Progettazione e Sviluppo di una Pipeline End-to-End di Object Detection e Offuscamento per Sistemi Intelligenti di Monitoraggio Cantieri.

.L'automazione del monitoraggio nei cantieri edili tramite sistemi di ripresa timelapse ad altissima risoluzione (4K) impone sfide complesse, sia dal punto di vista computazionale che normativo. Il presente lavoro di tesi, sviluppato in collaborazione con l'azienda TimeLapseLab, propone la progettazione, l'ottimizzazione e la messa in produzione di un'infrastruttura architetturale end-to-end per l'Object Detection e l'anonimizzazione dei dati visivi, nel rigoroso rispetto dei principi di Privacy-by-Design stabiliti dal GDPR. La ricerca si è concentrata sull'implementazione di modelli di Deep Learning allo stato dell'arte, appartenenti alla famiglia YOLO (in particolare YOLOv11), per il rilevamento multiclasse di Dispositivi di Protezione Individuale (elmetti), targhe automobilistiche, pedoni e loghi aziendali. Per arginare la fisiologica perdita di dettaglio spaziale causata dal ridimensionamento nativo dei tensori sulle immagini 4K, è stata implementata un'avanzata pipeline di Data Engineering. Questa ha previsto l'applicazione di tecniche di tiling geometrico e l'integrazione in inferenza della libreria SAHI (Slicing Aided Hyper Inference), superando criticità algoritmiche legate al Data Leakage e all'allocazione di memoria contigua su GPU. Per supportare il deployment industriale in totale scalabilità, è stato inoltre ingegnerizzato un Inference Server ibrido basato su protocolli HTTP e MQTT. Il disaccoppiamento asincrono tra la ricezione del dato e l'elaborazione su worker isolati ha ottimizzato la latenza di sistema, rimuovendo i colli di bottiglia derivanti dal trasferimento di carichi pesanti. I risultati sperimentali certificano metriche eccellenti (mAP e F1-Score) sui dataset proprietari, validando l'efficacia del sistema nel combinare il rilevamento ad alta precisione su piccola scala con algoritmi di offuscamento affidabili e irreversibili.