Σύστημα πρόβλεψης για την ταξινόμηση διαφορετικών ειδών και ποικιλιών σπόρων δημητριακών

Λεκαράκος, Χρήστος

dc.contributor.advisor	Αποστόλου, Δημήτριος
dc.contributor.author	Λεκαράκος, Χρήστος
dc.date.accessioned	2025-02-19T11:19:27Z
dc.date.available	2025-02-19T11:19:27Z
dc.date.issued	2025-02
dc.identifier.uri	https://dione.lib.unipi.gr/xmlui/handle/unipi/17487
dc.description.abstract	Για χιλιάδες χρονιά τα δημητριακά αποτελούν μια σταθερή πηγή τροφής για τους ανθρώπους και τα ζώα. Η ποιότητα των προϊόντων δημητριακών είναι άρρηκτα συνδεδεμένη με την ποιότητα των σπορών τους καθώς υψηλής ποιότητας σπόροι είναι πιο πιθανό να δημιουργήσουν υγιή φυτά με υψηλές αποδόσεις. Επί του παρόντος η αναγνώριση σπόρων είναι μια πολύπλοκη και χρονοβόρα διαδικασία η οποία διεξάγεται μέσω χειρωνακτικού ελέγχου. Ωστόσο με την βοήθεια των νευρωνικών δικτυών η διαδικασία της ταξινόμησης μπορεί να αυτοματοποιηθεί οδηγώντας έτσι σε ταχύτερα και πιο ακριβή αποτελέσματα. Στην εργασία αυτή προτείνεται ένα μοντέλο πρόβλεψης βαθιάς μάθησης ικανό να ταξινομήσει σπόρους δημητριακών από διαφορετικά είδη και ποικιλίες (Κριθάρι Τριπτόλεμος, Δήμητρα, βρόμη Φλεγα, βρόμη Πήγασος, σκληρό σιτάρι Σέλλας και σιτάρι Λεβάντε). Για την ανάπτυξη του μοντέλου πρόβλεψης δοκιμάστηκαν τρεις παραλλαγές από κοινές αρχιτεκτονικές, συνελικτικών νευρωνικών δικτυών (CNN). Για την αξιολόγηση της αποτελεσματικότητας των προτεινόμενων μοντέλων, χρησιμοποιήθηκε ένα σύνολο δεδομένων που περιλαμβάνει 12.720 μεμονωμένες εικόνες σπόρων, που καταγράφηκαν με χρήση ψηφιακής κάμερας. Τα αποτελέσματα έδειξαν ακρίβεια ταξινόμησης που κυμαίνονταν από 65% έως 97%. Οι υψηλότερες ακρίβειες δοκιμών επιτεύχθηκαν χρησιμοποιώντας τις παραλλαγές των αρχιτεκτονικών ResNet50 και Xception που ανέρχονται στο 97%. Κατά συνέπεια, τα αποτελέσματα της προτεινόμενης προσέγγισης είναι ακριβή και αξιόπιστα, ενθαρρύνοντας την πρακτική εφαρμογή της.	el
dc.format.extent	54	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	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	Σύστημα πρόβλεψης για την ταξινόμηση διαφορετικών ειδών και ποικιλιών σπόρων δημητριακών	el
dc.title.alternative	Prediction system for the classification of different species and varieties of cereal seeds	el
dc.type	Master Thesis	el
dc.contributor.department	Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Πληροφορικής	el
dc.description.abstractEN	Cereals play a crucial role in food supply globally. The quality of cereal seeds is of major importance within the grain chain industry, particularly in seed testing and certification procedures. Currently, this recognition and verification process relies on manual visual analysis of grains. However, an automated approach leveraging computer vision and machine learning classification has emerged as a faster and more efficient alternative method. Nevertheless, classifying cereals from different species accurately remains a complex and demanding task, especially at the varietal level. This study introduces a deep learning-based method designed to achieve precise classification for cereals of different species and varieties. Specifically, Convolutional Neural Networks (CNNs) were employed to classify wheat grain images into six different varieties (Krithari Triptolemos, Dimitra, Vromi Flega, Vromi Pigasos, Skliro Sitari Sellas and Levante). Additionally, three variations of commonly used CNN architectures were employed, namely VGG16, ResNet50 and Xception. To evaluate the effectiveness of the proposed models, a dataset comprising of 12.720 individual grain seed images, captured using a digital camera, was utilized. The results demonstrated test accuracies ranging from 65% to 97% for classification. The highest test accuracies were achieved using the ResNet50 and Xception architectures standing at 97%. Consequently, the outcomes of the proposed approach are both accurate and dependable, encouraging its practical implementation.	el
dc.contributor.master	Κυβερνοασφάλεια και Επιστήμη Δεδομένων	el
dc.subject.keyword	Συνελικτικά νευρωνικά δίκτυα	el
dc.subject.keyword	Βαθιά μάθηση	el
dc.subject.keyword	Μεταφορά γνώσης	el
dc.subject.keyword	Ταξινόμηση σπόρων	el
dc.subject.keyword	Μοντέλο VGG16	el
dc.subject.keyword	Μοντέλο ResNet50	el
dc.subject.keyword	Μοντέλο Xception	el
dc.date.defense	2025-02-11

Αρχεία σε αυτό το τεκμήριο

Name:: Lekarakos_21027.pdf
Μέγεθος:: 1.566Mb
Τύπος:: PDF
Description:: Μεταπτυχιακή διατριβή

Προβολή/Άνοιγμα

Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές

Τμήμα Πληροφορικής
Department of Informatics

Εμφάνιση απλής εγγραφής

Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα

Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα