Show simple item record

Εφαρμογή για την αναγνώριση αντικειμένων σε κινητές συσκευές με χρήση μηχανικής μάθησης

dc.contributor.advisorΣγουροπούλου, Κλειώ
dc.contributor.advisorTroussas, Christos
dc.contributor.authorΣτασινός, Χαράλαμπος - Νεκτάριος
dc.date.accessioned2021-07-23T07:47:23Z
dc.date.available2021-07-23T07:47:23Z
dc.date.issued2021-07
dc.identifier.urihttps://polynoe.lib.uniwa.gr/xmlui/handle/11400/926
dc.identifier.urihttp://dx.doi.org/10.26265/polynoe-777
dc.description.abstractΜε την ανάπτυξη της τεχνολογίας και την μεγάλη εξάπλωση των κινητών συσκευών ένα μεγάλο μέρος του πληθυσμού έχει έρθει σε επαφή με πλήθος νέων τεχνολογιών, οι οποίες παλαιότερα ήταν διαθέσιμες μόνο μέσω τη χρήσης εξειδικευμένων συσκευών ή δεν ήταν καθόλου προσβάσιμες. Μία τεχνολογία που έγινε εύκολα διαθέσιμη με την ανάπτυξη των κινητών συσκευών είναι η όραση υπολογιστών. Στην παρούσα εργασία θα παρουσιαστεί η ανάπτυξη ενός εκπαιδευτικού λογισμικού για κινητές συσκευές που χρησιμοποιούν το λειτουργικό σύστημα Android, το οποίο θα βοηθάει τους χρήστες στην αναγνώριση αντικειμένων μέσα από μια φωτογραφία, θα τα σημειώνει πάνω σε αυτήν και θα αναφέρει από κάτω τις τρεις καλύτερες απαντήσεις με αναφορά του ποσοστού σιγουριάς ανά αντικείμενο. Το συγκεκριμένο λογισμικό θεωρείται εκπαιδευτικό, διότι μπορεί να χρησιμοποιηθεί ως βοήθημα αλλά και ως εργαλείο από τους χρήστες ,ώστε να αναγνωρίσουν τα αντικείμενα στο χώρο τους. Επιπλέον, μπορεί να βοηθήσει στην αναγνώριση ηλεκτρονικών ειδών από άτομα που δεν διαθέτουν την ανάλογη γνώση. Για την επίτευξη του στόχου της εργασίας η εφαρμογή γράφτηκε με χρήση της γλώσσας προγραμματισμού Kotlin. Ακόμα αξιοποιήθηκαν οι τεχνολογίες AutoML της Google, για την εκπαίδευση των μοντέλων μηχανικής μάθησης, αλλά και τα εργαλεία για αναγνώριση αντικειμένων και για επισήμανση εικόνων του Google Machine Learning Kit. Για την εκπαίδευση των μοντέλων μηχανικής μάθησης χρησιμοποιήθηκαν το σετ δεδομένων CIFAR – 100, ένα σύνολο δεδομένων με ηλεκτρονικά είδη και ένα σύνολο δεδομένων με πέντε διαφορετικούς τύπους λουλουδιών. Κατά τη χρήση της εφαρμογής διαπιστώθηκε ότι αναγνωρίζονται κατά πλειοψηφία τα αντικείμενα στις εικόνες που δοκιμάστηκαν. Στο πρώτο μοντέλο μηχανικής μάθησης, με τα συνηθισμένα αντικείμενα, παρατηρήθηκε ότι αν το αντικείμενο ανήκει σε κάποια κατηγορία από αυτές που περιέχει το μοντέλο, τότε η σωστή απάντηση εμφανίζεται στις τρεις πρώτες προβλέψεις. Στο δεύτερο μοντέλο μηχανικής μάθησης, με τα ηλεκτρονικά είδη, παρατηρήθηκαν οι περισσότερες λανθασμένες προβλέψεις κυρίως λόγω του περιορισμού ανίχνευσης των αντικειμένων. Στο τελευταίο μοντέλο μηχανικής μάθησης, με τα λουλούδια, παρατηρήθηκε 100% επιτυχία αναγνώρισης των αντικειμένων εξαιτίας του μικρού αριθμού κατηγοριών.el
dc.format.extent93el
dc.language.isoelel
dc.publisherΠανεπιστήμιο Δυτικής Αττικήςel
dc.rightsΑναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές*
dc.rightsAttribution-NonCommercial-NoDerivatives 4.0 Διεθνές*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/*
dc.subjectAndroidel
dc.subjectΜηχανική μάθησηel
dc.subjectΕφαρμογή για κινητές συσκευέςel
dc.titleΕφαρμογή για την αναγνώριση αντικειμένων σε κινητές συσκευές με χρήση μηχανικής μάθησηςel
dc.title.alternativeApplication for the recognition of objects on mobile devices using machine learningel
dc.typeΔιπλωματική εργασίαel
dc.contributor.committeeΣγουροπούλου, Κλειώ
dc.contributor.committeeTroussas, Christos
dc.contributor.committeeΒουλόδημος, Αθανάσιος
dc.contributor.facultyΣχολή Μηχανικώνel
dc.contributor.departmentΤμήμα Μηχανικών Πληροφορικής και Υπολογιστώνel
dc.description.abstracttranslatedWith the development of technology and the great spread of mobile devices, a large part of the population has come into contact with a number of new technologies, which in the past were only available through the use of specialized devices, or were not available at all. One technology that has become readily available with the development of mobile devices is computer vision. In this thesis we will present the development of an educational software for mobile devices using the Android operating system, which will help users to identify objects through a photo, mark them on it and list below the three best answers with an indication of the percentage of certainty per item. This software is considered educational because it can be used as an aid but also as a tool by users to identify objects in their space. In addition, it can help identify electronic items from people who do not have the appropriate knowledge. To achieve the goal of this thesis, the application was written using Kotlin as the programming language. Also, for the training of the custom models of machine learning, Google’s AutoML technologies were used, and for object detection and for image labeling, Google’s ML Kit tools were utilized. For the training of machine learning models, the CIFAR – 100 was used, and also a dataset featuring electronics, and a dataset containing five different types of flowers. While using the application, it was found that the objects in the tested images were identified by a majority. In the first machine learning model, with the usual objects, it was observed that if the object belongs to some of the categories contained in the model, then the correct answer appears in the first three predictions. In the second model of machine learning, with electronic items, the most erroneous predictions were observed mainly due to the limited detection of objects. In the latest model of machine learning, with flowers, 100% success of object recognition was observed due to the small number of categories.el


Files in this item

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