Segmentazione di immagini e riconoscimento oggetti per la rimozione di detriti spaziali

Il crescente accumulo dei detriti spaziali costituisce una seria minaccia per la sicurezza delle infrastrutture orbitali e per il successo delle missioni spaziali. Questo lavoro di tesi indaga l'applicazione di tecniche avanzate di Instance Segmentation e Object Detection basate su modelli di deep learning per affrontare il problema della rilevazione e rimozione dei detriti spaziali. In particolare, vengono utilizzati modelli di reti neurali YOLO, considerati allo stato dell'arte e noti per la loro efficienza nel riconoscimento di oggetti in tempo reale, per valutare la capacità di rilevamento di detriti spaziali e di segmentazione precisa delle parti di satelliti in condizioni diverse. Per ovviare alla scarsità di dataset reali disponibili nello spazio, sono stati utilizzati dataset di immagini artificiali: SPARK dataset per Object Detection, mentre per Instance Segmentation è stato generato un dataset sintetico utilizzando il software Blender, simulando condizioni realistiche di illuminazione e posizionamento degli oggetti. Attraverso l'addestramento dei modelli su queste immagini, sono stati ottenuti risultati significativi sia in termini di accuratezza che di efficienza nel riconoscimento e nella segmentazione di oggetti complessi. Le metriche di valutazione come IoU (Intersection over Union), mAP (mean Average Precision), precisione e richiamo sono state utilizzate per misurare le prestazioni dei modelli. I risultati di questo studio mostrano come l’integrazione di tecniche di deep learning con dataset sintetici possa migliorare notevolmente le capacità di monitoraggio e gestione dei detriti spaziali. Queste tecniche offrono prospettive promettenti per lo sviluppo di sistemi autonomi in grado di contribuire alla riduzione dei rischi associati ai detriti spaziali, favorendo la sicurezza delle operazioni future nello spazio.