MATE ROV 2026 — Tasks

Team: PoliTOcean — Politecnico di Torino Competizione: MATE ROV World Championship 2026 — Explorer Class

---

Panoramica

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.

---

Task

Task 1.2 — Coral Garden Ridge Modelling

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
CV automatico	Computer Vision (OpenCV) + CAD SolidWorks	40 pt
Manuale	Misurazioni + modello CAD	30 pt

L'approccio del team è la misurazione automatica tramite computer vision: il ROV posiziona un righello arancione da 50 cm come riferimento metrico e acquisisce una foto della struttura. Lo script final.py calcola la scala pixel/cm dal righello, rileva i target colorati, misura lunghezza e altezza dei tubi PVC e scrive i valori in equations.txt, che SolidWorks legge automaticamente per scalare il modello CAD.

📁 Task 1.2/

---

Task 2.1 — Mitigate Invasive Species

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 2.1/

---

Riepilogo punteggi

Task	Descrizione	Max punti
1.2	Coral Garden Modelling (computer vision + CAD)	40 pt
2.1	Invasive Species (image recognition + form)	20 pt
Totale CS		60 pt

---

Stack tecnologico

Componente	Tecnologia
Object detection	YOLOv8 (Ultralytics)
Computer vision	OpenCV + NumPy
CAD	SolidWorks (equazioni parametriche)
Training	Google Colab + PyTorch
Linguaggio	Python 3

---

Struttura della repository

Task CS/
├── README.md              ← questo file
├── Task 1.2/
│   ├── README.md          ← documentazione computer vision
│   ├── final.py           ← script principale CV
│   ├── target.py          ← versione precedente
│   ├── rilevatore_target.py ← prototipo iniziale
│   ├── equations.txt      ← output misure → SolidWorks
│   ├── Coral garden (CAD).SLDPRT ← modello SolidWorks
│   ├── righello.jpg       ← immagine di test
│   ├── nuova.jpg          ← immagine di test
│   ├── Coral garden.zip
│   └── colar_garden.zip
└── 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

---

Setup

# Crea e attiva il virtual environment
python -m venv .venv
.venv\Scripts\activate        # Windows
# source .venv/bin/activate   # Linux/macOS

# Installa le dipendenze
pip install -r requirements.txt

Avvio rapido

Task 1.2 — Coral Garden CV

python "Task 1.2/final.py"

Task 2.1 — Crab Detector

python "Task 2.1/crab_counter.py"