Show simple item record

Detection and classification of grapevine varieties using multispectral image analysis and vegetation indices

dc.contributor.advisorΟικονόμου, Εμμανουήλ
dc.contributor.authorΚουρουνιώτη, Ολυμπία
dc.date.accessioned2023-09-27T08:08:17Z
dc.date.available2023-09-27T08:08:17Z
dc.date.issued2023-07-18
dc.identifier.urihttps://polynoe.lib.uniwa.gr/xmlui/handle/11400/5152
dc.identifier.urihttp://dx.doi.org/10.26265/polynoe-4990
dc.description.abstractThe present master thesis focuses on investigating and analyzing issues related to the detection of grapevine varieties through the analysis of specific grapevine properties. These properties mostly concern the amount of chlorophyll present in the leaves of the plants, the overall health or the existence of any signs of stress, which affects significantly the process of photosynthesis and the density of the vines’ canopy. In order to provide a comprehensive theoretical approach of the issue, a narrative literature review was conducted, focusing on various aspects related to vines. This review encompassed an exploration of common diseases affecting vines, the methodologies employed for data collection and subsequent analysis, as well as the techniques used for identifying diseases or deficiencies in vine plants. Additionally, a systematic literature review was conducted to examine the identification of different vegetation varieties through image analysis. To evaluate the health status of the vine, vegetation indicators were employed with the aim of identifying the aforementioned properties. Data collection in the study area included multispectral images captured by other researchers in 2022 through a UAV (Unmanned Aerial Vehicle) flight over the vineyards of the Agricultural Products Technology Institute in Lykovrisi. These images were used to generate an orthophoto of the area, which was subsequently examined. The study area has the unique characteristic of housing wide and diverse vine varieties, comprising over a thousand different types. As part of the research, a sub-vineyard of four acres area was examined, encompassing a total of 112 vine varieties. To accurately detect the precise locations of each of these varieties, ground surveying measurements were taken and a vine map was created. To isolate the parts depicting vines οn the image, supervised classification algorithms were executed. After the classification process, a mask was applied to cover the areas of the image that represented shadows or the ground. In the remaining areas (vine areas), seven vegetation indices were implemented. Among these indices, two pairs that exhibited the least correlation with each other were selected, resulting in a total of four indices. The indices' outcomes were then incorporated by two clustering algorithms: a vector quantization algorithm and a probabilistic model. The primary objective of these algorithms was to group varieties with similar characteristics into classes. Each algorithm was implemented using the four vegetation indices, and their respective outputs were subsequently compared to identify the varieties classified in the same class by both algorithms. This process of identifying varieties with similar characteristics provides valuable insights into vine growth and health. Furthermore, it enables farmers to employ similar approaches on varieties with similar properties for essential works, such as watering, fertilization, and harvesting.el
dc.format.extent90el
dc.language.isoenel
dc.publisherΠανεπιστήμιο Δυτικής Αττικήςel
dc.publisherUniversité de Limogesel
dc.rightsΑναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές*
dc.rightsAttribution-NonCommercial-NoDerivatives 4.0 Διεθνές*
dc.rightsAttribution-NonCommercial-NoDerivatives 4.0 Διεθνές*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/*
dc.subjectMachine learningel
dc.subjectMultispectral imagesel
dc.subjectRemote sensingel
dc.subjectVineyardsel
dc.subjectClusteringel
dc.titleDetection and classification of grapevine varieties using multispectral image analysis and vegetation indicesel
dc.title.alternativeΑνίχνευση και ταξινόμηση ποικιλιών αμπέλου μέσω ανάλυσης πολυφασματικών εικόνων και δεικτών βλάστησηςel
dc.typeΜεταπτυχιακή διπλωματική εργασίαel
dc.contributor.committeeGrammatikopoulos, Lazaros
dc.contributor.committeeKesidis, Anastasios
dc.contributor.facultyΣχολή Μηχανικώνel
dc.contributor.departmentΤμήμα Μηχανικών Πληροφορικής και Υπολογιστώνel
dc.contributor.departmentΤμήμα Μηχανικών Τοπογραφίας και Γεωπληροφορικήςel
dc.contributor.masterΤεχνητή Νοημοσύνη και Οπτική Υπολογιστικήel
dc.description.abstracttranslatedΣτην παρούσα εργασία ερευνήθηκαν και αναλύθηκαν ζητήματα που αφορούν την ανίχνευση ποικιλιών αμπελιών μέσω της ανάλυσης ιδιοτήτων του αμπελιού. Οι ιδιότητες αυτές αφορούν την ποσότητα της χλωροφύλλης στα φύλλα των φυτών, την υγεία ή την ύπαρξη στρες, γεγονός το οποίο συνδέεται με την διαδικασία της φωτοσύνθεσης, καθώς και την πυκνότητα του φυλλώματος των αμπελιών. Για την θεωρητική προσέγγιση του θέματος πραγματοποιήθηκε αρχικά περιγραφική βιβλιογραφική ανασκόπηση η οποία εστιάζει στα αμπέλια, στις ασθένειες από τις οποίες συνήθως προσβάλλονται, τις μεθόδους με τις οποίες γίνεται η συλλογή δεδομένων, και τις τεχνικές με τις οποίες εντοπίζονται ασθένειες ή ελλείψεις στα αμπέλια. Επιπλέον πραγματοποιήθηκε και συστηματική βιβλιογραφική ανασκόπηση που αφορά τον εντοπισμό διαφορετικών ποικιλιών βλάστησης μέσω εικόνων. Για την ανάλυση της κατάστασης της υγείας του αμπελιού, εφαρμόστηκαν δείκτες βλάστησης οι οποίοι στοχεύουν στον εντοπισμό των ιδιοτήτων που προαναφέρθηκαν. Σχετικά με την συλλογή δεδομένων στην περιοχή μελέτης, χρησιμοποιήθηκαν πολυφασματικές εικόνες οι οποίες συλλέχθηκαν από άλλους ερευνητές το 2022 μέσω πτήσης UAV (Unmanned aerial vehicle ) στους αμπελώνες του Ινστιτούτο Τεχνολογίας Αγροτικών Προϊόντων στην Λυκόβρυση Αττικής. Από τις εικόνες αυτές παράχθηκε ορθοφωτογραφία της περιοχής η οποία έχει το ιδιαίτερο χαρακτηριστικό ότι περιέχει πλήθος διαφορετικών ποικιλιών αμπελιών, και συγκεκριμένα περισσότερες από χίλιες. Στο πλαίσιο της εργασίας μελετήθηκε μία υπό-περιοχή τεσσάρων στρεμμάτων στην οποία βρίσκονται 112 ποικιλίες αμπελιού. Για να εντοπιστεί η ακριβής θέση κάθε ποικιλίας πραγματοποιήθηκαν επίγειες τοπογραφικές μετρήσεις και δημιουργήθηκε χάρτης των ποικιλιών. Προκειμένου να απομονωθούν τα τμήματα της εικόνας που απεικονίζουν αμπέλια, εκτελέστηκαν αλγόριθμοι επιβλεπόμενης ταξινόμησης. Μετά τη διαδικασία ταξινόμησης τοποθετήθηκε μια μάσκα στις περιοχές τις εικόνας που απεικόνιζαν σκιές ή έδαφος. Στις υπόλοιπες περιοχές (αμπέλια) εφαρμόστηκαν επτά δείκτες βλάστησης. Μεταξύ αυτών των δεικτών επιλέχθηκαν δύο ζεύγη που εμφάνιζαν τη μικρότερη συσχέτιση μεταξύ τους, οπότε συνολικά χρησιμοποιήθηκαν τέσσερις δείκτες. Τα αποτελέσματα από την εφαρμογή των δεικτών χρησιμοποιήθηκαν από δύο αλγορίθμους συσταδοποίησης, έναν αλγόριθμο διανυσματικής κβαντοποίησης και ένα πιθανολογικό μοντέλο με στόχο ποικιλίες με παρόμοια χαρακτηριστικά ώστε να ταξινομηθούν στην ίδια κλάση. Κάθε αλγόριθμος υλοποιήθηκε λαμβάνοντας υπόψη τους τέσσερις δείκτες βλάστησης και στην συνέχεια τα αποτελέσματα τους συγκρίθηκαν προκειμένου να βρεθούν οι ποικιλίες τις οποίες και οι δύο αλγόριθμοι ταξινόμησαν στην ίδια κλάση. Ο εντοπισμός ποικιλιών με παρόμοια χαρακτηριστικά δίνει χρήσιμες πληροφορίες για την ανάπτυξη και την υγεία του αμπελιού και συμβάλει στο ότι οι γεωργοί μπορούν να τις αντιμετωπίζουν με παρόμοιο τρόπο σε διαδικασίες όπως το πότισμα, η λίπανση ή η συγκομιδή.el


Files in this item

Thumbnail
Thumbnail

This item appears in the following Collection(s)

Show simple item record

Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές
Except where otherwise noted, this item's license is described as
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές