Η καλλιέργεια της ελιάς έχει βαθιές ρίζες στη Μεσόγειο, συμβάλλοντας σημαντικά στη διατροφή, τον πολιτισμό και το εμπόριο. Παρά τις σύγχρονες μεθόδους που αυξάνουν την παραγωγικότητα, οι ελαιώνες αντιμετωπίζουν προβλήματα από ασθένειες και παράσιτα. Η έγκαιρη αναγνώριση των συμπτωμάτων είναι κρίσιμη για την αποτροπή σοβαρών ζημιών, αλλά οι παραδοσιακές μέθοδοι είναι χρονοβόρες και απαιτούν πολλούς πόρους. Η προτεινόμενη διατριβή εξετάζει τη χρήση τεχνητών νευρωνικών δικτύων βαθιάς μάθησης σε έγχρωμες εικόνες από Συστήματα μη Επανδρωμένων Αεροσκαφών για την ανίχνευση προβλημάτων ξήρανσης των δέντρων. Οι τεχνικές που εφαρμόστηκαν περιλαμβάνουν την ανίχνευση αντικειμένων και την ταξινόμηση εικόνας. Στην προσέγγιση της ανίχνευσης αντικειμένου (object detection) ο αλγόριθμος έχει ως στόχο τον εντοπισμό υγιών και μη υγιών (με ξήρανση) ελαιόδεντρων ενώ στην προσέγγιση της ταξινόμησης εικόνας (image classification) ο ταξινομητής ταξινομεί μια εικόνα στην οποία απεικονίζεται ένα δέντρο, ταξινομώντας το δέντρο ως υγιές ή μη υγιές (με ξήρανση). Ως δεδομένα εκπαίδευσης χρησιμοποιήθηκαν αεροφωτογραφίες από ελαιόδεντρα τα οποία είχαν υποστεί ζημιές από πυρκαγιά τα αποτελέσματα της οποίας είναι παρόμοια με την ξήρανση που προκαλείται από άλλες αιτίες. Για την ανίχνευση αντικειμένων εφαρμόστηκε το δίκτυο Resnet (Υπολειμματικό Νευρωνικό Δίκτυο), ως μια ραχοκοκαλιά σε μια προσέγγιση ανίχνευσης αντικειμένων με την εφαρμογή ενός ανιχνευτή Single-Shot Detector. Στην εφαρμογή ταξινόμησης εικόνων, αξιολογήθηκαν δύο προσεγγίσεις. Στην πρώτη προσέγγιση δημιουργήθηκε νέο δίκτυο 10 επιπέδων ενώ στη δεύτερη προσέγγιση εφαρμόστηκε η μετάδοση γνώσης από ήδη εκπαιδευμένα δίκτυα. Σύμφωνα με τα αποτελέσματα, η προσέγγιση της ανίχνευσης αντικειμένου κατάφερε να αναγνωρίσει τα υγιή δέντρα με μια μέση ακρίβεια 74% ενώ στα δέντρα με ξήρανση η μέση ακρίβεια ήταν 69%. Παρόλα αυτά, το βέλτιστο δίκτυο αναγνώρισε ελαιόδεντρα (υγιή ή μη υγιή) τα οποία ο χρήστης δεν τα εντόπισε κατά τη διάρκεια της συλλογής δεδομένων. Στην ταξινόμηση εικόνων η εφαρμογή συνελικτικών νευρωνικών δικτύων είχε σημαντικά καλύτερα αποτελέσματα με F1-score πάνω από 0,94 είτε στην προσέγγιση εκπαίδευσης νέου δικτύου είτε εφαρμόζοντας μεταφορά γνώσης. Συμπερασματικά, η χρήση μεθόδων μηχανικής μάθησης αποδείχθηκε αποτελεσματική για την αναγνώριση ξήρανσης σε ελαιόδεντρα και μπορεί να αποτελέσει ένα ισχυρό εργαλείο σε εφαρμογές γεωργίας ακριβείας.

The cultivation of olive trees has deep roots in the region of Mediterranean, significantly contributing to nutrition, culture, and trade. Despite modern methods that increase productivity, olive groves face problems from diseases and pests. Timely recognition of symptoms is crucial for preventing serious damage, but traditional methods are time-consuming and resource-intensive. This thesis examines the use of deep learning methodologies in true-color images from Unmanned Aerial Vehicles (UAV) to detect withering and desiccation of branches and leaf scorching. The techniques applied include object detection and image classification approaches. In the object detection approach, the algorithm aims to identify healthy and unhealthy olive trees, while in the image classification approach, the classifier categorizes an image showing a tree as healthy or unhealthy. Training data included aerial photographs of olive trees damaged by fire, with results similar to drying symptoms caused by other factors. For object detection, the ResNet (Residual Neural Network) was used as a backbone in an object detection approach with a Single-Shot Detector. In the image classification application, two approaches were evaluated. In the first approach, a new 10-layer network was developed, while in the second approach, transfer learning from pre-trained networks was applied. According to the results, the object detection approach managed to identify healthy trees with an average accuracy of 74%, while for trees with drying, the average accuracy was 69%. However, the optimal network identified olive trees (healthy or unhealthy) that the user did not detect during data collection. In image classification approach, the application of convolutional neural networks achieved significantly better results with an F1-score above 0.94, either in the new network training approach or by applying transfer learning. In conclusion, the use of machine learning methods proved effective in recognizing olive tree drought and can be a powerful tool in precision agriculture applications.