Το έργο με τίτλο Αναγνώριση αντικειμένων και των χαρακτηριστικών τους από οπτικά δεδομένα μη επανδρωμένων εναέριων οχημάτων από τον/τους δημιουργό/ούς Giovanoglou Vasileios διατίθεται με την άδεια Creative Commons Αναφορά Δημιουργού 4.0 Διεθνές
Βιβλιογραφική Αναφορά
Βασίλειος Γιοβάνογλου, "Αναγνώριση αντικειμένων και των χαρακτηριστικών τους από οπτικά δεδομένα μη επανδρωμένων εναέριων οχημάτων", Διπλωματική Εργασία, Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2025
https://doi.org/10.26233/heallink.tuc.103295
Τα τελευταία χρόνια οι εφαρμογές που βασίζονται στην χρήση μη επανδρωμένων εναέριων οχημάτων (UAVs) εξαπλώνονται όλο και περισσότερο, αξιοποιώντας τις τεχνολογικές δυνατότητές τους σε συνδυασμό με άλλα αναπτυσσόμενα πεδία. Η παρούσα διπλωματική εργασία εξετάζει την ανίχνευση αντικειμένων σε αστικά περιβάλλοντα και την αναγνώριση του χρώματος τους εστιάζοντας σε τρεις μεγάλες κλάσεις αντικειμένων: αυτοκίνητα, λεωφορεία, πεζοί. Αξιοποιούνται οπτικά δεδομένα αεροφωτογραφιών που συλλέγονται από UAVs, ενώ δίνεται ιδιαίτερη έμφαση στην μελέτη και χρήση του νευρωνικού δικτύου YOLOv5 για ακριβή αναγνώριση αντικειμένων από αεροφωτογραφίες με κατακόρυφη γωνία λήψης. Ο πυρήνας της έρευνας αφορά την μελέτη και εφαρμογή του YOLOv5 καθώς και παραλλαγών του στο Stanford Drone Dataset, την αξιολόγηση της απόδοσής του με διάφορες μετρικές, καθώς και πειραματικές μελέτες με διαφορετικές διαμορφώσεις για τη βελτίωση της ακρίβειας και της αποδοτικότητας. Το μη τροποποιημένο YOLOv5 μοντέλο πέτυχε mAP@.5 89%, απόδοση υψηλότερη των παραλλαγών που αναπτύχθηκαν όπως του YOLOv5 με Softpool και Squeeze-and-Excitation mAP@.5 71% και του YOLOv5 με Softpool και CoordAttention mAP@.5 75%. Τα αποτελέσματα αναδεικνύουν την εξαιρετική ικανότητα του μοντέλου YOLOv5x στην ανίχνευση αντικειμένων, επιβεβαιώνοντας τη δυναμική του για πρακτικές εφαρμογές στην επιτήρηση, τη γεωργία και την ασφάλεια. Με την ενσωμάτωση τεχνικών απομόνωσης υποβάθρου (background) και ανίχνευσης χαρακτηριστικών, όπως η ανάλυση χρώματος, η εργασία αυτή συμβάλλει στον τομέα της μηχανικής όρασης, παρουσιάζοντας μια προηγμένη προσέγγιση στην ανίχνευση αντικειμένων από UAVs, με σημαντικές προεκτάσεις, τόσο για την ακαδημαϊκή έρευνα, όσο και για τις βιομηχανικές πρακτικές.