Evaluation of green algae deployment for organic pollutant removal in urban wastewater through ERE-CALUX potency assessment

The interest of the scientific community towards organic pollutants in freshwater streams is fairly recent. During the past 50 years, thousands of chemicals have been synthesized and released into the general environment. Nowadays their occurrence and effects on several organism, invertebrates, fish, birds, reptiles and also humans are well documented. Because of their action, some of these chemicals have been defined as Endocrine Disrupters Compounds (EDCs) and the public health implications of these EDCs have been the subject of scientific debate. Most interestingly, among those that were noticed to have some influence and effects on the endocrine system were the estrone, the 17β-estradiol, the 17α-estradiol, the estriol, the 17α-ethinylestradiol, the testosterone and the progesterone. This project focused its attention on the 17β-estradiol. Estradiol, or more precisely, 17β-estradiol (also commonly referred to as E2) is a human sex hormone. It belongs to the class of steroid hormones. In spite of the effort to remove these substances from the effluents, the actual wastewater treatment plants are not able to degrade or inactivate these organic compounds that are continually poured in the ecosystem. Through this work a new system for the wastewater treatment was tested, to assess the decrease of the estradiol in the water. It involved the action of Chlorella vulgaris, a fresh water green microalga belonging to the family of the Chlorellaceae. This microorganism was selected for its adaptability and for its photosynthetic efficiency. To detect the decrease of the target compound in the water a CALUX bioassay analysis was chosen. Three different experiments were carried on to pursue the aim of the project. By analysing their results several aspects emerged. It was assessed the presence of EDCs inside the water used to prepare the culture media. C. vulgaris, under controlled conditions, could be efficient for this purpose, although further researches are essential to deepen the knowledge of this complex phenomenon. Ultimately by assessing the toxicity of the effluent against C. vulgaris, it was clear that at determined concentrations, it could affect the normal growth rate of this microorganism.

Segmentazione e categorizzazione di oggetti mediante immagini depth e deep learning

Questo lavoro è iniziato con uno studio teorico delle principali tecniche di classificazione di immagini note in letteratura, con particolare attenzione ai più diffusi modelli di rappresentazione dell’immagine, quali il modello Bag of Visual Words, e ai principali strumenti di Apprendimento Automatico (Machine Learning). In seguito si è focalizzata l’attenzione sulla analisi di ciò che costituisce lo stato dell’arte per la classificazione delle immagini, ovvero il Deep Learning. Per sperimentare i vantaggi dell’insieme di metodologie di Image Classification, si è fatto uso di Torch7, un framework di calcolo numerico, utilizzabile mediante il linguaggio di scripting Lua, open source, con ampio supporto alle metodologie allo stato dell’arte di Deep Learning. Tramite Torch7 è stata implementata la vera e propria classificazione di immagini poiché questo framework, grazie anche al lavoro di analisi portato avanti da alcuni miei colleghi in precedenza, è risultato essere molto efficace nel categorizzare oggetti in immagini. Le immagini su cui si sono basati i test sperimentali, appartengono a un dataset creato ad hoc per il sistema di visione 3D con la finalità di sperimentare il sistema per individui ipovedenti e non vedenti; in esso sono presenti alcuni tra i principali ostacoli che un ipovedente può incontrare nella propria quotidianità. In particolare il dataset si compone di potenziali ostacoli relativi a una ipotetica situazione di utilizzo all’aperto. Dopo avere stabilito dunque che Torch7 fosse il supporto da usare per la classificazione, l’attenzione si è concentrata sulla possibilità di sfruttare la Visione Stereo per aumentare l’accuratezza della classificazione stessa. Infatti, le immagini appartenenti al dataset sopra citato sono state acquisite mediante una Stereo Camera con elaborazione su FPGA sviluppata dal gruppo di ricerca presso il quale è stato svolto questo lavoro. Ciò ha permesso di utilizzare informazioni di tipo 3D, quali il livello di depth (profondità) di ogni oggetto appartenente all’immagine, per segmentare, attraverso un algoritmo realizzato in C++, gli oggetti di interesse, escludendo il resto della scena. L’ultima fase del lavoro è stata quella di testare Torch7 sul dataset di immagini, preventivamente segmentate attraverso l’algoritmo di segmentazione appena delineato, al fine di eseguire il riconoscimento della tipologia di ostacolo individuato dal sistema.

Deployment automatico di applicazioni specificate in linguaggio ABS

Da quando è iniziata l'era del Cloud Computing molte cose sono cambiate, ora è possibile ottenere un server in tempo reale e usare strumenti automatizzati per installarvi applicazioni. In questa tesi verrà descritto lo strumento MODDE (Model-Driven Deployment Engine), usato per il deployment automatico, partendo dal linguaggio ABS. ABS è un linguaggio a oggetti che permette di descrivere le classi in una maniera astratta. Ogni componente dichiarato in questo linguaggio ha dei valori e delle dipendenze. Poi si procede alla descrizione del linguaggio di specifica DDLang, col quale vengono espressi tutti i vincoli e le configurazioni finali. In seguito viene spiegata l’architettura di MODDE. Esso usa degli script che integrano i tool Zephyrus e Metis e crea un main ABS dai tre file passati in input, che serve per effettuare l’allocazione delle macchine in un Cloud. Inoltre verranno introdotti i due sotto-strumenti usati da MODDE: Zephyrus e Metis. Il primo si occupa di scegliere quali servizi installare tenendo conto di tutte le loro dipendenze, cercando di ottimizzare il risultato. Il secondo gestisce l’ordine con cui installarli tenendo conto dei loro stati interni e delle dipendenze. Con la collaborazione di questi componenti si ottiene una installazione automatica piuttosto efficace. Infine dopo aver spiegato il funzionamento di MODDE viene spiegato come integrarlo in un servizio web per renderlo disponibile agli utenti. Esso viene installato su un server HTTP Apache all’interno di un container di Docker.