Αναγνώριση καθηκόντων χειριστή στο επίπεδο παραγωγής μέσω αλγορίθμων βαθιάς μηχανικής μάθησης

Μαστακούρης, Ανδρέας; Mastakouris, Andreas

dc.contributor.author	Μαστακούρης, Ανδρέας	el
dc.contributor.author	Mastakouris, Andreas	en
dc.date.accessioned	2022-02-23T08:12:40Z
dc.date.available	2022-02-23T08:12:40Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/54805
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.22503
dc.description	Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) "Επιστήμη Δεδομένων και Μηχανική Μάθηση"	el
dc.rights	Default License
dc.subject	LSTM	en
dc.subject	Variational autoencoders	en
dc.subject	Human activity recognition	en
dc.subject	Human robot collaboration	en
dc.subject	Edge and cloud computing	en
dc.title	Αναγνώριση καθηκόντων χειριστή στο επίπεδο παραγωγής μέσω αλγορίθμων βαθιάς μηχανικής μάθησης	el
dc.title	Human Activity Recognition in Production Line via Deep Learning Algorithms	en
heal.type	masterThesis
heal.classification	Τεχνητή Νοημοσύνη	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2021-07-23
heal.abstract	Η παρούσα εργασία μελετά την αναγνώριση των ανθρώπινων δραστηριοτήτων (Human Activity Recognition - HAR) στο επίπεδο παραγωγής, έτσι ώστε να επιτευχθεί αποτελεσματικά η συνεργασία ενός χειριστή με έναν οποιοδήποτε ρομποτικό μηχανισμό. Η συγκεκριμένη μελέτη παρουσιάζει αρκετές δυσκολίες, καθώς η χρονική διάρκεια των κινήσεων που εκτελεί ένας χειριστής διαφέρει και επιπλέον ο ρυθμός με τον οποίο πραγματοποιεί μία κίνηση δεν παραμένει σταθερός. Για τη μελέτη λοιπόν του συγκεκριμένου προβλήματος ένα smartphone προσδένεται στον καρπό 2 χειριστών, οι οποίοι στη συνέχεια πραγματοποιούν επαναληπτικά ένα μεγάλο αριθμό πειραμάτων εξετάζοντας 5 συγκεκριμένες κινήσεις. Οι κινήσεις αυτές είναι αρκετά δύσκολα διαχωρίσιμες μεταξύ τους και επιπλέον δε διαφέρουν αισθητά από άλλες συνήθεις κινήσεις μη ενδιαφέροντος που ένας εργαζόμενος μπορεί να εκτελεί. Για τον επιτυχή διαχωρισμό των 5 εξεταζόμενων κινήσεων επιστρατεύονται 2 διαφορετικά είδη νευρωνικών δικτύων. Αρχικά, τα σήματα των πειραμάτων τροφοδοτούνται στα δίκτυα των αυτοκωδικοποιητών με σκοπό τη συμπίεση των δεδομένων αυτών και την κατάλληλη εξαγωγή χαρακτηριστικών. Οι αυτοκωδικοποιητές που χρησιμοποιούνται αποτελούν καινοτόμες τεχνικές συμπίεσης δεδομένων, οι οποίες μελετώνται διεξοδικά από αρκετούς ερευνητές το τελευταίο διάστημα. Στη συνέχεια, τα χαρακτηριστικά αυτά τροφοδοτούνται στο τελευταίο επίπεδο ενός δικτύου χρονοσειρών LSTM, το οποίο εκπαιδεύεται για τον αποτελεσματικό διαχωρισμό των εξεταζόμενων κινήσεων. Με τον τρόπο αυτό, παρόλο που μέσα από τη μη παραμετρική ανάλυση των σημάτων δυσχεραίνεται ο άμεσος διαχωρισμός των κινήσεων, η χρήση νευρωνικών δικτύων διευκολύνει τη διαδικασία αυτή αγγίζοντας πολύ υψηλά ποσοστά σωστής ταξινόμησης. Τέλος, αντικείμενο της παρούσας εργασίας αποτελεί η μελέτη των σημάτων μακράς διάρκειας (ΣΜΔ). Τα σήματα αυτά αποτελούν χρονοσειρές πολύ μεγαλύτερης διάρκειας από αυτές των 5 εξεταζόμενων κινήσεων και επιπλέον περιλαμβάνουν αρκετό θόρυβο λόγω της ύπαρξης χρονικών περιόδων από δραστηριότητες μη ενδιαφέροντος. Για το λόγο αυτό προτείνεται μία νέα μεθοδολογία, η οποία συνδυάζει τα 2 είδη εκπαιδευμένων νευρωνικών δικτύων που αναφέρθηκαν προηγουμένως, με σκοπό την αναγνώριση των επιθυμητών κινήσεων εντός των σημάτων μακράς διάρκειας σε πραγματικό χρόνο. Βέβαια, θα πρέπει να τονισθεί ότι η συγκεκριμένη μεθοδολογία παρουσιάζεται για πρώτη φορά και μπορεί να χρησιμοποιηθεί σε οποιαδήποτε εφαρμογή συνεργασίας χειριστή-ρομπότ η οποία πραγματοποιείται με χρήση σημάτων από αισθητήρες.	el
heal.sponsor	Ίδρυμα Μποδοσάκη	el
heal.advisorName	Σούντρης, Δημήτριος	el
heal.committeeMemberName	Σούντρης, Δημήτριος	el
heal.committeeMemberName	Βοσνιάκος, Γεώργιος	el
heal.committeeMemberName	Μπενάρδος, Πανώριος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	114 σ.	el
heal.fullTextAvailability	false