fruit ripeness detection and provides valuable insights for agricultural applications. Future work may explore the integration of additional datasets and real-time deployment for broader use cases.DOI: 10.1109/ieecon64081.2025.10987896
Metrics:
See at:
CNR IRIS | ieeexplore.ieee.org | CNR IRIS | CNR IRIS
2025
Conference article
Open Access
Towards trustworthy AI in the public transport domain
Leone G. R., Carboni A., Del Corso G., Gravili S., Moroni D., Pascali M. A., Colantonio S.
In the context of rapidly evolving urban landscapes, the demand for enhanced mobility services has become increasingly critical. Traditional transportation systems struggle to keep pace with the growing complexity of commuting patterns and the diverse needs of urban residents. While AI can play a strong role in addressing these emerging demands, a parallel need for trustworthy services is also arising, which must be adequately met to ultimately provide equitable and ethical services to society. Based on these considerations, we explore the relevant dimensions of AI trustworthiness and propose how they can be transferred and demonstrated in a large-scale pilot focused on public transportation and exploiting advanced visual analytics paradigms based on pervasive computing. To this end, we present the FAITH risk management framework, ongoing activities, and preliminary results towards its implementation in the pilot project.Source: CEUR WORKSHOP PROCEEDINGS, vol. 4121. Trieste, Italy, 23-24/06/2025
Leone G. R., Carboni A., Del Corso G., Gravili S., Moroni D., Pascali M. A., Colantonio S.
In the context of rapidly evolving urban landscapes, the demand for enhanced mobility services has become increasingly critical. Traditional transportation systems struggle to keep pace with the growing complexity of commuting patterns and the diverse needs of urban residents. While AI can play a strong role in addressing these emerging demands, a parallel need for trustworthy services is also arising, which must be adequately met to ultimately provide equitable and ethical services to society. Based on these considerations, we explore the relevant dimensions of AI trustworthiness and propose how they can be transferred and demonstrated in a large-scale pilot focused on public transportation and exploiting advanced visual analytics paradigms based on pervasive computing. To this end, we present the FAITH risk management framework, ongoing activities, and preliminary results towards its implementation in the pilot project.Source: CEUR WORKSHOP PROCEEDINGS, vol. 4121. Trieste, Italy, 23-24/06/2025
See at:
ceur-ws.org | CNR IRIS | CNR IRIS
2025
Other
Open Access
Tecniche di creazione dataset e modelli IA in regime di scarsità dei dati
Bulotta D., Del Corso G., Leone G. R.
Questo documento riporta il resoconto delle attività dello studente Davide Bulotta du- rante il tirocinio extracurriculare svolto presso lo Istituto di Scienza e Tecnologia dell’Informazione nel periodo Aprile 2024 - Marzo 2025. Il tirocinio è connesso con il progetto europeo F.A.I.T.H. (Fostering Artificial Intelligence Trust for Humans)[1], il cui obiettivo è quello di definire ed implementare degli strumenti ad hoc (FAITH Risk Management Framework) per misurare e migliorare l’affidabilità dei sistemi che utilizzano modelli di Intelligenza Artificiale (IA). Tale Framework è implementato, dimostrato e perfezionato tramite una selezione rappresentativa di sette progetti pilota su larga scala in ambiti critici, tra cui la mobilità nel trasporto pubblico. Lo ISTC-CNR si occupa di quest’ultimo dominio ed in particolare dell’utilizzo di sistemi di visione artificiale a bordo di treni regionali del vet- tore nazionale Trenitalia. Si opera in un ambiente in cui non è possibile ingegnerizzare al meglio la scena e vi è il divieto di effettuare registrazioni per rispetto del GDPR (ovvero le registrazioni effettuate sono visionabili solo da autorità di pubblica sicurezza). Lo studio effettuato affronta le sfide teoriche e implementative associate all’implementazione di sistemi di visione artificiale in domini caratterizzati da elevata scarsità di dati e rigidi vincoli hardware. Il fulcro della ricerca propone una metodologia semi-supervisionata definita “Zero-shot Annotation Coaching”, che formalizza una pipeline di distillazione della conoscenza. In questo contesto, un rilevatore di vocabolario aperto basato su Vision Transformer, in particolare OWLv2, funge da modello “insegnante”, sfruttando le sue capacità di generalizzazione semantica per generare pseudo-etichette da flussi video non annotati. Questo processo trasferisce efficacemente la comprensione semantica dell’architettura del trasformatore in un set di dati strutturato, consentendo l’addestramento supervisionato di un modello “studente”, YOLOv8, ottimizzato architettonicamente per l’inferenza a bassa latenza piuttosto che per l’ampiezza semantica open-world.
Bulotta D., Del Corso G., Leone G. R.
Questo documento riporta il resoconto delle attività dello studente Davide Bulotta du- rante il tirocinio extracurriculare svolto presso lo Istituto di Scienza e Tecnologia dell’Informazione nel periodo Aprile 2024 - Marzo 2025. Il tirocinio è connesso con il progetto europeo F.A.I.T.H. (Fostering Artificial Intelligence Trust for Humans)[1], il cui obiettivo è quello di definire ed implementare degli strumenti ad hoc (FAITH Risk Management Framework) per misurare e migliorare l’affidabilità dei sistemi che utilizzano modelli di Intelligenza Artificiale (IA). Tale Framework è implementato, dimostrato e perfezionato tramite una selezione rappresentativa di sette progetti pilota su larga scala in ambiti critici, tra cui la mobilità nel trasporto pubblico. Lo ISTC-CNR si occupa di quest’ultimo dominio ed in particolare dell’utilizzo di sistemi di visione artificiale a bordo di treni regionali del vet- tore nazionale Trenitalia. Si opera in un ambiente in cui non è possibile ingegnerizzare al meglio la scena e vi è il divieto di effettuare registrazioni per rispetto del GDPR (ovvero le registrazioni effettuate sono visionabili solo da autorità di pubblica sicurezza). Lo studio effettuato affronta le sfide teoriche e implementative associate all’implementazione di sistemi di visione artificiale in domini caratterizzati da elevata scarsità di dati e rigidi vincoli hardware. Il fulcro della ricerca propone una metodologia semi-supervisionata definita “Zero-shot Annotation Coaching”, che formalizza una pipeline di distillazione della conoscenza. In questo contesto, un rilevatore di vocabolario aperto basato su Vision Transformer, in particolare OWLv2, funge da modello “insegnante”, sfruttando le sue capacità di generalizzazione semantica per generare pseudo-etichette da flussi video non annotati. Questo processo trasferisce efficacemente la comprensione semantica dell’architettura del trasformatore in un set di dati strutturato, consentendo l’addestramento supervisionato di un modello “studente”, YOLOv8, ottimizzato architettonicamente per l’inferenza a bassa latenza piuttosto che per l’ampiezza semantica open-world.
2025
Conference article
Open Access
Leveraging AI for Signal and Image Analysis in Medicine and Health
Marco Cafiso, Andrea Carboni, Claudia Caudai, Sara Colantonio, Francesco Conti, Mario D’acunto, Said Daoudagh, Giulio Del Corso, Danila Germanese, Giacomo Ignesti, Gianmarco Lazzini, Giuseppe Riccardo Leone, Massimo Magrini, Davide Moroni, Francesca Pardini, Maria Antonietta Pascali, Paolo Paradisi, Federico Volpini
The integration of artificial intelligence (AI) into the medical domain is driving innovation and progress in healthcare. This paper summarizes the research activities that a multidisciplinary research group within the Signals and Images Lab of the Institute of Information Science and Technologies of the National Research Council of Italy is carrying out to explore the great potential of AI in several applications, e.g., in the analysis of biomedical data, and in the development of tools for enhancing trustworthiness and reliability of AI based systems. From cancer diagnosis and grading, to the analysis of body physiological signals to improve the understanding of dance movement therapy as an approach to healthy aging, this work highlights the paradigm shift that AI has brought into medicine and healthcare.Source: CEUR WORKSHOP PROCEEDINGS, vol. 4121. Trieste, June 23-24, 2025
Marco Cafiso, Andrea Carboni, Claudia Caudai, Sara Colantonio, Francesco Conti, Mario D’acunto, Said Daoudagh, Giulio Del Corso, Danila Germanese, Giacomo Ignesti, Gianmarco Lazzini, Giuseppe Riccardo Leone, Massimo Magrini, Davide Moroni, Francesca Pardini, Maria Antonietta Pascali, Paolo Paradisi, Federico Volpini
The integration of artificial intelligence (AI) into the medical domain is driving innovation and progress in healthcare. This paper summarizes the research activities that a multidisciplinary research group within the Signals and Images Lab of the Institute of Information Science and Technologies of the National Research Council of Italy is carrying out to explore the great potential of AI in several applications, e.g., in the analysis of biomedical data, and in the development of tools for enhancing trustworthiness and reliability of AI based systems. From cancer diagnosis and grading, to the analysis of body physiological signals to improve the understanding of dance movement therapy as an approach to healthy aging, this work highlights the paradigm shift that AI has brought into medicine and healthcare.Source: CEUR WORKSHOP PROCEEDINGS, vol. 4121. Trieste, June 23-24, 2025
See at:
ceur-ws.org | CNR IRIS | CNR IRIS
2025
Other
Restricted
Sviluppo di un’applicazione per l’analisi degli Spettri Raman
Chelli G., Vinciguerra G., Lazzini G., Leone G. R.
Il tirocinio si è svolto da Maggio2025aSettembre2025pressol’areadiricercadiPisadelConsiglio Nazionale delle Ricerche (CNR) sotto la guida dell’Istituto di Scienza e Tecnologie dell’Informa zione (ISTI-CNR) in collaborazione con l’Istituto di Biofisica (IBF-CNR). Il progetto nasce nell’ambito dello sviluppo di una nuova tecnica diagnostica in campo on cologico basato sulla spettroscopia Raman da parte del NanoBioT lab di IBF-CNR, un settore che sta suscitando crescente interesse per le potenziali applicazioni in campo medico. Questa tecnica sfrutta l’illuminazione laser su tessuti istopatologici per rilevare l’intensità di luce diffusa dalle molecole; l’analisi delle curve ottenute, chiamate “spettri Raman", si è dimostrata molto utile per l’identificazione dei tumori nei tessuti associati. Per individuare le zone del tessuto potenzial mente ricche di informazioni dove avviare acquisizioni spettrali, le cosiddette “zone di interesse", vengono usati dei campioni trattati chimicamente che assumono una colorazione artificiale. La spettroscopia Raman purtroppo non può essere eseguita direttamente su campioni con colorazio ne perché il laser danneggerebbe il tessuto a causa del surriscaldamento indotto dalle sostanze chimiche. Per ovviare a tale inconveniente si utilizzano due sezioni adiacenti dello stesso tes suto, molto simili tra loro in bordi e forme, di cui solo una trattata chimicamente. Individuare una corrispondenza precisa tra il campione non trattato e quello colorato assume un ruolo par ticolarmente importante nella ricerca perché permette la progettazione di acquisizioni Raman dettagliate e mirate. Questa associazione attualmente viene effettuata visivamente da operatori esperti e presenta notevoli difficoltà a causa dei bordi simili e frastagliati e delle diverse rotazioni con cui le sezioni vengono apposte sui vetrini. L’attività di tirocinio ha avuto come obiettivo primario quello di sviluppare un software capa ce di calcolare il matching ottimale tra due sezioni adiacenti della stessa massa di tessuto. Con il termine matching si intende la procedura di associazione tra le due sezioni. Tale procedura viene ottenuta calcolando le matrici di traslazione e la rotazione che consentano di sovrapporre in modo ottimale una delle due sezioni, non sottoposta a colorazione, con l’altra, colorata con ematossili na ed eosina (H&E). Il software prevede l’utilizzo della libreria di computer vision OpenCV e la capacità di interagire con il microscopio in maniera efficiente per automatizzare questo processo e fornire risultati immediati e precisi all’operatore. Inoltre l’applicazione prevede l’implementa 3 zione di un’interfaccia grafica che ne consenta il semplice utilizzo anche ad operatori con scarse conoscenze informatiche.
Chelli G., Vinciguerra G., Lazzini G., Leone G. R.
Il tirocinio si è svolto da Maggio2025aSettembre2025pressol’areadiricercadiPisadelConsiglio Nazionale delle Ricerche (CNR) sotto la guida dell’Istituto di Scienza e Tecnologie dell’Informa zione (ISTI-CNR) in collaborazione con l’Istituto di Biofisica (IBF-CNR). Il progetto nasce nell’ambito dello sviluppo di una nuova tecnica diagnostica in campo on cologico basato sulla spettroscopia Raman da parte del NanoBioT lab di IBF-CNR, un settore che sta suscitando crescente interesse per le potenziali applicazioni in campo medico. Questa tecnica sfrutta l’illuminazione laser su tessuti istopatologici per rilevare l’intensità di luce diffusa dalle molecole; l’analisi delle curve ottenute, chiamate “spettri Raman", si è dimostrata molto utile per l’identificazione dei tumori nei tessuti associati. Per individuare le zone del tessuto potenzial mente ricche di informazioni dove avviare acquisizioni spettrali, le cosiddette “zone di interesse", vengono usati dei campioni trattati chimicamente che assumono una colorazione artificiale. La spettroscopia Raman purtroppo non può essere eseguita direttamente su campioni con colorazio ne perché il laser danneggerebbe il tessuto a causa del surriscaldamento indotto dalle sostanze chimiche. Per ovviare a tale inconveniente si utilizzano due sezioni adiacenti dello stesso tes suto, molto simili tra loro in bordi e forme, di cui solo una trattata chimicamente. Individuare una corrispondenza precisa tra il campione non trattato e quello colorato assume un ruolo par ticolarmente importante nella ricerca perché permette la progettazione di acquisizioni Raman dettagliate e mirate. Questa associazione attualmente viene effettuata visivamente da operatori esperti e presenta notevoli difficoltà a causa dei bordi simili e frastagliati e delle diverse rotazioni con cui le sezioni vengono apposte sui vetrini. L’attività di tirocinio ha avuto come obiettivo primario quello di sviluppare un software capa ce di calcolare il matching ottimale tra due sezioni adiacenti della stessa massa di tessuto. Con il termine matching si intende la procedura di associazione tra le due sezioni. Tale procedura viene ottenuta calcolando le matrici di traslazione e la rotazione che consentano di sovrapporre in modo ottimale una delle due sezioni, non sottoposta a colorazione, con l’altra, colorata con ematossili na ed eosina (H&E). Il software prevede l’utilizzo della libreria di computer vision OpenCV e la capacità di interagire con il microscopio in maniera efficiente per automatizzare questo processo e fornire risultati immediati e precisi all’operatore. Inoltre l’applicazione prevede l’implementa 3 zione di un’interfaccia grafica che ne consenta il semplice utilizzo anche ad operatori con scarse conoscenze informatiche.
2024
Conference article
Open Access
Advancing sustainability: research initiatives at the Signals and Images Lab
Bruno A., Caudai C., Conti F., Leone G. R., Magrini M., Martinelli M., Moroni D., Muhammad A. Ch, Papini O., Pascali M. A., Pieri G., Reggiannini M., Righi M., Salerno E., Scozzari A., Tampucci M.
In this paper, we aim to briefly survey the relations of the work conducted at the Signals and Images Lab of CNR-ISTI, Pisa, with the themes of sustainability. We explore both the broader implications and the application-specific aspects of our work, highlighting references to published research and collaborative projects undertaken with key stakeholders and industrial partners.Source: CEUR WORKSHOP PROCEEDINGS, vol. 3762, pp. 499-504. Napoli, Italy, 29-30/05/2024
Bruno A., Caudai C., Conti F., Leone G. R., Magrini M., Martinelli M., Moroni D., Muhammad A. Ch, Papini O., Pascali M. A., Pieri G., Reggiannini M., Righi M., Salerno E., Scozzari A., Tampucci M.
In this paper, we aim to briefly survey the relations of the work conducted at the Signals and Images Lab of CNR-ISTI, Pisa, with the themes of sustainability. We explore both the broader implications and the application-specific aspects of our work, highlighting references to published research and collaborative projects undertaken with key stakeholders and industrial partners.Source: CEUR WORKSHOP PROCEEDINGS, vol. 3762, pp. 499-504. Napoli, Italy, 29-30/05/2024
See at:
ceur-ws.org | CNR IRIS | CNR IRIS
2024
Other
Open Access
A comprehensive system supporting sustainable agricultural production from farm to fork
Carboni A., Galesi G., Ignesti G., Leone G. R., Magrini M., Martinelli M., Martino G., Moroni D., Pardini F., Scozzari A.
Poster presented at ISTI Day 2023-2024 edition on June 14 2024.DOI: 10.5281/zenodo.12168200
Metrics:
Carboni A., Galesi G., Ignesti G., Leone G. R., Magrini M., Martinelli M., Martino G., Moroni D., Pardini F., Scozzari A.
Poster presented at ISTI Day 2023-2024 edition on June 14 2024.DOI: 10.5281/zenodo.12168200
Metrics:
2024
Journal article
Open Access
Transforming public transport through responsible AI: insight from the FAITH project
Leone G. R., Carboni A., Moroni D., Colantonio S.
In the framework of the FAITH project, an AI-powered large-scale pilot is being organized to showcase the opportunities offered by advancements in edge computing and computer vision. The goal is to provide innovative ways to ensure safer and more sustainable public transport, encouraging modal shifts. Challenges in deploying responsible and trustworthy AI-based services will be addressed by assessing regulatory aspects and fostering co-design with end users and all the other stakeholders involved.Source: ERCIM NEWS, vol. 138, pp. 23-24
Project(s): FAITH
Leone G. R., Carboni A., Moroni D., Colantonio S.
In the framework of the FAITH project, an AI-powered large-scale pilot is being organized to showcase the opportunities offered by advancements in edge computing and computer vision. The goal is to provide innovative ways to ensure safer and more sustainable public transport, encouraging modal shifts. Challenges in deploying responsible and trustworthy AI-based services will be addressed by assessing regulatory aspects and fostering co-design with end users and all the other stakeholders involved.Source: ERCIM NEWS, vol. 138, pp. 23-24
Project(s): FAITH
See at:
ercim-news.ercim.eu | CNR IRIS | CNR IRIS
2024
Conference article
Open Access
AI-RIDE: un sistema multicamera per la valutazione automatica della guida dei motocicli
Leone G. R., Righi M., Moroni D., Bulotta D., Baiamonte A., Paolucci F.
In questo articolo viene presentato il prototipo AI-RIDE, un sistema di visione multicamera per il monitoraggio e la valutazione della guida di motocicli. Per mezzo di algoritmi di Computer Vision e di Intelligenza Artificiale, il sistema è in grado di riconoscere automaticamente, con grado di affidabilità variabile, le penalità previste durante la fase pratica degli esami per il conseguimento della patente di guida per motocicli. Mediante l’analisi dei flussi video e l’elaborazione dei dati ottenuti, si rilevano in modo automatico gli errori commessi e viene assegnato un punteggio alla guida del pilota. Il calcolo del punteggio, una misura oggettiva dell’esito della guida, dipende da diversi fattori: rispetto delle tempistiche, precisione delle traiettorie e in generale padronanza nella gestione del motociclo.
Leone G. R., Righi M., Moroni D., Bulotta D., Baiamonte A., Paolucci F.
In questo articolo viene presentato il prototipo AI-RIDE, un sistema di visione multicamera per il monitoraggio e la valutazione della guida di motocicli. Per mezzo di algoritmi di Computer Vision e di Intelligenza Artificiale, il sistema è in grado di riconoscere automaticamente, con grado di affidabilità variabile, le penalità previste durante la fase pratica degli esami per il conseguimento della patente di guida per motocicli. Mediante l’analisi dei flussi video e l’elaborazione dei dati ottenuti, si rilevano in modo automatico gli errori commessi e viene assegnato un punteggio alla guida del pilota. Il calcolo del punteggio, una misura oggettiva dell’esito della guida, dipende da diversi fattori: rispetto delle tempistiche, precisione delle traiettorie e in generale padronanza nella gestione del motociclo.
See at:
CNR IRIS | ital-ia2024.it | CNR IRIS
2023
Conference article
Open Access
Medical waste sorting: a computer vision approach for assisted primary sorting
Bruno A, Caudai C, Leone Gr, Martinelli M, Moroni D, Crotti F
Medical waste, i.e. waste produced during medical activities in hospitals, clinics and laboratories, represents hazardous waste whose management requires special care and high costs. However, this kind of waste contains a large fraction of highly valued materials that can enter a circular economy process. To this end, in this paper, we propose a computer vision approach for assisting in the primary sorting of med- ical waste. The feasibility of our approach is demonstrated on representative datasets we collected and made available to the community.DOI: 10.1109/icasspw59220.2023.10193520
Metrics:
Bruno A, Caudai C, Leone Gr, Martinelli M, Moroni D, Crotti F
Medical waste, i.e. waste produced during medical activities in hospitals, clinics and laboratories, represents hazardous waste whose management requires special care and high costs. However, this kind of waste contains a large fraction of highly valued materials that can enter a circular economy process. To this end, in this paper, we propose a computer vision approach for assisting in the primary sorting of med- ical waste. The feasibility of our approach is demonstrated on representative datasets we collected and made available to the community.DOI: 10.1109/icasspw59220.2023.10193520
Metrics:
See at:
CNR IRIS | ieeexplore.ieee.org | ISTI Repository | CNR IRIS | CNR IRIS
2023
Other
Open Access
L'Intelligenza Artificiale nella elaborazione delle immagini: tecniche di visione artificiale per il monitoraggio della guida di motocicli
Bulotta D., Carta A., Righi M., Leone G. R.
Il tirocinio si è svolto presso l'Istituto di Scienza e Tecnologie dell'Informazione del Consiglio Nazionale delle Ricerche e ha richiesto circa cinque mesi. Iltirocinio si è svolto nell'ambito del progetto di ricerca Artificial Intelligence driven RIding Distributed Eye (AI-RIDE) che ha come obiettivo lo studio e la realizzazione prototipale di un framework di Intelligenza Artificiale integrato nel contesto della formazione dei motociclisti, mirando in particolare ad una verifica standard, misurabile e imparziale dell'esame della patente di guida per motocicli. L'esito di un esame di patente di guida dipende dadiversi fattori, come il tempo di prestazione, la precisione della traiettoria, la gestione della velocità e l'esecuzione di un percorso netto senza effettuare penalità. La maggior parte di tali fattori può essere misurata utilizzando strumenti di analisi delle immagini ottenute per mezzo di telecamere esterne opportunamente posizionate. L'obiettivo di questo tirocinio è stato ricavare tali informazioni dai flussi video a disposizione massimizzando la precisione dei dati ottenuti. Il primo compito è consistito nell'allenamento di un modello di Object Detection per il riconoscimento dei coni, del motociclo e del pilota; utilizzando vari strumenti di annotazione si è popolato un dataset con numerosi frame estratti dai video realizzati nel sito di prova, la pista della scuola guida Gerardo di Pontedera; tale dataset è stato continuamente migliorato aggiungendo immagini di casistiche specifiche, conducendo test a diverse risoluzioni e utilizzando numerosità crescenti dei modelli di partenza (come spiegato nei paragrafi 3.1.7 e 4.2.8). Raggiunta una soddisfacente prestazione del task di riconoscimento si è implementata la logica funzionale alla individuazione precisa della posizione della moto nello spazio e all'eventuale penalità connessa con lo spostamento di uno o più coni segnaletici (si veda paragrafo 4.3.1 e 4.3.2). Queste informazioni sono servite da input al sottosistema di fusione delle informazioni che non è compreso nel lavoro di questo tirocinio. Il modello custom di object detection ha conseguito ottimi risultati in termini di confidenza e precisione nel riconoscimento degli elementi in gioco ovvero coni, moto e pilota. La logica implementata per il rilevamento delle penalità commesse durante l'esame di guida è stata essenziale per il successo finale del sistema. Il lavoro svolto è stato presentato il giorno 14 giugno 2023 presso il sito di prova in un evento che ha previsto una dimostrazione del sistema dal vivo includendo vari scenari di guida: tutte le penalità principali sono state segnalate con elevata precisione spaziale e temporale.
Bulotta D., Carta A., Righi M., Leone G. R.
Il tirocinio si è svolto presso l'Istituto di Scienza e Tecnologie dell'Informazione del Consiglio Nazionale delle Ricerche e ha richiesto circa cinque mesi. Iltirocinio si è svolto nell'ambito del progetto di ricerca Artificial Intelligence driven RIding Distributed Eye (AI-RIDE) che ha come obiettivo lo studio e la realizzazione prototipale di un framework di Intelligenza Artificiale integrato nel contesto della formazione dei motociclisti, mirando in particolare ad una verifica standard, misurabile e imparziale dell'esame della patente di guida per motocicli. L'esito di un esame di patente di guida dipende dadiversi fattori, come il tempo di prestazione, la precisione della traiettoria, la gestione della velocità e l'esecuzione di un percorso netto senza effettuare penalità. La maggior parte di tali fattori può essere misurata utilizzando strumenti di analisi delle immagini ottenute per mezzo di telecamere esterne opportunamente posizionate. L'obiettivo di questo tirocinio è stato ricavare tali informazioni dai flussi video a disposizione massimizzando la precisione dei dati ottenuti. Il primo compito è consistito nell'allenamento di un modello di Object Detection per il riconoscimento dei coni, del motociclo e del pilota; utilizzando vari strumenti di annotazione si è popolato un dataset con numerosi frame estratti dai video realizzati nel sito di prova, la pista della scuola guida Gerardo di Pontedera; tale dataset è stato continuamente migliorato aggiungendo immagini di casistiche specifiche, conducendo test a diverse risoluzioni e utilizzando numerosità crescenti dei modelli di partenza (come spiegato nei paragrafi 3.1.7 e 4.2.8). Raggiunta una soddisfacente prestazione del task di riconoscimento si è implementata la logica funzionale alla individuazione precisa della posizione della moto nello spazio e all'eventuale penalità connessa con lo spostamento di uno o più coni segnaletici (si veda paragrafo 4.3.1 e 4.3.2). Queste informazioni sono servite da input al sottosistema di fusione delle informazioni che non è compreso nel lavoro di questo tirocinio. Il modello custom di object detection ha conseguito ottimi risultati in termini di confidenza e precisione nel riconoscimento degli elementi in gioco ovvero coni, moto e pilota. La logica implementata per il rilevamento delle penalità commesse durante l'esame di guida è stata essenziale per il successo finale del sistema. Il lavoro svolto è stato presentato il giorno 14 giugno 2023 presso il sito di prova in un evento che ha previsto una dimostrazione del sistema dal vivo includendo vari scenari di guida: tutte le penalità principali sono state segnalate con elevata precisione spaziale e temporale.
See at:
CNR IRIS | ISTI Repository | CNR IRIS
2023
Conference article
Open Access
A novel smart camera network for real time public transport monitoring and surveillance
Carboni A., Leone G. R., Nardi S., Corrado A., Moroni D.
In this paper, we present the environment perception layer of the Smart Passenger Center (SPaCe), a novel integrated framework for public transport management. This layer is a pervasive vision architecture for improved safety and security in the context of public transportation. Privacy and technological constraints are still significant limitations for the real-time analysis of video streams from video capture devices installed on public transport vehicles. In fact, in almost all cases, this analysis is carried out offline and lacks any predictive processing, which is now potentially applicable to all transport sectors, thanks to machine learning and artificial vision techniques. The architecture described is designed to combine the output of a set of parallel processing, all running onboard in real-time, thus allowing the separation of the information collected from actual passengers' identities. The analysis highlights aspects that affect travel and travellers safety, such as people's behaviour and the state of maintenance of vehicles.Source: PROCEEDINGS IEEE CONFERENCE ON INTELLIGENT TRANSPORTATION SYSTEMS, pp. 5223-5228. Bilbao, Spain, 24-28/09/2023
DOI: 10.1109/itsc57777.2023.10421861
Metrics:
Carboni A., Leone G. R., Nardi S., Corrado A., Moroni D.
In this paper, we present the environment perception layer of the Smart Passenger Center (SPaCe), a novel integrated framework for public transport management. This layer is a pervasive vision architecture for improved safety and security in the context of public transportation. Privacy and technological constraints are still significant limitations for the real-time analysis of video streams from video capture devices installed on public transport vehicles. In fact, in almost all cases, this analysis is carried out offline and lacks any predictive processing, which is now potentially applicable to all transport sectors, thanks to machine learning and artificial vision techniques. The architecture described is designed to combine the output of a set of parallel processing, all running onboard in real-time, thus allowing the separation of the information collected from actual passengers' identities. The analysis highlights aspects that affect travel and travellers safety, such as people's behaviour and the state of maintenance of vehicles.Source: PROCEEDINGS IEEE CONFERENCE ON INTELLIGENT TRANSPORTATION SYSTEMS, pp. 5223-5228. Bilbao, Spain, 24-28/09/2023
DOI: 10.1109/itsc57777.2023.10421861
Metrics:
See at:
IRIS Cnr | IRIS Cnr | IRIS Cnr | doi.org | CNR IRIS | CNR IRIS
2023
Other
Open Access
Monitoraggio della guida di motocicli per mezzo di un sistema di visione multicamera con tecniche di fusione delle informazioni e loro rappresentazione virtuale per mezzo di un motore grafico 3D
Baiamonte A., Bacciu D., Righi M., Leone G. R.
Il tirocinio si è svolto presso l'istituto di Scienza e Tecnologie dell'informazione del Consiglio Nazionale delle Ricerche (ISTI-CNR), da metà Marzo a fine Giugno 2023.L'obiettivo del progetto è stato il monitoraggio della guida di motocicli per mezzo di un sistema di visione multicamera con tecniche di fusione delle informazioni e loro rappresentazione virtuale per mezzo di un motore grafico 3D.Il tirocinio è stato realizzato nell'ambito di un progetto di ricerca del CNR dedicato alla progetta- zione e prototipazione di un sistema multicamera innovativo [1], basato su algoritmi di Computer Vision e Intelligenza Artificiale, in grado di riconoscere automaticamente, con grado di affidabilità variabile, le penalità previste durante la fase pratica degli esami per il conseguimento della patente di guida per motocicli. I dati raccolti dai singoli flussi video sono stati elaborati e fusi per ottenere un'informazione globale più completa ed affidabile. Particolare attenzione è stata dedicata al calcolo vettoriale delle accelerazioni del motoveicolo nei test in circuito chiuso. Inoltre, è stato realizzato un Digital Twin (gemello virtuale) del sistema per visualizzare in grafica 3D i dati elaborati e permettere l'analisi delle traiettorie effettuate dal motoveicolo in un contesto di prove ripetute. Nel capitolo 2 si esporranno le basi di partenza del tirocinio, ovvero cosa era già presente prima di iniziare questo lavoro di tesi. Nel capitolo 3 si parlerà del background necessario a descrivere le metodologie e le tecnologie utilizzate in questa tesi. Nel capitolo 4 si elencheranno i software utilizzati per realizzare le varie funzionalità del sistema mettendo in evidenza le scelte effettuate, giustificando perché è stata scelta una particolare tecnologia piuttosto che un'altra. Nel capitolo 5 si descriverà il lavoro svolto durante il tirocinio mostrando tutti i test, gli esperimenti fatti e risultati ottenuti. Il capitolo 6 conclude la tesi riassumendo quanto si è realizzato e parlando dei possibili sviluppi futuri.
Baiamonte A., Bacciu D., Righi M., Leone G. R.
Il tirocinio si è svolto presso l'istituto di Scienza e Tecnologie dell'informazione del Consiglio Nazionale delle Ricerche (ISTI-CNR), da metà Marzo a fine Giugno 2023.L'obiettivo del progetto è stato il monitoraggio della guida di motocicli per mezzo di un sistema di visione multicamera con tecniche di fusione delle informazioni e loro rappresentazione virtuale per mezzo di un motore grafico 3D.Il tirocinio è stato realizzato nell'ambito di un progetto di ricerca del CNR dedicato alla progetta- zione e prototipazione di un sistema multicamera innovativo [1], basato su algoritmi di Computer Vision e Intelligenza Artificiale, in grado di riconoscere automaticamente, con grado di affidabilità variabile, le penalità previste durante la fase pratica degli esami per il conseguimento della patente di guida per motocicli. I dati raccolti dai singoli flussi video sono stati elaborati e fusi per ottenere un'informazione globale più completa ed affidabile. Particolare attenzione è stata dedicata al calcolo vettoriale delle accelerazioni del motoveicolo nei test in circuito chiuso. Inoltre, è stato realizzato un Digital Twin (gemello virtuale) del sistema per visualizzare in grafica 3D i dati elaborati e permettere l'analisi delle traiettorie effettuate dal motoveicolo in un contesto di prove ripetute. Nel capitolo 2 si esporranno le basi di partenza del tirocinio, ovvero cosa era già presente prima di iniziare questo lavoro di tesi. Nel capitolo 3 si parlerà del background necessario a descrivere le metodologie e le tecnologie utilizzate in questa tesi. Nel capitolo 4 si elencheranno i software utilizzati per realizzare le varie funzionalità del sistema mettendo in evidenza le scelte effettuate, giustificando perché è stata scelta una particolare tecnologia piuttosto che un'altra. Nel capitolo 5 si descriverà il lavoro svolto durante il tirocinio mostrando tutti i test, gli esperimenti fatti e risultati ottenuti. Il capitolo 6 conclude la tesi riassumendo quanto si è realizzato e parlando dei possibili sviluppi futuri.
See at:
CNR IRIS | ISTI Repository | CNR IRIS
2023
Conference article
Open Access
AI-RIDE: a multi-camera system for the evaluation of motorcycle driving test
Leone Gr, Righi M, Moroni D, Baiamonte A, Bulotta D, Paolucci F
The AI-RIDE project proposes adopting an accelerated, online, and embedded Artificial Intelligence framework in motorcycle rider training, mainly targeting the Practical Driving Courses (PDC) and Driving License Exam (DLE) sessions verification tools. The project targets a disruptive innovation step in the context of driving learning techniques, significantly going beyond the state of the art of the current instruments used in the PDC and DLE ecosystem. This work presents last year's activities with the promising results obtained with the first working prototype.DOI: 10.1109/sitis61268.2023.00076
Project(s): VEDLIoT
Metrics:
Leone Gr, Righi M, Moroni D, Baiamonte A, Bulotta D, Paolucci F
The AI-RIDE project proposes adopting an accelerated, online, and embedded Artificial Intelligence framework in motorcycle rider training, mainly targeting the Practical Driving Courses (PDC) and Driving License Exam (DLE) sessions verification tools. The project targets a disruptive innovation step in the context of driving learning techniques, significantly going beyond the state of the art of the current instruments used in the PDC and DLE ecosystem. This work presents last year's activities with the promising results obtained with the first working prototype.DOI: 10.1109/sitis61268.2023.00076
Project(s): VEDLIoT
Metrics:
See at:
IRIS Cnr | IRIS Cnr | IRIS Cnr | ISTI Repository | doi.org | CNR IRIS | CNR IRIS
2022
Conference article
Open Access
Augmented reality, artificial intelligence and machine learning in Industry 4.0: case studies at SI-Lab
Bruno A, Coscetti S, Leone Gr, Germanese D, Magrini M, Martinelli M, Moroni D, Pascali Ma, Pieri G, Reggiannini M, Tampucci M
In recent years, the impressive advances in artificial intelligence, computer vision, pervasive computing, and augmented reality made them rise to pillars of the fourth industrial revolution. This short paper aims to provide a brief survey of current use cases in factory applications and industrial inspection under active development at the Signals and Images Lab, ISTI-CNR, Pisa.DOI: 10.5281/zenodo.6322733
Metrics:
Bruno A, Coscetti S, Leone Gr, Germanese D, Magrini M, Martinelli M, Moroni D, Pascali Ma, Pieri G, Reggiannini M, Tampucci M
In recent years, the impressive advances in artificial intelligence, computer vision, pervasive computing, and augmented reality made them rise to pillars of the fourth industrial revolution. This short paper aims to provide a brief survey of current use cases in factory applications and industrial inspection under active development at the Signals and Images Lab, ISTI-CNR, Pisa.DOI: 10.5281/zenodo.6322733
Metrics:
See at:
CNR IRIS | ISTI Repository | www.ital-ia2022.it | CNR IRIS