Ricercatore

Laura Romeo (B.E. 2017, M.S. 2019, Ph.D. 2024) è un'Ingegnere dell'Automazione e lavora come Ricercatrice presso l'Istituto STIIMA del CNR. Ha conseguito la laurea triennale in Ingegneria Informatica e dell'Automazione (L-08) nel 2017, e ha conseguito, con lode, la laurea magistrale in Ingegneria dell'Automazione (LM-25) nel 2019, entrambe presso il Politecnico di Bari. Dal 2020 al 2023 ha svolto il Dottorato di Ricerca in Smart and Sustainable Industry, interateneo con il Politecnico di Bari e l'Università degli Studi Aldo Moro di Bari. Da marzo 2022 a settembre 2022 ha svolto la sua attività di ricerca all'interno del "Computer Vision Group" presso l'Institut für Informatik della Rheinische-Friedrich-Wilhems-Universität Bonn (Bonn, Germania). Da ottobre 2019 a dicembre 2023 è stata Assegnista di Ricerca presso l'Istituto di Tecnologie e Sistemi Industriali Intelligenti per il Manifatturiero Avanzato (STIIMA) del Consiglio Nazionale delle Ricerche (CNR) di Bari, dove è stata coinvolta in diversi progetti e lavori scientifici riguardanti la computer vision, l'intelligenza artificiale e l'implementazione di sistemi robotici tramite ROS. Da dicembre 2023 ricopre il ruolo di Ricercatrice Staff dell'Istituto STIIMA del CNR di Bari, dove fa parte del gruppo di ricerca "Intelligent, Sensing and Perception" (ISP). Si occupa dello studio di dispositivi e sistemi intelligenti per il monitoring di movimenti e interazioni umane, finalizzati alla realizzazione di applicazioni di computer vision, machine learning e deep learning che assistano le persone in vari settori, dall'healthcare ad ambienti industriali. Lavora anche nell'ambito della smart agriculture, dalla robotica a sistemi per la semantic segmentation di immagini naturali. È autrice di articoli scientifici su riviste internazionali peer-reviewed e di atti di conferenze internazionali.

Summary of research activities: L’attività svolta riguarda progetti, nazionali e internazionali, incentrati principalmente sulla comprensione e l’elaborazione di immagini, video e point cloud. Sono state effettuate campagne di acquisizione dati attraverso sistemi multimodali e tali dati sono stati utilizzati per l’estrazione di informazioni RGB, Depth e per la creazione di nuvole di punti. Implementazione di algoritmi di machine learning e deep learning da trainare sui dati estratti, in modo da realizzare sistemi autonomi in grado di svolgere predizioni, classificazioni e diagnostica. Sono stati seguiti progetti nell’ambito del human monitoring, sia industriale che domestico, e della smart agriculture.

- Realizzazione di un setup di telecamere RGB-D per la modellazione 3D di una cella di lavoro, in cui l’operatore lavora a stretto contatto con un robot collaborativo. Calibrazione di tali telecamere, in modo da elaborare dati multimodali su un unico sistema di riferimento. Implementazione di diversi modelli di deep learning per la segmentazione delle azioni svolte dagli operatori durante un’attività di assemblaggio, con l’obiettivo di dare queste informazioni al robot collaborativo. Lo scopo è che quest’ultimo possa adeguarsi completamente all’operatore, focalizzandosi quindi sul benessere fisico e cognitivo dell’essere umano, compatibilmente con i lavori uomo-macchina tipici dell’industria 4.0.
- Sviluppo di un sistema di deep learning per il riconoscimento dell’eventuale rischio caduta di pazienti affetti da malattie neurodegenerative. Il modello di deep learning è stato addestrato utilizzando features estratte da dati video, composti da pazienti impegnati a svolgere specifici esercizi, seguiti dalla fisioterapista. Tali features contengono un sistema di rappresentazione dell’individuo secondo un gruppo di punti semplificati, definito skeleton, che permette l’identificazione e il tracking di articolazioni quali spalle, ginocchia, gomiti e mani.
- Definizione di specifiche di strumenti RGB-D per acquisizione di immagini naturali, focalizzando lo studio sulla segmentazione semantica di varie tipologie di uva nei vigneti, integrando informazioni RGB e Depth. Sono stati realizzati metodi per la segmentazione semantica di ogni singola foglia, con l’obiettivo di calcolarne la superficie.

Research interests: Deep Learning, Machine Learning, Computer Vision, Robotics

Degree: Dottoressa di Ricerca in Smart and Sustainable Industry