Κατηγοριοποίηση πλοίων και βελτιστοποίηση διαδρομών με τεχνηκές μηχανικής μάθησης

Κομπότης, Παναγιώτης

Ship classification and route optimization with machine learning techniques

Διπλωματική εργασία

Author

Κομπότης, Παναγιώτης

Date

2023-03-06

Advisor

ZACHARIA, PARASKEVI

idpe_71447196.pdf (2.114Mb)

Keywords

Αλγόριθμοι δρομολόγησης ; Μηχανική μάθηση ; Βαθιά μάθηση ; Νευρωνικά δίκτυα ; Βέλτιστη διαδρομή ; Κατηγοριοποίηση εικόνας ; Dijkstra ; Α-star ; Visibility graph ; Voronoi diagram

Abstract

Αντικείμενο μελέτης της παρούσας διπλωματικής εργασίας είναι η ανάλυση των δημοφιλέστερων αλγορίθμων δρομολόγησης πλοίων, όσον αφορά την βελτιστοποίηση των διαδρομών καθώς επίσης και την δημιουργία μοντέλου για την ορθή κατηγοριοποίηση διαφορετικών τύπων πλοίων με την χρήση εικόνων. Σε πρώτο στάδιο, πραγματοποιείται αναφορά στις θαλάσσιες μεταφορές και γίνεται ανάλυση των βασικών αλγορίθμων δρομολόγησης. Στην συνέχεια, γίνεται αναφορά στους βασικούς τύπους Μηχανικής Μάθησης και στις βασικότερες εφαρμογές της και κυρίως στην αναγνώριση εικόνας. Η διπλωματική προχωράει στην ανάλυση των βασικών αρχών των Νευρωνικών Δικτύων καθώς επίσης και στην ανάλυση των δικτύων Βαθιάς Μάθησης με αποκορύφωμα το μοντέλο Xception το οποίο χρησιμοποιείται για την εκπαίδευση μοντέλου κατηγοριοποίησης. Κατά τη διαδικασία σχεδιασμού και υλοποίησης του μοντέλου κατηγοριοποίησης γίνεται αναφορά στο περιβάλλον ανάπτυξης και στις βασικές βιβλιοθήκες που χρησιμοποιήθηκαν.

Abstract

The object of study of this diploma thesis is the analysis of the most popular ship routing algorithms, regarding the optimization of routes as well as the creation of a model for the correct categorization of different types of ships using images. In a first stage, a reference is made to maritime transport and an analysis of the basic routing algorithms is made. Then, reference is made to the basic types of Machine Learning and its most basic applications, especially image recognition. Diploma proceeds to analyze the basic principles of Neural Networks as well as the analysis of Deep Learning networks culminating in the Xception model which is used to train a classification model. During the planning and implementation process of the categorization model, reference is made to the development environment and the basic libraries used.