dc.contributor.advisor | Αλέπης, Ευθύμιος | |
dc.contributor.author | Λεονταρίδης, Σπυρίδων | |
dc.date.accessioned | 2022-12-15T11:00:29Z | |
dc.date.available | 2022-12-15T11:00:29Z | |
dc.date.issued | 2022-10 | |
dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/14908 | |
dc.identifier.uri | http://dx.doi.org/10.26267/unipi_dione/2330 | |
dc.description.abstract | Στο πλαίσιο της παρούσας μεταπτυχιακής διατριβής, αναπτύχθηκε ένα ολοκληρωμένο σύστημα
αυτοματοποιημένης αναγνώρισης πινακίδων κυκλοφορίας (ALPR), το οποίο έχει ενσωματωθεί σε
εφαρμογή για το λειτουργικό σύστημα Android. Μέσω της εφαρμογής, οι χρήστες έχουν τη
δυνατότητα να δηλώνουν τους αριθμούς κυκλοφορίας των οχημάτων που τους ενδιαφέρουν και
αναζητούν για οποιονδήποτε λόγο (κλοπή, τροχαίο με εγκατάλειψη κ.α.), να ειδοποιούνται σε
περίπτωση που εντοπιστεί κάποιο από αυτά, να σαρώνουν σε πραγματικό χρόνο τις πινακίδες
κυκλοφορίας των διερχόμενων οχημάτων, καθώς και να ανατρέχουν στο ιστορικό των σαρώσεών
τους, χρησιμοποιώντας χωροχρονικά κριτήρια. Επιπλέον, προβλέπεται η δυνατότητα επεξεργασίας
και ανάλυσης των δεδομένων που έχουν συλλεχθεί, με σκοπό, την εξαγωγή συμπερασμάτων, τα
οποία και θα επιτρέπουν την αποτελεσματικότερη κατανομή των διαθέσιμων πόρων (ανθρώπινο
δυναμικό και συσκευές), αλλά και την πρόβλεψη πιθανότερων θέσεων μελλοντικών συμβάντων. Η
εφαρμογή αναπτύχθηκε σε γλώσσες προγραμματισμού Java και Kotlin, ενώ παράλληλα, τεχνολογίες
όπως, on-device ML (μηχανική μάθηση) της Google, χρησιμοποιήθηκαν για τον εντοπισμό και την
αναγνώριση των πινακίδων κυκλοφορίας. Τέλος, η εφαρμογή υποστηρίζεται από μία NoSQL βάση
δεδομένων (MongoDB) και κατάλληλα Web Services, που αναπτύχθηκαν σε περιβάλλον Java Spring
Boot. | el |
dc.format.extent | 66 | el |
dc.language.iso | el | el |
dc.publisher | Πανεπιστήμιο Πειραιώς | el |
dc.rights | Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα | * |
dc.rights | Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/gr/ | * |
dc.title | Ανάπτυξη ενός ολοκληρωμένου συστήματος αυτοματοποιημένης αναγνώρισης πινακίδων κυκλοφορίας οχημάτων ως ενσωματωμένη λύση μηχανικής μάθησης σε εφαρμογή Android | el |
dc.title.alternative | Automatic license plate recognition system development as an Android on-device ML application | el |
dc.type | Master Thesis | el |
dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Πληροφορικής | el |
dc.description.abstractEN | In the context of this master's thesis, an integrated system of automated license plate recognition
(ALPR) has been developed and integrated into an application for the Android operating system.
Through the application, users can declare the registration numbers of vehicles they are interested
in and are looking for any reason (theft, hit and run after car accident, etc.), to be notified if any of
them are detected, to scan in real-time the license plates of passing vehicles, as well as refer back
to their scan logs, using spatio-temporal criteria. In addition, capability of processing and analyzing
the collected data is foreseen, aiming drawing conclusions, which will allow the more efficient
allocation of available resources (human resources and devices), and the prediction of more likely
positions of future events. The application was developed in Java and Kotlin programming languages,
while at the same time, technologies such as Google's on-device ML (machine learning) were used
to detect and recognize license plates. Finally, the application is supported by a NoSQL database
(MongoDB) and appropriate Web Services, developed in Java Spring Boot environment. | el |
dc.contributor.master | Πληροφορική | el |
dc.subject.keyword | ALPR | el |
dc.subject.keyword | Java | el |
dc.subject.keyword | Kotlin | el |
dc.subject.keyword | On-device ML | el |
dc.subject.keyword | Google maps API | el |
dc.subject.keyword | RESTfull Web Services | el |
dc.subject.keyword | APIs | el |
dc.subject.keyword | NoSQL | el |
dc.subject.keyword | MongoDB | el |
dc.subject.keyword | Java Spring Boot Framework | el |
dc.subject.keyword | Android Studio | el |
dc.subject.keyword | IntelliJ | el |
dc.subject.keyword | TensorFlow | el |
dc.subject.keyword | DBSCAN | el |
dc.subject.keyword | QGIS | el |
dc.subject.keyword | Transfer learning | el |
dc.date.defense | 2022-10 | |