Μελέτη χρήσης μοντέλων βαθιάς μάθησης στην ανίχνευση δέντρων σε εικόνες ΣμηΕΑ (UAV)
Date Issued
May 2023
Author(s)
Advisor
Abstract
Η παρούσα διατριβή εμβαθύνει στην εφαρμογή μοντέλων βαθιάς μάθησης και εικόνων ΣμηΕΑ (UAV) για την ανίχνευση δέντρων σε γεωργικά περιβάλλοντα.
Τα ερευνητικά ερωτήματα που καλούνται να απαντηθούν σε αυτή τη διατριβή, περιστρέφονται γύρω από την ενσωμάτωση της τεχνολογίας AI και των ΣμηΕΑ (UAV) στη γεωργική παραγωγή. Πιο συγκεκριμένα πως μπορούν να συμβάλλουν και ποια οφέλη μπορούν να προσφέρουν οι εφαρμογές βαθιάς μάθησης σε γεωργικές εκτάσεις όπως η περιοχή μελέτης, στην παρακολούθηση των καλλιεργειών και τη βελτιστοποίηση της κατανομής πόρων μέσω της ανίχνευσης δέντρων.
Ο βασικός στόχος είναι να διερευνηθεί η αποτελεσματικότητα διαφορετικών αρχιτεκτονικών βαθιάς μάθησης στην ακριβή αναγνώριση δέντρων χρησιμοποιώντας αεροφωτογραφίες υψηλής ανάλυσης που λήφθηκαν από ΣμηΕΑ (UAV).
Η μελέτη στοχεύει στη διερεύνηση αρχιτεκτονικών βαθιάς μάθησης, όπως το ResNet-101, όσον αφορά την αποτελεσματικότητά τους στην ανίχνευση δέντρων. Διερευνά επίσης την επίδραση του μεγέθους των δεδομένων εκπαίδευσης και την πολυπλοκότητα των μοντέλων βαθιάς μάθησης στην ακρίβεια της ανίχνευσης δέντρων. Επιπλέον, η έρευνα αναλύει τα πλεονεκτήματα της χρήσης εικόνων ΣμηΕΑ (UAV) για την ανίχνευση δέντρων και εξετάζει πώς η ενσωμάτωση της τεχνητής νοημοσύνης και των ΣμηΕΑ (UAV) μπορεί να βελτιώσει τη χαρτογράφηση, την παρακολούθηση και τη βελτιστοποίηση των πόρων σε γεωργικές ρυθμίσεις.
Τα ερευνητικά ερωτήματα που καλούνται να απαντηθούν σε αυτή τη διατριβή, περιστρέφονται γύρω από την ενσωμάτωση της τεχνολογίας AI και των ΣμηΕΑ (UAV) στη γεωργική παραγωγή. Πιο συγκεκριμένα πως μπορούν να συμβάλλουν και ποια οφέλη μπορούν να προσφέρουν οι εφαρμογές βαθιάς μάθησης σε γεωργικές εκτάσεις όπως η περιοχή μελέτης, στην παρακολούθηση των καλλιεργειών και τη βελτιστοποίηση της κατανομής πόρων μέσω της ανίχνευσης δέντρων.
Ο βασικός στόχος είναι να διερευνηθεί η αποτελεσματικότητα διαφορετικών αρχιτεκτονικών βαθιάς μάθησης στην ακριβή αναγνώριση δέντρων χρησιμοποιώντας αεροφωτογραφίες υψηλής ανάλυσης που λήφθηκαν από ΣμηΕΑ (UAV).
Η μελέτη στοχεύει στη διερεύνηση αρχιτεκτονικών βαθιάς μάθησης, όπως το ResNet-101, όσον αφορά την αποτελεσματικότητά τους στην ανίχνευση δέντρων. Διερευνά επίσης την επίδραση του μεγέθους των δεδομένων εκπαίδευσης και την πολυπλοκότητα των μοντέλων βαθιάς μάθησης στην ακρίβεια της ανίχνευσης δέντρων. Επιπλέον, η έρευνα αναλύει τα πλεονεκτήματα της χρήσης εικόνων ΣμηΕΑ (UAV) για την ανίχνευση δέντρων και εξετάζει πώς η ενσωμάτωση της τεχνητής νοημοσύνης και των ΣμηΕΑ (UAV) μπορεί να βελτιώσει τη χαρτογράφηση, την παρακολούθηση και τη βελτιστοποίηση των πόρων σε γεωργικές ρυθμίσεις.
File(s)![Thumbnail Image]()
Name
Abstract MSc thesis_Atzaraki.pdf
Size
206.52 KB
Format
Adobe PDF
Checksum (MD5)
da8b3d047f292c8a6bffd8dd2282bd2f