Συντάχθηκε 15-05-2025 10:18
Τόπος:
Σύνδεσμος τηλεδιάσκεψης
Έναρξη: 21/05/2025 14:00
Λήξη: 21/05/2025 15:00
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Πρόγραμμα Προπτυχιακών Σπουδών
ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ
Βασιλείου Γιοβάνογλου
με θέμα
Αναγνώριση αντικειμένων και των χαρακτηριστικών τους από οπτικά δεδομένα μη επανδρωμένων εναέριων οχημάτων
Object detection, localization and feature characterization of image data from UAV
Εξεταστική Επιτροπή
Καθηγητής Μιχαήλ Ζερβάκης (επιβλέπων)
Καθηγητής Ευριπίδης Πετράκης
Καθηγητής Μιχαήλ Λαγουδάκης
Περίληψη
Η παρούσα διπλωματική εργασία εξετάζει την ανίχνευση αντικειμένων και την αναγνώριση χρώματος τους. Αξιοποιούνται οπτικά δεδομένα αεροφωτογραφιών που συλλέγονται από μη επανδρωμένα εναέρια οχήματα (UAVs), ενώ δίνεται ιδιαίτερη έμφαση στην μελέτη και χρήση του νευρωνικού δικτύου YOLOv5 για ακριβή αναγνώριση αντικειμένων από αεροφωτογραφίες με κατακόρυφη γωνία κλίσης. Η μελέτη ξεκινά με μια επισκόπηση των UAVs και των εφαρμογών τους, ακολουθούμενη από ανασκόπηση τεχνικών μηχανικής μάθησης και βαθιάς μάθησης, ιδιαίτερα των Συνελικτικών Νευρωνικών Δικτύων (CNNs). Ο πυρήνας της έρευνας αφορά την μελέτη και εφαρμογή του YOLOv5 καθώς και παραλλαγών του στο Stanford Drone Dataset, την αξιολόγηση της απόδοσής του με διάφορες μετρικές, καθώς και πειραματικές μελέτες με διαφορετικές διαμορφώσεις για τη βελτίωση της ακρίβειας και της αποδοτικότητας. Το μη τροποποιημένο YOLOv5 μοντέλο πέτυχε mAP@.5 89%, απόδοση υψηλότερη των παραλλαγών του όπως του YOLOv5 με Softpool και Squeeze-and-Excitation mAP@.5 71% και του YOLOv5 με Softpool και CoordAttention mAP@.5 75%. Τα αποτελέσματα αναδεικνύουν την εξαιρετική ικανότητα του μοντέλου YOLOv5x στην ανίχνευση αντικειμένων, επιβεβαιώνοντας τη δυναμική του για πρακτικές εφαρμογές στην επιτήρηση, τη γεωργία και την ασφάλεια. Με την ενσωμάτωση τεχνικών απομόνωσης υποβάθρου (background) και ανίχνευσης χαρακτηριστικών, όπως η ανάλυση χρώματος, η εργασία αυτή συμβάλλει στον τομέα της μηχανικής όρασης, παρουσιάζοντας μια προηγμένη προσέγγιση στην ανίχνευση αντικειμένων από UAVs, με σημαντικές προεκτάσεις τόσο για την ακαδημαϊκή έρευνα όσο και για τις βιομηχανικές πρακτικές.
Abstract
This thesis explores object detection and feature characterization from visual data collected by unmanned aerial vehicles (UAVs), with a primary focus on leveraging the YOLOv5 model for accurate object recognition and classification in aerial imagery. The study begins with an overview of UAVs and their applications, followed by an in-depth review of machine learning and deep learning techniques, particularly Convolutional Neural Networks (CNNs). The core of the research involves applying YOLOv5 and its variations to the Stanford Drone Dataset, evaluating their performance using various metrics, and conducting experimental studies with different configurations to enhance accuracy and efficiency. The unmodified YOLOv5 model achieved a mAP@.5 89%, outperforming variations such as YOLOv5 with Softpool and Squeeze-and-Excitation mAP@.5 71% and YOLOv5 with Softpool and CoordAttention mAP@.5 75%. Results highlight the exceptional capability of the YOLOv5x model in object detection, demonstrating its potential for practical applications in surveillance, agriculture, and security. By integrating background isolation techniques and feature detection methods such as color analysis, this study contributes to the field of computer vision, presenting an advanced approach to UAV-based object detection with significant implications for both academic research and industrial practice.
