Αυτόματο σύστημα αναγνώρισης τροφίμων με χρήση βαθιάς μάθησης. Περίπτωση χρήσης: Αναγνώριση περιεκτικότητας συσκευασιών γάλακτος
| dc.contributor.advisor | Patrikakis, Charalampos | |
| dc.contributor.author | Πάντος, Όλσυς | |
| dc.date.accessioned | 2022-10-05T08:25:09Z | |
| dc.date.available | 2022-10-05T08:25:09Z | |
| dc.date.issued | 2022-10-04 | |
| dc.identifier.uri | https://polynoe.lib.uniwa.gr/xmlui/handle/11400/2977 | |
| dc.identifier.uri | http://dx.doi.org/10.26265/polynoe-2817 | |
| dc.description.abstract | Τα συνελικτικά νευρωνικά δίκτυα και γενικότερα η βαθιά μάθηση έχουν οδηγήσει στην ανάπτυξη μοντέλων αναγνώρισης και ταξινόμησης αντικειμένων εφάμιλλες σε επιδόσεις με τις ανθρώπινες ικανότητες. Αυτές οι μέθοδοι όμως έχουν και μειονεκτήματα. Συγκεκριμένα, με την αύξηση του βάθους της αρχιτεκτονικής στα νευρωνικά δίκτυα αυξάνεται και η πολυπλοκότητα των υπολογισμών τα οποία χρειάζονται να εκτελεστούν. Επιπλέον, στα συνελικτικά νευρωνικά δίκτυα, με την αύξηση του βάθους της αρχιτεκτονικής δημιουργείται κορεσμός από ένα σημείο και μετά λόγω του φαινομένου του προβλήματος των εξαφανιζόμενων κλίσεων (Vanishing Gradient Problem). Σκοπός της διπλωματικής εργασίας είναι η μελέτη και ανάπτυξη συστήματος αναγνώρισης τροφίμων το οποίο έχει τη δυνατότητα να αναγνωρίσει το γάλα σε διαυγείς φιάλες καθώς και την ποσότητα αυτού που περιέχουν. Για την υλοποίηση της, αρχικά μελετήθηκε τι υπάρχει στην αγορά και στη διεθνή βιβλιογραφία για παρόμοια συστήματα και πως αυτά λειτουργούν. Στη συνέχεια, συγκεντρώθηκαν εικόνες μπουκαλιών με γάλα και ταξινομήθηκαν με βάση το περιεχόμενο τους. Τέλος, με τη βοήθεια της μεταφοράς μάθησης, που αυξάνει την αποδοτικότητα του εκπαιδευμένου νευρωνικού δικτύου, το νευρωνικό δίκτυο αρχιτεκτονικής MobileNet εκπαιδεύτηκε με δύο τρόπους. Με βάση τον πρώτο τρόπο, έγινε χρήση της πλατφόρμας Teachable Machine που περιείχε το εκπαιδευμένο νευρωνικό δίκτυο MobileNet το οποίο είχε προηγουμένως εκπαιδευτεί με την βάση δεδομένων ImageNet. Κατά τον δεύτερο τρόπο, δημιουργήθηκε πρόγραμμα το οποίο χρησιμοποιεί την αρχιτεκτονική MobileNet του οποίου έχει γίνει μείωση κατά 50% στο πλάτος κάθε στοιβάδας με νευρώνες. Τα αποτελέσματα δείχνουν ότι τα δύο εκπαιδευμένα νευρωνικά δίκτυα πραγματοποίησαν επιτυχώς ταξινόμηση σε ποσοστό άνω του 95%. Τέλος, τα εκπαιδευμένα νευρωνικά δίκτυα μπορούν να ενσωματωθούν σε εφαρμογές ή να λειτουργήσουν σε προγράμματα πλοήγησης στο διαδίκτυο, όπως παρουσιάζεται στην εργασία. | el |
| dc.format.extent | 103 | el |
| dc.language.iso | el | el |
| dc.publisher | Πανεπιστήμιο Δυτικής Αττικής | el |
| dc.rights | Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές | * |
| dc.rights | Αναφορά Δημιουργού 4.0 Διεθνές | * |
| dc.rights.uri | http://creativecommons.org/licenses/by/4.0/ | * |
| dc.subject | Συνελικτικά νευρωνικά δίκτυα | el |
| dc.subject | Αναγνώριση τροφίμων | el |
| dc.subject | Python | el |
| dc.subject | MobileNet | el |
| dc.subject | Ταξινόμηση εικόνων | el |
| dc.subject | Βαθιά μάθηση | el |
| dc.subject | Convolutional neural network | el |
| dc.title | Αυτόματο σύστημα αναγνώρισης τροφίμων με χρήση βαθιάς μάθησης. Περίπτωση χρήσης: Αναγνώριση περιεκτικότητας συσκευασιών γάλακτος | el |
| dc.title.alternative | Automatic food detection system using deep learning. Use case: Detection of content levels in milk containers | el |
| dc.type | Μεταπτυχιακή διπλωματική εργασία | el |
| dc.contributor.committee | Kaltsas, Grigoris | |
| dc.contributor.committee | Alexandridis, Alex | |
| dc.contributor.faculty | Σχολή Μηχανικών | el |
| dc.contributor.department | Τμήμα Ηλεκτρολόγων και Ηλεκτρονικών Μηχανικών | el |
| dc.contributor.master | Διαδίκτυο των Πραγμάτων και Ευφυή Περιβάλλοντα | el |
| dc.description.abstracttranslated | Convolutional Νeural Νetworks (CNN) and deep learning in general have led to the development of models for identifying and classifying objects comparable in performance to human capabilities. However, these methods also have disadvantages. As the depth of architecture in neural networks increases, so does the complexity of the calculations that need to be performed. In addition, in Convolutional Neural Networks, as the depth of the architecture increases, saturation is created from one point onwards due to the Vanishing Gradient Problem. The purpose of the dissertation is the study and development of a food identification system that can identify milk in clear bottles and what quantities they contain. For its implementation, it was first studied what is on the market and in the international literature for similar systems and how they work. Images containing bottles with milk were then collected and sorted according to their contents. Finally, with the help of transfer learning, which increases the efficiency of the trained neural network, the MobileNet architecture neural network was trained in two ways. In the first way, the Teachable Machine platform was used which contained the trained MobileNet neural network previously trained with the ImageNet database. In the second way, a program was created that uses the MobileNet architecture which has reduced by 50% the width of each layer of neurons. The results show that the two trained neural networks successfully classify more than 95%. Finally, trained neural networks can be integrated into applications or operated in browsers as presented in the thesis. | el |
Αρχεία σε αυτό το τεκμήριο
Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές
-
Μεταπτυχιακές διπλωματικές εργασίες - Διαδίκτυο των Πραγμάτων και Ευφυή Περιβάλλοντα
Μεταπτυχιακές διπλωματικές εργασίες ΠΜΣ Διαδίκτυο των Πραγμάτων και Ευφυή Περιβάλλοντα
Εκτός από όπου επισημαίνεται κάτι διαφορετικό, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές