Ανάπτυξη ενός πρότυπου Edge Computing Node για την ανίχνευση ροών οχημάτων και πεζών μέσα από ανάλυση Video.

Development of an edge computing node model for vehicle flow detection and people through video analysis. (Αγγλική)

  1. MSc thesis
  2. ΣΤΑΥΡΟΣ ΚΑΛΑΘΑΚΗΣ
  3. Μεταπτυχιακή Εξειδίκευση στα Πληροφοριακά Συστήματα (ΠΛΣ)
  4. 22 Σεπτεμβρίου 2024
  5. Ελληνικά
  6. 113
  7. Δημήτριος Ρίγγας
  8. Δημήτριος Ρίγγας | Παλιόκας Ιωάννης | Λελίγκου, Ελένη Αικατερίνη
  9. Edge Computing, | Computer vision | Raspberry Pi | YOLOV
  10. Μεταπτυχιακή Εξειδίκευση στα Πληροφοριακά Συστήματα (MSc)
  11. 3
  12. 2
  13. 38
    • Η παρούσα διπλωματική εργασία χρησιμοποιεί τον μικρό υπολογιστή Raspberry Pi κατασκευάζοντάς ένα σύστημα Edge Computing. Ενσωματώνει κάμερα και τεχνολογία μηχανικής όρασης για την ανίχνευση ροής οχημάτων και πεζών. Ο αλγόριθμος ανίχνευσης των αντικείμενων πραγματοποιείται on site στο Raspberry. Τα δεδομένα συλλέγονται μέσω ενός ασφαλή κρυπτογραφημένου διάδρομου επικοινωνίας κάνοντας χρήση του διαδικτύου σε ένα κεντρικό διακομιστή στο cloud για επιπλέον επεξεργασία. Η πρόσβαση στα δεδομένα πραγματοποιείται μέσω γραφικού περιβάλλον. Για την ανάπτυξη της εφαρμογής χρησιμοποιούμε την πλατφόρμα ανοιχτού κώδικα Open CV σε περιβάλλον προγραμματισμού Python. Δοκιμάστηκαν τα μοντέλα ανίχνευσης αντικειμένων YOLO και SSD. Η αποστολή των δεδομένων μέσω διαδικτύου πραγματοποιείται με ασφαλής τρόπο κάνοντας χρήση τεχνολογίας VPN. Το γραφικό περιβάλλον του διακομιστή συλλογής των δεδομένων κατασκευαστικέ με την βιβλιοθήκη της Python Streamlit και χρησιμοποιήθηκε η βάση δεδομένων MySQL.
    • In this thesis, he uses the Raspberry Pi open-source platform by building an Edge Computing system. It incorporates camera and machine vision technology to detect vehicle and pedestrian flow. The detection algorithm for the objects of interest is performed on the Raspberry. Performs performance measurement of available algorithms on the Raspberry platform. Data is collected through a secure encrypted communication path using the internet and sent to a central server in the cloud for further processing. Access to the cloud server is done through a graphical interface. To develop the application, we use the OpenCV open-source platform in a Python programming environment. The YOLO and SSD object detection models were tested. Sending data over the internet is done securely using VPN technology. The graphical interface of the data collection server was built with Streamlit, and the MySQL database was used.
  15. Hellenic Open University
  16. Αναφορά Δημιουργού-Μη Εμπορική Χρήση 4.0 Διεθνές