Utilizzo di reti convoluzionali su planimetrie per l'individuazione del posizionamento ottimale dei punti luce

Il tirocinio ha previsto l'utilizzo del linguaggio di programmazione Python con il framework di Tensorflow-Keras, ed altre librerie, per la costruzione edallenamento di Reti Neurali Convoluzionali. L'utilizzo del centro di calcolo ISTI ha inoltre previsto l'utilizzo di Slurm e Docker per gestire il carico di lavoro delle sessioni di allenamento e test delle reti neurali.L'obbiettivo del tirocinio e' tentare di utilizzare tecnologie di Computer Vision e Machine Learning, in particolare di segmentazione di immagini, per trovare la disposizione ottimale dei dispositivi di illuminazione in un appartamento o ufficio, in modo da coprire la maggior parte dell'area possibile. Questo puo' contribuire a ridurre il numero di lampade che vengono utilizzate in casa e, di conseguenza, puo' ridurre il consumo di energia elettrica da parte delle abitazioni. Il tema e' particolarmente importante nel periodo corrente sia dal punto di vista ambientale, nel tentativo di ridurre consumi ed emissioni per facilitare la transizione ecologica dell'energia, che economico, dato che i prezzi dell'energia hanno avuto una pesante inflazione per vari fattori geopolitici recenti.