Αναγνώριση θαλάσσιων μη ενδημικών ειδών με τεχνικές Εξόρυξης Γνώσης από Δεδομένα και τεχνικές Βαθιάς Μάθησης

Identification of marine non-endemic species with Data Mining techniques and Deep Learning techniques (Αγγλική)

  1. MSc thesis
  2. Σταματόπουλος, Ηλίας
  3. Μεταπτυχιακή Εξειδίκευση στα Πληροφοριακά Συστήματα (ΠΛΣ)
  4. 24 Σεπτεμβρίου 2022 [2022-09-24]
  5. Ελληνικά
  6. 117
  7. Μαραγκουδάκης, Εμμανουήλ
  8. Καναβός, Ανδρέας | Χατζηευθυμιάδης, Ευστάθιος
  9. Εξόρυξη δεδομένων, νευρώνας, συνελικτικό νευρωνικό δίκτυο, Αναγνώριση αντικειμένων, Tensorflow, ακρίβεια, ρυθμός μάθησης | Data Mining, Neuron, Convolutional Neural Network, Object Detection, Tensorflow, Accuracy, Learning Rate
  10. 1
  11. 8
  12. 15
  13. Περιέχει : πίνακες, γραφήματα, εικόνες, σχήματα και εξισώσεις.
  14. Nευρωνικά ∆ίκτυα και Eφαρµογές (Τόμος Β)/ΠΑΝΟΣ AΡΓΥΡΑΚΗΣ
    • Τα τελευταία χρόνια η εγκατάσταση ξενικών θαλάσσιων ειδών στην Μεσόγειο θάλασσα, έχει διαταράξει την ισορροπία της και απειλεί την βιωσιμότητα της πανίδας και της χλωρίδας της. Ορισμένα από αυτά τα είδη έχουν και μεγάλη τοξικότητα για τον ανθρώπινο οργανισμό. Η παρούσα διπλωματική εργασία επιχειρεί να δημιουργήσει ένα χρήσιμο εργαλείο για την αντιμετώπιση του δυσμενούς αυτού φαινομένου χρησιμοποιώντας τεχνικές εξόρυξης δεδομένων και βαθιάς μάθησης για την ανίχνευση των θαλάσσιων μη ενδημικών ειδών: 1) λαγοκέφαλος 2) γερμανός 3) λεοντόψαρο Κύριος σκοπός της εργασίας είναι η δημιουργία ενός αλγορίθμου αναγνώρισης των θαλάσσιων μη ενδημικών ειδών από φωτογραφίες. Με τη χρήση αυτού του εργαλείου μπορεί να εξασφαλιστεί η έγκαιρη ενημέρωση των πολιτών σχετικά το κάθε είδος και την επικινδυνότητά του. Η ανάπτυξη του αλγορίθμου πραγματοποιήθηκε εκπαιδεύοντας ένα βαθύ νευρωνικό δίκτυο με τη μέθοδο της μεταφοράς μάθησης. Η εκπαίδευση έγινε σε γλώσσα προγραμματισμού Python στο περιβάλλον εργασίας του Google Colab με τη χρήση της βιβλιοθήκης Tensorflow Object Detection API. Αρχικά, δημιουργήθηκε το κατάλληλο σύνολο δεδομένων με φωτογραφίες και ετικέτες των θαλάσσιων μη ενδημικών ειδών και πραγματοποιήθηκε η απαιτούμενη επεξεργασία του. Το τελικό σύνολο δεδομένων που προέκυψε, χρησιμοποιήθηκε για την εκπαίδευση βαθιών νευρωνικών δικτύων. Τα νευρωνικά δίκτυα που χρησιμοποιήθηκαν αποτελούν ανιχνευτές ενός σταδίου, και είναι τα παρακάτω: 1)EfficientDet D1 2)CenterNet HourGlass104 3)SSD ResNet50 V1 FPN Μετά την ολοκλήρωση της εκπαίδευσης αλγορίθμου αναγνώρισης των θαλάσσιων μη ενδημικών ειδών, αξιολογήθηκαν τα αποτελέσματα και διατυπώθηκαν προτάσεις για την βελτιστοποίηση της διαδικασίας μάθησης που επιλέχθηκε.
    • In recent years, the establishment of alien marine species in the Mediterranean Sea has disturbed its balance and threatens the viability of its fauna and flora. Some of these species also have great toxicity to the human body. This dissertation attempts to create a useful tool for tackling this adverse phenomenon using data mining and deep learning techniques for the detection of marine non-endemic species: 1)Lagocephalus sceleratus 2)Dusky Spinefoot 3)Lionfish The main purpose of this work is to create an algorithm for the identification of marine non-endemic species from photographs. The use of this tool can ensure the timely information of citizens about each species and its danger. The development of the algorithm was carried out by training a deep neural network with the method of learning transfer. The training was conducted in Python programming language in the Google Colab interface using the Tensorflow Object Detection API library. Initially, the appropriate data set with photographs and labels of marine non-endemic species was created and the required processing was performed. The resulting dataset was used to train deep neural networks. The neural networks used are single-stage detectors, and are as follows: 1) EfficientDet D1 2) CenterNet HourGlass104 3) SSD ResNet50 V1 FPN After the completion of the training of algorithm for identification of marine non-endemic, the results were evaluated and suggestions were made for the optimization of the learning process chosen.
  16. Αναφορά Δημιουργού 4.0 Διεθνές