Συντάχθηκε 16-07-2026 13:31
Τόπος:
Σύνδεσμος τηλεδιάσκεψης
Έναρξη: 17/07/2026 12:00
Λήξη: 17/07/2026 13:00
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Πρόγραμμα Προπτυχιακών Σπουδών
ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ
Αχιλλέα Σφακιανάκη
με θέμα
Χαρακτηρισμός Περιοχών Εδάφους με χρήση Υπερφασματικού Περιεχομένου και Τεχνικών Βαθιάς Μάθησης
Characterization of Land Areas Using Hyperspectral Content and Deep Learning Techniques
Εξεταστική Επιτροπή
Καθηγητής Μιχαήλ Ζερβάκης (επιβλέπων)
Καθηγητής Μιχαήλ Γ. Λαγουδάκης
Καθηγητής Παναγιώτης Παρτσινέβελος
Περίληψη
Οι υπερφασματικές εικόνες από μη επανδρωμένα αεροσκάφη χρησιμοποιούνται στη γεωργία ακριβείας και στην ανάλυση κάλυψης γης, προσφέροντας φασματική λεπτομέρεια που συμβατικές κάμερες δεν μπορούν να παρέχουν. Η διαθεσιμότητα αισθητήρων έχει αυξηθεί σημαντικά τα τελευταία χρόνια, επιτρέποντας λεπτομερή ανάλυση βλάστησης σε κλίμακα πεδίου. Ωστόσο, η ακριβής ταξινόμηση της υγείας της βλάστησης παραμένει ένα δύσκολο πρόβλημα. Αυτό οφείλεται κυρίως στην απουσία ετικετών υγείας στα περισσότερα διαθέσιμα σύνολα δεδομένων, στην υψηλή διαστασιμότητα των υπερφασματικών δεδομένων και στην φασματική ομοιότητα μεταξύ διαφορετικών επιπέδων καταπόνησης. Η παρούσα διπλωματική εργασία διερευνά τον χαρακτηρισμό περιοχών εδάφους από υπερφασματικές εικόνες UAV με χρήση σημασιολογικής κατάτμησης βαθιάς μάθησης. Το σύνολο δεδομένων UAV-HSI-Crop-Dataset, που αποκτήθηκε από αγροτικά εδάφη στην Κίνα σε 200 φασματικές ζώνες από 385 έως 1024 nm, περιέχει μόνο ετικέτες για τον τύπο καλλιέργειας. Για την αντιμετώπιση της απουσίας των απαιτούμενων ετικετών υγείας βλάστησης, προτείνεται μια διαδικασία δημιουργίας τους, με τη χρήση ενός συστήματος ψηφοφορίας δεικτών βλάστησης (voting system), εφαρμόζοντας επικάλυψη (masking) και εξισορρόπηση του συνόλου δεδομένων βάσει εντροπίας (balancing), για την παραγωγή ετικετών υγείας τεσσάρων κλάσεων - Background, Severe stress, Moderate και Healthy. Προτείνεται μια ελαφρύτερη αρχιτεκτονική U-Net, το HSI U-Net, και συγκρίνεται με την αρχική αρχιτεκτονική U-Net σε εννέα επίπεδα αφαίρεσης φασματικών ζωνών. Η μελέτη αφαίρεσης ζωνών εξυπηρετεί δύο σκοπούς: διερευνά τη συνεισφορά μεμονωμένων φασματικών περιοχών στην απόδοση ταξινόμησης και αντιμετωπίζει το πρόβλημα κυκλικότητας που προκύπτει όταν οι ετικέτες παράγονται από τα ίδια φασματικά δεδομένα που χρησιμοποιούνται για την εκπαίδευση. Τα εννέα σενάρια αφαίρεσης ζωνών κυμαίνονται από ένα σενάριο πλήρους υπερφασματικού περιεχομένου διακοσίων ζωνών, έως ένα RGB σενάριο τριών ζωνών. Το HSI U-Net υπερτερεί του αρχικού U-Net σε όλα τα σενάρια με σημαντικά λιγότερες παραμέτρους - 7,82 εκατομμύρια έναντι 31,15 εκατομμυρίων. Στο βασικό σενάριο 200 ζωνών, το HSI U-Net επιτυγχάνει συνολική ακρίβεια 93,79% και mIoU 0,84. Η μελέτη αφαίρεσης δείχνει ότι η φασματική ποικιλομορφία έχει μεγαλύτερη σημασία από την ποσότητα ζωνών και αναγνωρίζει το NIR ως την πιο σημαντική ζώνη για την ταξινόμηση υγείας βλάστησης - η αφαίρεσή του από το RGB μειώνει τη συνολική ακρίβεια από 94,39% σε 84,79%. ΄Ενα μοντέλο τεσσάρων ζωνών RGB+NIR επιτυγχάνει συνολική ακρίβεια 94,39%, πλησιάζοντας το βασικό μοντέλο πλήρους υπερφάσματος, υποδηλώνοντας ότι ελαφριοί πολυφασματικοί αισθητήρες μπορούν να χρησιμεύσουν ως εναλλακτική λύση σε πραγματικές συνθήκες. Η δοκιμή σε μια πλήρη αεροφωτογραφία από την Ελλάδα, αποδεικνύει τη δυνατότητα του μοντέλου να γενικεύσει σε άγνωστα δεδομένα από διαφορετική περιοχή και αισθητήρα χωρίς επανεκπαίδευση.
Abstract
Unmanned Aerial Vehicle (UAV) hyperspectral imagery is used across precision agriculture and land cover analysis, offering spectral detail that conventional cameras cannot provide. Sensor availability has grown considerably over recent years, allowing for fine-grained vegetation analysis at field scale. Nevertheless, accurate vegetation health classification remains a difficult task. This is mainly due to the absence of annotated health labels in most available datasets, the high dimensionality of hyperspectral data, and the spectral similarity between different stress levels. This thesis investigates the characterization of land areas from UAV hyperspectral imagery using deep learning based semantic segmentation. The UAV-HSI- Crop-Dataset, acquired over agricultural fields in China across 200 spectral bands ranging from 385 to 1024 nm, only includes crop type annotations. To address the absence of vegetation health annotations, a ground truth generation pipeline is proposed, using vegetation index voting system, masking and entropy-based dataset balancing to produce four-class health labels - Background, Severe stress, Moderate and Healthy. A lightweight U-Net driven architecture, the HSI U-Net, is proposed and compared with the original U-Net architecture across nine spectral band exclusion levels. The ablation study serves two different purposes: it investigates the contribution of individual spectral regions to classification performance and addresses the circularity concern that arises when ground truth labels are generated from the same spectral data used for training. The nine exclusion scenarios range from full 200- band hyperspectral baseline down to a three-band RGB scenario. The HSI U-Net outperforms the original U-Net in all scenarios with significantly fewer parameters - 7.82 million compared to 31.15 million. At the full 200-band baseline the HSI U-Net achieves 93.79% overall accuracy and 0.84 mIoU. The ablation study shows that spectral diversity matters more than spectral quantity and identifies NIR as the most important band for vegetation health classification - removing it from RGB drops overall accuracy from 94.39% to 84.79%, a loss of 9.6 percentage points from a single band. A four-band RGB+NIR model approaches the full hyperspectral baseline at 94.39% overall accuracy, suggesting that lightweight multispectral sensors can serve as a practical alternative to hyperspectral sensors for field deployment. A full-size aerial image inference from Greece demonstrates generalization to unseen data from a different area and sensor without retraining
