Добірка наукової літератури з теми "Rilevamento in campo vicino"
Оформте джерело за APA, MLA, Chicago, Harvard та іншими стилями
Ознайомтеся зі списками актуальних статей, книг, дисертацій, тез та інших наукових джерел на тему "Rilevamento in campo vicino".
Біля кожної праці в переліку літератури доступна кнопка «Додати до бібліографії». Скористайтеся нею – і ми автоматично оформимо бібліографічне посилання на обрану працю в потрібному вам стилі цитування: APA, MLA, «Гарвард», «Чикаго», «Ванкувер» тощо.
Також ви можете завантажити повний текст наукової публікації у форматі «.pdf» та прочитати онлайн анотацію до роботи, якщо відповідні параметри наявні в метаданих.
Статті в журналах з теми "Rilevamento in campo vicino"
Masseti, Marco, Gloria Adinolfi, Rodolfo Carmagnola, Maria Cataldi, and Luciano Marras. "Predatori esotici e prede nostrane nell’invenzione pittorica della Tomba dei Demoni Azzurri (V secolo) della necropoli di Monterozzi, a Tarquinia." Aristonothos. Rivista di Studi sul Mediterraneo Antico, no. 18 (July 18, 2022): 263–83. http://dx.doi.org/10.54103/2037-4488/18106.
Повний текст джерелаFrancis, Karen D. "A Mousterian lithic assemblage from Monte San Croce, Molise." Papers of the British School at Rome 62 (November 1994): 305–11. http://dx.doi.org/10.1017/s0068246200010114.
Повний текст джерелаAhmaidi, Said, S. Michel Calmet, Pierre Portero, Didier Lantz, W. Vat, and Jean-Pierre Libert. "Bioénergétique et échanges cardiorespiratoires lors de deux situations de combat en judo et en kendo." STAPS 18, no. 44 (1997): 7–18. http://dx.doi.org/10.3406/staps.1997.1255.
Повний текст джерелаSpada, Sabina. "Morire bene con il sostegno di Buddha: compassione, meditazione e cure palliative." Studi Tanatologici 1-2 (2023): 76. https://doi.org/10.17454/studtan01.03.
Повний текст джерелаSkeates, Robin. "Prehistoric chert exploitation in the Valle del Cesolone (Macerata): a Preliminary project report." Papers of the British School at Rome 71 (November 2003): 1–15. http://dx.doi.org/10.1017/s0068246200002385.
Повний текст джерелаGotuzzo, Irene, Paola Vai, and Paola A. Erba. "Integration of imaging modalities in the diagnosis and management of infective endocarditis." Cardiologia Ambulatoriale 1, no. 32 (March 30, 2024): 21–30. http://dx.doi.org/10.17473/1971-6818-2024-1-3.
Повний текст джерелаCipriani, Roberto. "Religione e sport. Tra rito e spettacolo." El Futuro del Pasado 6 (October 1, 2015): 87–111. http://dx.doi.org/10.14516/fdp.2015.006.001.003.
Повний текст джерелаMontrasio, Lorenzo. "Nomina actionis in -σις e composizione nominale in greco antico". ACME 76, № 1-2 (3 травня 2024): 85–97. http://dx.doi.org/10.54103/2282-0035/23066.
Повний текст джерелаClodio Enre. "Tra arbitrato brasiliano e arbitrato europeo: uno studio sull'Agenzia nazionale delle telecomunicazioni (ANATEL) e sull'Ufficio delle comunicazioni (UFCOM)." International Journal of Science and Society 4, no. 4 (October 27, 2022): 183–94. http://dx.doi.org/10.54783/ijsoc.v4i4.564.
Повний текст джерелаДисертації з теми "Rilevamento in campo vicino"
Darwish, Ali. "Contrôle non destructif de produits alimentaires par imagerie microonde et millimétrique." Electronic Thesis or Diss., Université Côte d'Azur, 2025. http://www.theses.fr/2025COAZ4004.
Повний текст джерелаEnsuring food safety and quality is a major concern in the food industry, as physical contamination can pose significant health risks to consumers, damage brand reputation, and lead to legal consequences. Common detection methods, such as X-ray inspection, have limitations, particularly in identifying contaminants like plastic, wood, and glass, which have low density and can be difficult to detect. This work explores an alternative solution based on microwave sensing, introducing a novel approach to contamination detection. The proposed system leverages low-power, non-ionizing microwave signals to identify foreign bodies without compromising food integrity or requiring extensive modifications to existing production lines. It offers a cost-effective and real-time inspection method, capable of operating in-line without interrupting the manufacturing process. The detection principle relies on analyzing how microwave signals interact with different materials, taking advantage of the dielectric contrast between contaminants and food products. A set of antennas surrounding the target captures signal variations, which are then processed to determine the presence of foreign objects. The system is designed to acquire data efficiently while maintaining compatibility with the speed and constraints of industrial food processing environments. Detecting contaminants in food and beverage products using scattering parameters involves solving an inverse problem, which is nonlinear and ill-posed. This process is computationally expensive and may not be suitable for real-time, in-line detection. In this research, we integrate Machine Learning (ML) techniques to overcome the challenges of the inverse problem and to automate the classification process. We investigate the robustness and effectiveness of different classifiers, such as Support Vector Machines (SVM) and Multi-Layer Perceptron (MLP) networks, by training them on large-scale datasets collected from experimental trials. These models learn to distinguish between uncontaminated and contaminated food items. The classifiers successfully identifies a variety of foreign materials, including different types of plastics, glass, and wood, demonstrating high accuracy across thousands of test cases.Furthermore, we extend our research to millimeter-Wave (mmW) imaging, investigating the integration of mmW systems with ML tools for nut inspection. The promising results achieved using mmW imaging and ML classification in agrifood applications, particularly for soft fruits like apples and peaches, inspire us to evaluate the effectiveness of this approach for more challenging cases—specifically, in-shell seeds such as almonds and walnuts. The results obtained in this thesis highlight the potential of the microwave/mmW-based system as a robust, scalable, and efficient solution for real-time food contamination detection and agrifood inspection. By integrating microwave sensing with machine learning, this approach offers a powerful alternative to traditional inspection methods, improving food safety and quality in industrial settings
Garantire la sicurezza e la qualita degli alimenti e una delle principali preoccupazioni dell’industriaalimentare, poiche la contaminazione fisica puo comportare rischi significativi per la salute dei consumatori, danneggiare la reputazione del marchio e portare a conseguenze legali. I comuni metodi dirilevamento, come l’ispezione a raggi X, hanno dei limiti, in particolare nell’identificazione di contaminanticome plastica, legno e vetro, che hanno una bassa densita e possono essere difficili da rilevare. Questolavoro esplora una soluzione alternativa basata sul rilevamento a microonde, introducendo un nuovoapproccio al rilevamento della contaminazione. Il sistema proposto sfrutta segnali a microonde a bassapotenza e non ionizzanti per identificare i corpi estranei senza compromettere l’integrita degli alimentio richiedere modifiche alle linee di produzione esistenti. Offre un metodo di ispezione economico e intempo reale, in grado di operare in linea senza interrompere il processo di produzione. Il principio di rilevamento si basa sull’analisi del modo in cui i segnali a microonde interagiscono con i diversi materiali, sfruttando il contrasto dielettrico tra contaminanti e prodotti alimentari. Una schiera di antenne, che circondano il prodotto sotto analisi, cattura le variazioni di segnale, che vengono poi elaborate per determinare la presenza di oggetti estranei. Il sistema e progettato per acquisire dati in modo efficiente, mantenendo la compatibilita con la velocita e i vincoli degli ambienti industriali di lavorazione degli alimenti. Il rilevamento di contaminanti nei prodotti alimentari e nelle bevande utilizzando i parametri di diffusione comporta la risoluzione di un problema inverso, non lineare e malposto. Questo processo e computazionalmente costoso e potrebbe non essere adatto per il rilevamento in linea in tempo reale. In questa ricerca, integriamo tecniche di apprendimento automatico (ML) al problema inverso per automatizzare il processo di classificazione. Analizziamo la robustezza e l’efficacia di diversi classificatori, come le macchine a vettori di supporto (SVM) e le reti di percettori multistrato (MLP), addestrandoli su serie di dati su larga scala raccolti da prove sperimentali. Questi modelli imparano a distinguere tra alimenti non contaminati e contaminati. I classificatori identificano con successo una varieta di materiali estranei, tra cui diversi tipi di plastica, vetro e legno, dimostrando un’elevata precisione su migliaia di casi di test. Inoltre, estendiamo la nostra ricerca all’imaging a onde millimetriche (mmW), studiando l’integrazione di sistemi mmW con strumenti di ML per l’ispezione delle noci. I risultati promettenti ottenuti con l’imaging mmW e la classificazione ML in applicazioni agroalimentari, in particolare per frutti rossi come mele e pesche, ci hanno stimolato a valutare l’efficacia di questo approccio per casi piu impegnativi, in particolare per semi in guscio come mandorle e noci. I risultati ottenuti in questa tesi evidenziano il potenziale del sistema basato sulle microonde/mmW come soluzione robusta, scalabile ed efficiente per il rilevamento della contaminazione alimentare e l’ispezione agroalimentare in tempo reale. Integrazione del rilevamento a microonde con l’apprendimento automatico offre una potente alternativa ai metodi di ispezione tradizionali, migliorando la sicurezza e la qualita degli alimenti in ambito industriale
di, Giuseppe Maria Giulia <1976>. "Separazione di contributi di onda piana e di campo vicino per l'inversione di dati magnetotellurici." Doctoral thesis, Alma Mater Studiorum - Università di Bologna, 2007. http://amsdottorato.unibo.it/154/1/TesiDottorato.pdf.
Повний текст джерелаdi, Giuseppe Maria Giulia <1976>. "Separazione di contributi di onda piana e di campo vicino per l'inversione di dati magnetotellurici." Doctoral thesis, Alma Mater Studiorum - Università di Bologna, 2007. http://amsdottorato.unibo.it/154/.
Повний текст джерелаCalabrese, Jessica. "Progetto di un sistema per la trasmissione wireless di potenza in campo vicino a dispositivi impiantabili." Master's thesis, Alma Mater Studiorum - Università di Bologna, 2016. http://amslaurea.unibo.it/10210/.
Повний текст джерелаPedrelli, Riccardo. "Relazione Geologica dell?area di Monte Arco, Isola d?Elba Orientale." Bachelor's thesis, Alma Mater Studiorum - Università di Bologna, 2021. http://amslaurea.unibo.it/24126/.
Повний текст джерелаTelloli, Luca. "Relazione Geologica dell’area tra Monte Strega, Rio nell’Elba e Villaggio Togliatti." Bachelor's thesis, Alma Mater Studiorum - Università di Bologna, 2022.
Знайти повний текст джерелаТези доповідей конференцій з теми "Rilevamento in campo vicino"
Frroku, Norbert, Alessandro Lami, and Marsol Xeka. "Storia della Torre di San Giovanni Battista o Torre Scola vicino a Porto Venere, SP (Italia) e applicazione delle nuove tecnologie di rilevamento per la restituzione 3D e lo studio architettonico." In FORTMED2024 - Defensive Architecture of the Mediterranean. Valencia: Universitat Politàcnica de València, 2024. http://dx.doi.org/10.4995/fortmed2024.2024.18103.
Повний текст джерела