Strategie di intelligenza artificiale per la gestione di condizioni di emergenza

Negli ultimi anni, la crescente diffusione di sistemi elettronici in ambiti critici, ha evidenziato la necessità di soluzioni affidabili e intelligenti per la gestione delle emergenze. In questo lavoro si propone una strategia basata su Intelligenza Artificiale per il riconoscimento di condizioni di emergenza in ambienti indoor, con particolare attenzione agli aspetti di affidabilità del sistema e alla sua resilienza a particolari guasti transitori (soft error). Dopo un’analisi delle principali architetture di reti neurali per il riconoscimento di oggetti, è stata scelta la rete YOLOv8 per la sua efficienza e capacità di operare in tempo reale. Si è proceduto alla creazione di un dataset personalizzato, comprendente le categorie di interesse (fuoco, fumo, detriti, scatoloni, persone), costruito a partire da diverse sorgenti. La rete è stata addestrata e validata su questo dataset, ottenendo elevate prestazioni in termini di accuratezza, mostrando buone capacità di generalizzazione anche su immagini esterne al dataset. Infine, è stata condotta un’analisi della robustezza della rete rispetto ai soft error, simulando bit-flip sui pesi memorizzati nei layer convoluzionali. L’impatto degli errori è stato valutato su diversi layer (input, output e intermedi) e su bit significativi dell’esponente e della mantissa. I risultati evidenziano come i guasti sui bit più significativi dell’esponente nei layer iniziali compromettano drasticamente le prestazioni del modello, mentre gli errori sui bit della mantissa risultano meno critici.