Team: PoliTOcean — Politecnico di Torino Competizione: MATE ROV World Championship 2026 — Explorer Class
Questa repository raccoglie il codice e la documentazione per i task lato Control Station del campionato MATE ROV 2026. Entrambi i task si svolgono nel Flume Tank e richiedono l'uso del ROV combinato con elaborazione software a terra.
Obiettivo: misurare e creare un modello 3D del coral garden nel Flume Tank.
Il coral garden è una struttura in PVC (1–2,5 m × 36 cm, altezza ignota) con 8 target colorati 10 × 10 cm. Il task prevede due approcci alternativi:
| Approccio | Metodo | Max punti |
|---|---|---|
| Autonomo | Fotogrammetria (Meshroom / COLMAP) + CAD | 40 pt |
| Manuale | Misurazioni + modello CAD | 30 pt |
L'approccio principale del team è la fotogrammetria: il ROV raccoglie immagini del coral garden da più angolazioni, un software di fotogrammetria ricostruisce il modello 3D, che viene poi scalato con la lunghezza fornita dal giudice per ricavarne anche l'altezza.
📁 Task 1.2/ — al momento in sviluppo
Obiettivo: contare automaticamente i granchi invasivi European Green Crab in un campione 50 × 50 cm tramite image recognition.
Il campione contiene immagini di tre specie (Green Crab, Rock Crab, Jonah Crab). Il team ha addestrato un modello YOLOv8 per rilevare e contare solo i granchi invasivi.
| Approccio | Metodo | Max punti |
|---|---|---|
| Automatico | YOLOv8 image recognition | 15 pt |
| Manuale | Conteggio visivo | 5 pt |
| Reporting form | Compilazione form online | +5 pt |
| Task | Descrizione | Max punti |
|---|---|---|
| 1.2 | Coral Garden Modelling (fotogrammetria) | 40 pt |
| 2.1 | Invasive Species (image recognition + form) | 20 pt |
| Totale CS | 60 pt |
| Componente | Tecnologia |
|---|---|
| Object detection | YOLOv8 (Ultralytics) |
| Fotogrammetria | Meshroom / COLMAP |
| Training | Google Colab + PyTorch |
| Linguaggio | Python 3 |
Task CS/
├── README.md ← questo file
├── Task 1.2/
│ └── README.md ← documentazione fotogrammetria
└── Task 2.1/
├── README.md ← documentazione crab detector
├── best.pt ← modello YOLOv8 addestrato
├── crab_counter.py ← script di inferenza
├── train_yolo_colab.ipynb
├── img_generator_colab.ipynb
├── dataset.zip
├── crabs/ ← immagini di riferimento specie
└── practice/ ← immagini di test
# Installa le dipendenze
pip install ultralytics
# Lancia il crab detector sulle immagini in practice/
python "Task 2.1/crab_counter.py"