Παρακαλώ χρησιμοποιήστε αυτό το αναγνωριστικό για να παραπέμψετε ή να δημιουργήσετε σύνδεσμο προς αυτό το τεκμήριο:
https://hdl.handle.net/20.500.14279/29700| Τίτλος: | Μελέτη χρήσης μοντέλων βαθιάς μάθησης στην ανίχνευση δέντρων σε εικόνες ΣμηΕΑ (UAV) | Συγγραφείς: | Ατζαράκη, Άννα | Λέξεις-κλειδιά: | GIS;χαρτογράφηση;ΣμηΕΑ (UAV);ανίχνευση αντικειμένων;βαθιά μάθηση;ανίχνευση δέντρων;ResNet101 | Advisor: | Παπακωνσταντίνου, Απόστολος | Ημερομηνία Έκδοσης: | Μαΐ-2023 | Department: | Department of Civil Engineering and Geomatics | Faculty: | Faculty of Engineering and Technology | Περίληψη: | 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. | Description: | The present thesis delves into the application of deep learning models and UAV imagery for tree detection in agricultural environments. The research questions that are addressed in this dissertation revolve around the integration of AI technology and UAV in agricultural production. Specifically, how can deep learning applications contribute and what benefits can they offer in agricultural fields such as the study area, crop monitoring, disease detection, and resource allocation optimization through tree detection. The main objective is to explore the effectiveness of different deep learning architectures in accurately identifying trees using high-resolution aerial images captured by UAV. The study aims to explore deep learning architectures, such as ResNet-101, regarding their efficiency in tree detection. It also examines the impact of training data size and the complexity of deep learning models on the accuracy of tree detection. Additionally, the research analyzes the advantages of using UAV imagery for tree detection and examines how the integration of artificial intelligence and UAV can enhance mapping, monitoring, and resource optimization in agricultural settings. «The completion of the work was carried out using Agisoft Metashape software, photogrammetry software, as well as ESRI's ArcGIS Pro software, a geographic information systems (GIS) software, online GIS, and geospatial database management applications. Within the ArcGIS Pro software environment, a study was developed based on deep learning for tree detection» (Ατζαράκη, 2022). | URI: | https://hdl.handle.net/20.500.14279/29700 | Rights: | Attribution-NonCommercial-NoDerivatives 4.0 International | Type: | MSc Thesis | Affiliation: | Cyprus University of Technology |
| Εμφανίζεται στις συλλογές: | Μεταπτυχιακές Εργασίες/ Master's thesis |
Αρχεία σε αυτό το τεκμήριο:
| Αρχείο | Περιγραφή | Μέγεθος | Μορφότυπος | |
|---|---|---|---|---|
| Abstract MSc thesis_Atzaraki.pdf | 206.52 kB | Adobe PDF | Δείτε/ Ανοίξτε |
CORE Recommender
Page view(s) 50
89
Last Week
1
1
Last month
2
2
checked on 21 Νοε 2024
Download(s) 50
54
checked on 21 Νοε 2024
Google ScholarTM
Check
Αυτό το τεκμήριο προστατεύεται από άδεια Άδεια Creative Commons
