Ιδρυματικό Αποθετήριο
Πολυτεχνείο Κρήτης
Πολυτεχνείο Κρήτης
EN
|
EL
| URI | http://purl.tuc.gr/dl/dias/DAE6AE8C-2DA5-4CBB-A1DC-17EECBCA36F8 | - |
| Αναγνωριστικό | https://doi.org/10.26233/heallink.tuc.103295 | - |
| Γλώσσα | el | - |
| Μέγεθος | 87 σελίδες | el |
| Μέγεθος | A4 (210 x 297mm) | en |
| Τίτλος | Αναγνώριση αντικειμένων και των χαρακτηριστικών τους από οπτικά δεδομένα μη επανδρωμένων εναέριων οχημάτων | el |
| Τίτλος | Object detection, localization and feature characterization of image data from UAV | en |
| Δημιουργός | Giovanoglou Vasileios | en |
| Δημιουργός | Γιοβανογλου Βασιλειος | el |
| Συντελεστής [Επιβλέπων Καθηγητής] | Zervakis Michail | en |
| Συντελεστής [Επιβλέπων Καθηγητής] | Ζερβακης Μιχαηλ | el |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Lagoudakis Michail | en |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Λαγουδακης Μιχαηλ | el |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Petrakis Evripidis | en |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Πετρακης Ευριπιδης | el |
| Εκδότης | Πολυτεχνείο Κρήτης | el |
| Εκδότης | Technical University of Crete | en |
| Ακαδημαϊκή Μονάδα | Technical University of Crete::School of Electrical and Computer Engineering | en |
| Ακαδημαϊκή Μονάδα | Πολυτεχνείο Κρήτης::Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών | el |
| Περιγραφή | Υποβλήθηκε για την μερική εκπλήρωση των απαιτήσεων για τη λήψη του Διπλώματος Ηλεκτρολόγου Μηχανικού και Μηχανικών Υπολογιστών από τη Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών | el |
| Περίληψη | 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. | el |
| Περίληψη | This thesis explores object detection and feature characterization from visual data collected by unmanned aerial vehicles (UAVs), with a primary focus on leveraging the YOLOv5 model for accurate object recognition and classification in aerial imagery focusing on three classes of objects: cars, buses, pedestrians. The core of the research involves applying YOLOv5 and its variations to the Stanford Drone Dataset, evaluating their performance using various metrics, and conducting experimental studies with different configurations to enhance accuracy and efficiency. The unmodified YOLOv5 model achieved a mAP@.5 89%, outperforming variations, proposed in the thesis, such as YOLOv5 with Softpool and Squeeze-and-Excitation mAP@.5 71% and YOLOv5 with Softpool and CoordAttention mAP@.5 75%. Results highlight the exceptional capability of the YOLOv5x model in object detection, demonstrating its potential for practical applications in surveillance, agriculture, and security. By integrating background isolation techniques and feature detection methods, such as color analysis, this study contributes to the field of computer vision, presenting an advanced approach to UAV-based object detection with significant implications for both academic research and industrial practice. | en |
| Τύπος | Διπλωματική Εργασία | el |
| Τύπος | Diploma Work | en |
| Άδεια Χρήσης | http://creativecommons.org/licenses/by/4.0/ | en |
| Ημερομηνία | 2025-05-29 | - |
| Ημερομηνία Δημοσίευσης | 2025 | - |
| Θεματική Κατηγορία | Βαθιά μάθηση | el |
| Θεματική Κατηγορία | Μηχανική όραση | el |
| 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 | el |
| Βιβλιογραφική Αναφορά | Vasileios Giovanoglou, "Object detection, localization and feature characterization of image data from UAV", Diploma Work, School of Electrical and Computer Engineering, Technical University of Crete, Chania, Greece, 2025 | en |
Copyright © DIAS 2013
