Καταγραφή πραγματικού χρόνου με κάμερα, ατόμων πληρώματος και αναγνώριση αυτών, στο μηχανοστάσιο ενός πλοίου, με χρήση αλγορίθμων μηχανικής όρασης

Γεωργίου, Ηλίας

dc.contributor.advisor	Nikolaou , Grigoris
dc.contributor.author	Γεωργίου, Ηλίας
dc.date.accessioned	2021-03-10T21:07:34Z
dc.date.available	2021-03-10T21:07:34Z
dc.date.issued	2021-02
dc.identifier.uri	https://polynoe.lib.uniwa.gr/xmlui/handle/11400/363
dc.identifier.uri	http://dx.doi.org/10.26265/polynoe-214
dc.description.abstract	Στο πλαίσιο αυτής της Διπλωματικής Διατριβής, έγινε προσπάθεια να αναφερθούμε σε κάποια από τα χαρακτηριστικά των αλγορίθμων αναγνώρισης προσώπων, και να υλοποιηθεί ένας τέτοιος αλγόριθμος σε Python shell με τη χρήση της βιβλιοθήκης ανοικτού κώδικα OpenCV. Στόχος της εφαρμογής είναι η μέγιστη αποτελεσματικότητα με το ελάχιστο δυνατό κόστος. Όπως παρουσιάζεται παρακάτω, η αναγνώριση προσώπου με τη χρήση Μηχανικής Όρασης βασίζεται σε δυο διαφορετικές διαδικασίες. Η πρώτη εστιάζεται στο αν υπάρχει κάποιο πρόσωπο στο εξεταζόμενο αρχείο πραγματικού χρόνου (στην προκειμένη περίπτωση καταγραφή βίντεο από μικροκάμερα). Η δεύτερη εστιάζεται στην εκπαίδευση του μοντέλου με συγκεκριμένα δεδομένα αυτόματα, και η σύγκριση των δεδομένων ώστε να κριθεί εάν ταιριάζουν ή όχι με κάποια κριτήρια που ορίζουμε εμείς. Επιπρόσθετα, και για την υλοποίηση της εφαρμογής “Dead Man Alarm” που χρησιμοποιείται βάσει κανονισμού σε μηχανοστάσια εμπορικών πλοίων, ο αλγόριθμος εξετάζει και αποφασίζει εάν τίθεται λόγος ειδοποίησης των άλλων μελών του πληρώματος σε περίπτωση που κατά την επιθεώρηση μηχανημάτων του πλοίου, εκτός κανονικού ωραρίου, βρεθεί μέλος του πληρώματος ακίνητο. Έτσι, μετά την επιγραμματική επεξήγηση των επιμέρους τμημάτων του αλγορίθμου, γίνεται αναλυτική παρουσίαση αυτού, καθώς και του χρησιμοποιούμενου εξοπλισμού. Τα αποτελέσματα του αλγορίθμου δείχνουν ότι αποδίδει καλά κάτω από τις δύσκολες συνθήκες που επικρατούν στο μηχανοστάσιο του πλοίου (υψηλές θερμοκρασίες, κραδασμοί ασταθούς συχνότητας και διάρκειας, επικίνδυνα αέρια, κακός φωτισμός) αναγνωρίζοντας και ταυτοποιώντας κάποιο πρόσωπο, και στη συνέχεια εξετάζοντας εάν τίθεται λόγος ανησυχίας λόγω ξαφνικής ακινησίας κάποιου μέλους του πληρώματος.	el
dc.format.extent	66	el
dc.language.iso	el	el
dc.publisher	Πανεπιστήμιο Δυτικής Αττικής	el
dc.publisher	Πανεπιστήμιο Αιγαίου	el
dc.rights	Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές	*
dc.rights	Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/4.0/	*
dc.subject	Μηχανική όραση	el
dc.subject	Mechanical vision	el
dc.subject	Νευρωνικά δίκτυα	el
dc.subject	Python (Γλώσσα προγραμματισμού)	el
dc.subject	OpenCV	el
dc.subject	Ανίχνευση προσώπου	el
dc.subject	Αναγνώριση προσώπου	el
dc.subject	Πλοία	el
dc.subject	Αλγόριθμοι	el
dc.subject	Μηχανοστάσιο πλοίου	el
dc.title	Καταγραφή πραγματικού χρόνου με κάμερα, ατόμων πληρώματος και αναγνώριση αυτών, στο μηχανοστάσιο ενός πλοίου, με χρήση αλγορίθμων μηχανικής όρασης	el
dc.title.alternative	Integrated dead man alarm for vessels’ engine room, with real time crew’s presence supervision and monitoring, using mechanical vision algorithms	el
dc.type	Μεταπτυχιακή διπλωματική εργασία	el
dc.contributor.committee	Papoutsidakis, Michail
dc.contributor.committee	Drosos, Christos
dc.contributor.faculty	Σχολή Μηχανικών	el
dc.contributor.department	Τμήμα Μηχανικών Βιομηχανικής Σχεδίασης και Παραγωγής	el
dc.contributor.master	Νέες Τεχνολογίες στη Ναυτιλία και τις Μεταφορές	el
dc.description.abstracttranslated	In the following chapters of this Thesis, an attempt was made to explain some of the face recognition algorithms and their features and implement such algorithms in Python shell using the OpenCV open source library. The goal of the application is maximum efficiency with the lowest possible cost. As shown below, face recognition using Mechanical Vision is based on two different processes. The first process focuses on whether there is a person in the real-time file in question (in this case live video stream using a web camera). On top of this, the second process focuses on training the model with specific data obtained from a pre-processed dataset and comparing these data with the live stream, in order to judge if the data fits some of the criteria we set, i.e. if a known person appears. In addition, for the implementation of the "Dead Man Alarm" application, which is used according to the Class regulations in commercial vessels’ machinery space, the algorithm examines and decides whether is there a reason to notify the other crew members in case of, during the inspection of vessel's machinery after normal hours on UMS mode, a crew member becomes alarmingly motionless. Thus, after the brief explanation of the individual parts of mentioned algorithm, there is a detailed presentation of algorithm. In addition, short mention is given to the used hardware, which was chosen to be simple and cost-effective. The results of the algorithm show that it performs well under the adverse environmental conditions prevailing in the vessel's engine room (high temperatures, vibrations of unstable frequency and duration, dangerous gases, poor lighting) by recognizing and identifying a person. Finally, we examine whether sudden immobility of a crew member, i.e. not acknowledgement of the alarm after preset time, poses a reason of concern.	el

Αρχεία σε αυτό το τεκμήριο

Όνομα:: ntst20.pdf
Μέγεθος:: 2.058Mb
Τύπος:: PDF
Περιγραφή:: Διπλωματική Εργασία

Προβολή/Άνοιγμα

Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές

Μεταπτυχιακές διπλωματικές εργασίες - Νέες Τεχνολογίες στη Ναυτιλία και τις Μεταφορές
Μεταπτυχιακές διπλωματικές εργασίες ΠΜΣ Νέες Τεχνολογίες στη Ναυτιλία και τις Μεταφορές

Εμφάνιση απλής εγγραφής

Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές

Εκτός από όπου επισημαίνεται κάτι διαφορετικό, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές