Deep learning semantic segmentation for vision-based hazard detection

In recent years, computer-vision with deep learning is often used in applications that require absolute precision and reliability. In particular, in medical applications and autonomous driving. The aim of computer vision is making the computer understand the content of an image, dividing the processes, that we do involuntarily, such as characterize the distribution of colors or edges and shapes. Among the various computer-vision techniques, the semantic sectioning with deep learning is among the most studied and promising. It allows classifying a pixel-by-pixel image, making it, state of the art in many applications. In this thesis, we will investigate the use of deep learning semantic segmentation to identify hazardous territorial features such as boulders, craters, and steep areas. Two study cases are addressed: in the first one, the neural network will be tested on a small celestial body like an asteroid. In particular, the asteroid Itokawa whose images were provided by the Hayabusa 1 probe launched in 2014. In the second case, the neural network will be tested on the Apollo 16 lunar landing area. Here the network will be tested on the recognition of craters and areas with unsafe slopes for landing standards. In this case, the images will be simulated, starting from terrain models.

Negli ultimi anni la computer-vision con il deep learning è sempre più utilizzata in applicazioni dove sono necessarie assoluta precisione e affidabilità. Specialmente nell'ambito medico e della guida autonoma. Essa si basa sul far capire al computer il contenuto di un immagine, frammentando i processi che noi facciamo involontariamente, come riconoscere la ditribuzione dei colori oppure dei contorni e le forme. Tra le varie tecniche di computer-vision la segmentazione semantica con il deep learning è tra le più studiate e promettenti. Essa permette di classificare un'immagine pixel per pixel, diventando lo stato dell' arte in molte applicazioni. In questa tesi proveremo la deep learning segmentazione semantica per identificare caratteristiche territoriali pericolose come massi, crateri e aree scoscese. I casi studiati sono due: nel primo verrà investigato l'utilizzo di reti neurali su un corpo celeste di piccole dimensioni, come un asteroide. In particolare l'asteroide Itokawa, le cui immagini ci sono state fornite dalla sonda Hayabusa 1 lanciata nel 2014. Nel secondo caso, la rete neurale verrà validata sull'area di atterraggio lunare dell' Apollo 16. La rete verrà messa alla prova sul riconoscimento di crateri, e aree a inclinazioni non sicure per l'atterraggio. In questo caso le immagini saranno simulate partendo da modelli del terreno.