| _version_ |
1828462313824321536
|
| author |
Παρασκευάς, Κωνσταντίνος
|
| author2 |
Καβαλλιεράτου, Εργίνα
|
| author_facet |
Καβαλλιεράτου, Εργίνα
Παρασκευάς, Κωνσταντίνος
|
| author_sort |
Παρασκευάς, Κωνσταντίνος
|
| collection |
DSpace
|
| description |
Στόχος της παρούσας διπλωματικής εργασίας είναι να αναπτυχθεί ένας αλγόριθμος Μηχανικής Μάθησης έτσι ώστε να ανιχνεύει επιτυχώς ελαττώματα σε δίχτυα Ιχθυοκαλλιέργειας. Η ανάπτυξη του συγκεκριμένου συστήματος θα έχει τη δυνατότητα να βοηθήσει στην αυτοματοποίηση του ελέγχου των διχτυών στις Ιχθυοκαλλιέργειες, γεγονός που ενδεχομένως να μειώσει τον χρόνο ελέγχου και να βελτιώσει την υγεία των εκτρεφόμενων ψαριών.
Στο πρώτο κεφάλαιο αναλύεται το θεωρητικό υπόβαθρο της Υπολογιστικής Όρασης. Αναλύονται μέθοδοι που έχουν εφαρμοστεί για απλές αλλά και περίπλοκες ανιχνεύσεις αντικειμένων από εικόνες. Στη συνέχεια, η εργασία στο δεύτερο κεφάλαιο επικεντρώνεται στις σύγχρονες μεθόδους Υπολογιστικής Όρασης με χρήση Μηχανικής Μάθησης. Αναλύεται η θεωρία και οι εφαρμογές των Νευρωνικών Δικτύων και γίνονται αναφορές στις πιο γνωστές έρευνες που έχουν διεξαχθεί στον τομέα. Συγκεκριμένα, αναλύονται οι αλγόριθμοι YOLO, SSD και Faster R-CNN. Στο τρίτο κεφάλαιο, γίνεται η αναφορά και περιγραφή των εργαλείων που χρησιμοποιήθηκαν καθώς και η πειραματική διαδικασία που ακολουθήθηκε για την εκπαίδευση και τη δοκιμή και των τριών αλγορίθμων. Οι αλγόριθμοι στη συνέχεια δοκιμάστηκαν σε βίντεο από προβληματικά δίχτυα για την οπτικοποίηση της ανίχνευσης των προβλημάτων. Στο τελευταίο κεφάλαιο, αναλύονται τα αποτελέσματα και επισημαίνονται οι προτάσεις για μελλοντικές έρευνες προς βελτίωση των αποτελεσμάτων.
Με την ολοκλήρωση της πειραματικής διαδικασίας, η ανίχνευση των ελαττωμάτων στα βίντεο των διχτυών Ιχθυοκαλλιέργειας που χρησιμοποιήθηκαν, αποδείχθηκε επιτυχής.
|
| id |
oai:hellanicus.lib.aegean.gr:11610-23556
|
| institution |
Hellanicus
|
| language |
el_GR
|
| publishDate |
2022
|
| record_format |
dspace
|
| spelling |
oai:hellanicus.lib.aegean.gr:11610-235562022-04-15T13:21:20Z Ανίχνευση ελαττωμάτων σε δίχτυα ιχθυοκαλλιέργειας μέσω υπολογιστικής όρασης Παρασκευάς, Κωνσταντίνος Καβαλλιεράτου, Εργίνα υπολογιστική όραση μηχανική μάθηση νευρωνικά δίκτυα αλγόριθμος biofouling object detection dataset training Computer vision Computer vision Machine learning Neural networks (Computer science) Fish culture Στόχος της παρούσας διπλωματικής εργασίας είναι να αναπτυχθεί ένας αλγόριθμος Μηχανικής Μάθησης έτσι ώστε να ανιχνεύει επιτυχώς ελαττώματα σε δίχτυα Ιχθυοκαλλιέργειας. Η ανάπτυξη του συγκεκριμένου συστήματος θα έχει τη δυνατότητα να βοηθήσει στην αυτοματοποίηση του ελέγχου των διχτυών στις Ιχθυοκαλλιέργειες, γεγονός που ενδεχομένως να μειώσει τον χρόνο ελέγχου και να βελτιώσει την υγεία των εκτρεφόμενων ψαριών. Στο πρώτο κεφάλαιο αναλύεται το θεωρητικό υπόβαθρο της Υπολογιστικής Όρασης. Αναλύονται μέθοδοι που έχουν εφαρμοστεί για απλές αλλά και περίπλοκες ανιχνεύσεις αντικειμένων από εικόνες. Στη συνέχεια, η εργασία στο δεύτερο κεφάλαιο επικεντρώνεται στις σύγχρονες μεθόδους Υπολογιστικής Όρασης με χρήση Μηχανικής Μάθησης. Αναλύεται η θεωρία και οι εφαρμογές των Νευρωνικών Δικτύων και γίνονται αναφορές στις πιο γνωστές έρευνες που έχουν διεξαχθεί στον τομέα. Συγκεκριμένα, αναλύονται οι αλγόριθμοι YOLO, SSD και Faster R-CNN. Στο τρίτο κεφάλαιο, γίνεται η αναφορά και περιγραφή των εργαλείων που χρησιμοποιήθηκαν καθώς και η πειραματική διαδικασία που ακολουθήθηκε για την εκπαίδευση και τη δοκιμή και των τριών αλγορίθμων. Οι αλγόριθμοι στη συνέχεια δοκιμάστηκαν σε βίντεο από προβληματικά δίχτυα για την οπτικοποίηση της ανίχνευσης των προβλημάτων. Στο τελευταίο κεφάλαιο, αναλύονται τα αποτελέσματα και επισημαίνονται οι προτάσεις για μελλοντικές έρευνες προς βελτίωση των αποτελεσμάτων. Με την ολοκλήρωση της πειραματικής διαδικασίας, η ανίχνευση των ελαττωμάτων στα βίντεο των διχτυών Ιχθυοκαλλιέργειας που χρησιμοποιήθηκαν, αποδείχθηκε επιτυχής. The aim of this dissertation is to develop a Machine Learning algorithm to successfully detect defects in fish farming nets. The development of this system will be able to help automate the control of nets in fish farms, which may reduce inspection time and improve the health of farmed fish. The first chapter analyzes the theoretical background of Computer Vision and specifically the methods of detecting simple and sophisticated objects in images. The second chapter focuses on modern methods of Computer Vision using Machine Learning. The theory and applications of Neural Networks are analyzed and references are made to the best known research that has been conducted in the field. Specifically, the algorithms YOLO, SSD and Faster R-CNN are analyzed. The third chapter, describes the tools used, as well as the experimental process followed for the training and testing of the selected algorithms. The algorithms were then tested on videos from faulty fish farming nets, to visualize the defect detection. Finally, the fourth chapter analyzes and compares the results from the different algorithms and future research for improvements of the results is proposed. Upon completion of the experimental procedure, the detection of defects in the videos of the fish farming nets, proved to be successful. 2022-04-07T07:58:21Z 2022-04-07T07:58:21Z 2022-01 http://hdl.handle.net/11610/23556 el_GR Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές http://creativecommons.org/licenses/by-nc-sa/4.0/ 89 σ. application/pdf Σάμος
|
| spellingShingle |
υπολογιστική όραση
μηχανική μάθηση
νευρωνικά δίκτυα
αλγόριθμος
biofouling
object detection
dataset
training
Computer vision
Computer vision
Machine learning
Neural networks (Computer science)
Fish culture
Παρασκευάς, Κωνσταντίνος
Ανίχνευση ελαττωμάτων σε δίχτυα ιχθυοκαλλιέργειας μέσω υπολογιστικής όρασης
|
| title |
Ανίχνευση ελαττωμάτων σε δίχτυα ιχθυοκαλλιέργειας μέσω υπολογιστικής όρασης
|
| title_full |
Ανίχνευση ελαττωμάτων σε δίχτυα ιχθυοκαλλιέργειας μέσω υπολογιστικής όρασης
|
| title_fullStr |
Ανίχνευση ελαττωμάτων σε δίχτυα ιχθυοκαλλιέργειας μέσω υπολογιστικής όρασης
|
| title_full_unstemmed |
Ανίχνευση ελαττωμάτων σε δίχτυα ιχθυοκαλλιέργειας μέσω υπολογιστικής όρασης
|
| title_short |
Ανίχνευση ελαττωμάτων σε δίχτυα ιχθυοκαλλιέργειας μέσω υπολογιστικής όρασης
|
| title_sort |
ανίχνευση ελαττωμάτων σε δίχτυα ιχθυοκαλλιέργειας μέσω υπολογιστικής όρασης
|
| topic |
υπολογιστική όραση
μηχανική μάθηση
νευρωνικά δίκτυα
αλγόριθμος
biofouling
object detection
dataset
training
Computer vision
Computer vision
Machine learning
Neural networks (Computer science)
Fish culture
|
| url |
http://hdl.handle.net/11610/23556
|
| work_keys_str_mv |
AT paraskeuaskōnstantinos anichneusēelattōmatōnsedichtyaichthyokalliergeiasmesōypologistikēsorasēs
|