Συντάχθηκε 15-07-2026 12:07
Ενημερώθηκε:
15-07-2026 12:13
Τόπος:
Σύνδεσμος τηλεδιάσκεψης
Έναρξη: 20/07/2026 09:00
Λήξη: 20/07/2026 10:00
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Πρόγραμμα Προπτυχιακών Σπουδών
ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ
Βαλεντίνου Παπαϊακώβου
με θέμα
Βαθιά Μάθηση Μοντέλου για Εντοπισμό και Συγκομιδή Φυτών
Deep Learning Model for Plant Detection and Harvesting
Εξεταστική Επιτροπή
Καθηγητής Μιχαήλ Γ. Λαγουδάκης (Σχολή ΗΜΜΥ, Επιβλέπων)
Καθηγητής Κωνσταντίνος Γυφτάκης (Σχολή ΗΜΜΥ)
Καθηγητής Σπυρίδων Παπαευθυμίου (Σχολή ΜΠΔ)
Περίληψη
Η τεχνητή νοημοσύνη (ΤΝ) διαδραματίζει σημαντικό ρόλο στη βελτιστοποίηση των συστημάτων ανίχνευσης και συγκομιδής αγροτικών προϊόντων ενισχύοντας την αποδοτικότητα, την ακρίβεια και την παραγωγικότητα. Τα συστήματα με τεχνητή νοημοσύνη χρησιμοποιούν την υπολογιστική όραση για να αναγνωρίζουν ώριμους καρπούς με βάση το χρώμα, το μέγεθος και άλλες οπτικές ενδείξεις, επιτρέποντας ακριβείς αποφάσεις συγκομιδής. Οι αλγόριθμοι μηχανικής μάθησης αναλύουν τεράστιες ποσότητες δεδομένων για να βελτιώσουν την απόδοση της πρόβλεψης, να βελτιστοποιήσουν τα χρονοδιαγράμματα συγκομιδής και να μειώσουν τη σπατάλη. Συνολικά, η τεχνητή νοημοσύνη μεταμορφώνει τη συγκομιδή λαχανικών και φρούτων, επιτρέποντας την πιο έξυπνη λήψη αποφάσεων και τη λειτουργική αποτελεσματικότητα σε όλο τον κύκλο της καλλιέργειας. Στην παρούσα διπλωματική εργασία εκπαιδεύονται και εξετάζονται πέντε παραλλαγές του αλγορίθμου YOLOv5 για την ανίχνευση και κατηγοριοποίηση ντομάτας και πράσινης πιπεριάς με χρήση δύο διαφορετικών βελτιστοποιητών. Το σύνολο δεδομένων εκπαίδευσης και το σύνολο εικόνων ελέγχου δημιουργήθηκαν με τη χρήση απλής κάμερας υπολογιστή για να εξασφαλιστεί η συνέπεια στη διαδικασία συλλογής και εξέτασης δεδομένων. Στον αλγόριθμο ανίχνευσης YOLOv5 έχει ενσωματωθεί ψηφιακή μετα-επεξεργασία της έγχρωμης εικόνας με σκοπό την περαιτέρω βελτίωση του μοντέλου για τη συγκομιδή. Παράλληλα, αναλύονται τα αποτελέσματα της εξέτασης των μοντέλων, σε συνδυασμό με δύο βελτιστοποιητές (SGD και Adam) και επιλέγεται ο καλύτερος συνδυασμός. Για ανιχνευτές ντομάτας και πράσινης πιπεριάς που στοχεύουν στη συγκομιδή, προτείνεται τελικά το μοντέλο YOLOv5l (YOLOv5-large εκδοχή) σε συνδυασμό με τον βελτιστοποιητή SGD. Το συγκεκριμένο μοντέλο εξισορροπεί την υψηλή ακρίβεια ανίχνευσης με χαμηλό ποσοστό σφάλματος, καθιστώντας το ιδανικό για γεωργικές εφαρμογές.
Abstract
Artificial intelligence (AI) plays an important role in optimizing agriculture product detection and harvesting systems by enhancing efficiency, accuracy and productivity. AI systems use computer vision to identify ripe products based on colour, size and other visual cues, enabling accurate harvesting decisions. Machine learning algorithms analyze vast amounts of data to improve forecasting performance, optimize harvest schedules and reduce waste. Overall, AI is transforming vegetable and fruit harvesting, enabling smarter decision-making and operational efficiency throughout the crop cycle. In this diploma thesis, five variants of the YOLOv5 algorithm are trained and tested for tomato and pepper detection and classification using two different optimizers. The training dataset and the testing image set were generated using a simple computer camera to ensure consistency in the data collection and examination process. Digital meta-processing of the color image has been incorporated into the YOLOv5 detection algorithm to further improve the model for harvesting. At the same time, the results of the model examination are analyzed in combination with two optimizers (SGD and Adam), and the best-performing configuration is identified. For tomato and pepper detectors targeting harvesting, the model YOLOv5l (YOLOv5-large variant) in combination with the SGD optimizer is finally recommended. This model balances high detection accuracy with a low error rate, making it ideal for agricultural applications.
Meeting ID: 94202170030
Password: 453258
