Ανάπτυξη εφαρμογής οπτικής αναγνώρισης με τεχνικές μηχανικής μάθησης υλοποιημένων σε ενσωματωμένα συστήματα

Development of visual recognition applications with machine learning techniques (Αγγλική)

  1. MSc thesis
  2. Μόσχος, Παναγιώτης
  3. Μεταπτυχιακή Εξειδίκευση στα Πληροφοριακά Συστήματα (ΠΛΣ)
  4. 18 Σεπτεμβρίου 2021 [2021-09-18]
  5. Ελληνικά
  6. 170
  7. Ορφανουδάκης, Θεοφάνης
  8. Καψάλης, Βασίλειος | Φωκά, Αμαλία
  9. Μηχανική μάθηση | Συνελικτικά νευρωνικά δίκτυα | Υπολογιστική όραση | μικροϋπολογιστές | Jetson Nano
  10. 1
  11. 53
  12. Περιέχει: πίνακες, εικόνες
    • Η παρούσα διπλωματική παρουσιάζει τις τεχνικές αναγνώρισης εικόνων από το παρελθόν μέχρι τα σύγχρονα βαθιά συνελικτικά νευρωνικά δίκτυα. Αρχικά περιγράφονται οι πρώτες τεχνικές ανάλυσης εικόνων και στη συνέχεια γίνεται μια εκτενής παρουσίαση και επεξήγηση του τρόπου λειτουργίας των νευρωνικών δικτύων. Διαφοροποιούνται και επεξηγούνται τα προβλήματα της κατηγοριοποίησης εικόνων, του εντοπισμού αντικειμένων εντός των εικόνων και της παρακολούθησης και αναγνώρισης κινούμενων αντικειμένων σε σταθερό περιβάλλον. Στη συνέχεια, παρουσιάζονται οι αρχιτεκτονικές των δημοφιλέστερων και επικρατέστερων συνελικτικών νευρωνικών δικτύων. Έπειτα, συγκρίνονται οι μικροϋπολογιστές Raspberry Pi4 και Jetson Nano αναφορικά με τις κατασκευαστικές τους δυνατότητες και την καταλληλότητά τους στην ανάπτυξη εφαρμογών οπτικής αναγνώρισης σταθερών και κινούμενων αντικειμένων. Τέλος, ακολουθεί πειραματική επίδειξη κατασκευής ενός απλού νευρωνικού δικτύου κατηγοριοποίησης εικόνων, η χρήση έτοιμων προεκπαιδευμένων νευρωνικών δικτύων για εντοπισμό και αναγνώριση αντικειμένων και η παρουσίαση του τρόπου εκμετάλλευσης-χρήσης της τεχνικής transfer learning. Τα ανωτέρω υλοποιούνται στον μικροϋπολογιστή Jetson Nano και παρουσιάζεται αναλυτικά η προετοιμασία, ο προγραμματισμός-υλοποίηση και επίδειξη των αποτελεσμάτων των διεξαχθέντων πειραμάτων.
    • This thesis presents image recognition techniques from the past to modern deep convolutional neural networks. At first are described the image analysis techniques, followed by an extensive presentation and explanation of how neural networks work. The problems of image classification, object detection within images, and the monitoring and recognition of moving objects in a stable background environment are differentiated and explained. In addition, are presented the architectures of the most popular and prevalent convolutional neural networks. Furthermore, are compared the Rasberry Pi4 and Jetson Nano microcomputers in terms of their manufacturing capabilities and suitability for visual recognition applications for stable and moving objects. In the second part, there is an experimental demonstration of the construction of a simple neural network of image classification. Also, are presented the use of ready-made neural networks for locating and recognizing objects and the presentation of how to use the transfer learning technique. Finally, all the above are implemented in the Jetson Nano microcomputer. The preparation, the programming-implementation and the demonstration of the results of the performed experiments are presented in detail.
  14. Items in Apothesis are protected by copyright, with all rights reserved, unless otherwise indicated.