Αναγνώριση Μηχανολογικών Εξαρτημάτων με Μεθόδους Τεχνητής Νοημοσύνης και Μηχανικής Μάθησης

Αφεντούλης, Νίκος; Afentoulis, Nikos

dc.contributor.author	Αφεντούλης, Νίκος	el
dc.contributor.author	Afentoulis, Nikos	en
dc.date.accessioned	2020-04-15T10:58:19Z
dc.date.available	2020-04-15T10:58:19Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/50178
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.17876
dc.rights	Default License
dc.subject	Τεχνητή Νοημοσύνη	el
dc.subject	Αναγνώριση Αντικειμένων	el
dc.subject	Μηχανική Μάθηση	el
dc.subject	Artificial Intelligence	en
dc.title	Αναγνώριση Μηχανολογικών Εξαρτημάτων με Μεθόδους Τεχνητής Νοημοσύνης και Μηχανικής Μάθησης	el
dc.title	Recognition of Mechanical Components with Artificial Intelligence and Machine Learning Methods	en
heal.type	bachelorThesis
heal.classification	Τεχνητή Νοημοσύνη	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2019-07-18
heal.abstract	Σε ένα πλοίο, ο χώρος του μηχανοστασίου, όπου βρίσκεται όλος ο μηχανολογικός εξοπλισμός για την λειτουργία και την πρόωση του πλοίου, αποτελεί ένα μεγάλο και ιδιαίτερα πολύπλοκο χώρο. Ειδικότερα, περιέχει εξοπλισμό, όπως η κύρια μηχανή, ηλεκτρογεννήτριες, αντλίες, αλλά και πολύπλοκα συστήματα σωληνώσεων. Για αυτόν τον λόγο, υπάρχει σημαντική ανάγκη για μία ακριβή περιγραφή, τόσο του περιεχομένου των μηχανημάτων που υπάρχουν, όσο και της ακριβής θέσης του στον χώρο του μηχανοστασίου. Η πρόσβαση σε τέτοιου είδους πληροφορίες μπορεί να συντελέσει στην επίλυση ιδιαίτερα δύσκολων προβλημάτων, που απαιτούν πολύ χρόνο για την επίλυσή τους, όπως η αναγνώριση προβληματικών εξαρτημάτων, η συστηματική συντήρηση μηχανημάτων, αλλά και οι παραγγελίες ανταλλακτικών εξαρτημάτων. Η πρόσφατη πρόοδος στον τομέα της τεχνητής νοημοσύνης και της μηχανικής μάθησης έχει οδηγήσει σε τεράστιες δυνατότητες όσον αφορά πολλές διαφορετικές επιστημονικές περιοχές, όπως η όραση υπολογιστών και η αναγνώριση αντικειμένων/προτύπων. Συγκεκριμένα, ο συνδυασμός των βελτιώσεων στις αρχιτεκτονικές των τεχνητών νευρωνικών δικτύων και ειδικότερα των συνελικτικών νευρωνικών δικτύων, όπως επίσης και η πρόοδος στους αλγορίθμους επεξεργασίας εικόνας , καθώς και η σημαντική αύξηση της διαθέσιμης υπολογιστικής ισχύος των συμβατικών υπολογιστικών συστημάτων, έχουν καταστήσει το πρόβλημα της αναγνώρισης αντικειμένων σε πραγματικό χρόνο μία σχετικά απλή διαδικασία. Ωστόσο, η αναγνώριση αντικειμένων με μεθόδους μηχανικής η βαθιάς μάθησης απαιτεί την ύπαρξη μεγάλου και έγκυρου υλικού για εκπαίδευση, το οποίο είναι δύσκολο και απαιτεί πολύ χρόνο για να συλλεχθεί. Αρχικά, η παρούσα διπλωματική εργασία στοχεύει στην επεξήγηση των βασικών εννοιών και παραμέτρων των τεχνητών νευρωνικών δικτύων καθώς επίσης και στην σημαντική επίδραση που έχουν στους τομείς της μηχανικής μάθησης και της αναγνώρισης αντικειμένων. Επιπρόσθετα, η εργασία αυτή εστιάζει στην βιβλιογραφική ανασκόπηση των αλγορίθμων αναγνώρισης αντικειμένων τελευταίας τεχνολογίας και ευρείας χρήσης και επικεντρώνεται στον τρόπο λειτουργίας τους αλλά και στην χρονική εξέλιξή τους. Επίσης, η παρούσα εργασία επιχειρεί να δημιουργήσει ένα εύρωστο υπολογιστικό δίκτυο αναγνώρισης αντικειμένων, το οποίο έχει την δυνατότητα να ταυτοποιεί το είδος αλλά και να προσδιορίζει την ακριβή θέση μηχανολογικών εξαρτημάτων σε σύνθετα συστήματα στο μηχανοστάσιο ενός πλοίου, όπως είναι τα δίκτυα σωληνώσεων. Η συγκεκριμένη προσέγγιση βασίζεται στην αναγνώριση αντικειμένων σε 2-διάστατες εικόνες με χρήση μεθόδων βαθιάς μηχανικής μάθησης, και ειδικότερα συνελικτικών νευρωνικών δικτύων. Επιπρόσθετα, η παρούσα διπλωματική εργασία προτείνει μία μέθοδο η οποία στοχεύει στην αυτοματοποίηση της διαδικασίας δημιουργίας δεδομένων για την εκπαίδευση ενός δικτύου αναγνώρισης αντικειμένων με χρήση ΣΝΝ.	el
heal.advisorName	Παπαδόπουλος, Χρήστος	en
heal.committeeMemberName	Καικτσής, Λάμπρος	el
heal.committeeMemberName	Γκίνης, Αλέξανδρος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ναυπηγών Μηχανολόγων Μηχανικών. Τομέας Ναυτικής Μηχανολογίας	el
heal.academicPublisherID	ntua
heal.numberOfPages	96 σ.	el
heal.fullTextAvailability	false