Εκτίμηση ωριμότητας σε σταυρανθή λαχανικά με τη χρήση μεθόδων τηλεπισκόπησης και συνελικτικών νευρωνικών δικτύων

Ψηρούκης, Βασίλειος; Psiroukis, Vasileios

dc.contributor.author	Ψηρούκης, Βασίλειος	el
dc.contributor.author	Psiroukis, Vasileios	en
dc.date.accessioned	2022-05-25T10:42:02Z
dc.date.available	2022-05-25T10:42:02Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/55208
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.22906
dc.description	Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) “Γεωπληροφορική”	el
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.subject	Μηχανική μάθηση	el
dc.subject	Machine learning	en
dc.subject	Τηλεπισκόπηση	el
dc.subject	Remote sensing	en
dc.subject	Object detection	en
dc.subject	Ανίχνευση αντικειμένων	el
dc.title	Εκτίμηση ωριμότητας σε σταυρανθή λαχανικά με τη χρήση μεθόδων τηλεπισκόπησης και συνελικτικών νευρωνικών δικτύων	el
dc.title	Maturity estimation of open-field brassicaceae crops using remote sensing and deep convolutional networks	en
heal.type	masterThesis
heal.classification	Remote Sensing	el
heal.classification	Machine Learning	el
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2021-12-13
heal.abstract	Broccoli is an example of a high-value crop that requires delicate handling throughout the growing season and during its post-harvesting treatment. As the broccoli heads can be easily damaged, resulting in visible stains, it is thus still harvested by hand using handheld knives. On top of that, it allows for a very strict time window of "optimal maturity" when the high-end quality broccoli heads should be harvested, before they remain exposed for too long in high humidity conditions and become susceptible to fungal infections and quality degradation. Even slight delays from this time window can result in major losses in final production, while manual harvesting is a very laborious task, not only for the process of harvesting itself, but for the scouting required to initially identify the field segments where several broccoli plants have reached this maturity level. The aim of this study is to automate this process, by using a state-of-the-art Object Detection deep convolutional neural network model, YOLOv5, trained on multispectral UAV images collected from low altitude flights, and assess its capacity to effectively detect and classify broccoli heads based on their maturity level. The experiment took place in Marathon region, Greece, in a commercial organic vegetable production unit. This region is specifically known for its horticultural production, being the main vegetable provider for Athens, the capital of Greece, while the timing of the data acquisition flights was specifically designed to be performed a few hours prior to the first wave of selective harvesting. The training of the Object Detection model was conducted using various training hyperparameters and dataset (multispectral layers) configurations. The results of the training and validation experiments indicated that the model was able to perform very well for the task of automated maturity detection. All experimental iterations maintained an F-1 score higher than 0.81 and a MAP@0.5 higher than 0.865, which are solid performances considering the open-field nature of the datasets.	en
heal.abstract	Το οργανικό μπρόκολο είναι ένα παράδειγμα καλλιέργειας υψηλής αξίας που απαιτεί λεπτούς χειρισμούς καθ' όλη τη διάρκεια της καλλιεργητικής περιόδου και κατά τη μετασυλλεκτική του επεξεργασία. Καθώς τα κεφάλια του μπρόκολου, τα οποία αποτελούν το εμπορεύσιμο μέρος του φυτού, μπορούν εύκολα να υποστούν ζημιά, με αποτέλεσμα να δημιουργούνται ορατοί τραυματισμοί και χρωματισμοί στην επιφάνειά τους, η συγκομιδή γίνεται ακόμη με το χέρι χρησιμοποιόντας μαχαίρια. Συν τοις άλλοις, επιτρέπει ένα πολύ αυστηρό χρονικό παράθυρο "βέλτιστης ωριμότητας" κατά το οποίο πρέπει να συγκομιστούν τα κεφάλια μπρόκολου υψηλής ποιότητας, πριν παραμείνουν εκτεθειμένα για πολύ καιρό σε συνθήκες υψηλής υγρασίας και γίνουν ευάλωτα σε μυκητολογικές μολύνσεις και υποβάθμιση της ποιότητας. Ακόμη και μικρές καθυστερήσεις από αυτό το χρονικό παράθυρο μπορούν να οδηγήσουν σε μεγάλες απώλειες στην τελική παραγωγή, ενώ η χειρωνακτική συγκομιδή είναι μια πολύ επίπονη εργασία, όχι μόνο για την ίδια τη διαδικασία συγκομιδής, αλλά και για την ανίχνευση που απαιτείται για τον αρχικό εντοπισμό των τμημάτων του χωραφιού όπου πολλά φυτά μπρόκολου έχουν φτάσει σε αυτό το επίπεδο ωριμότητας. Στόχος της παρούσας μελέτης είναι η αυτοματοποίηση αυτής της διαδικασίας, με τη χρήση ενός μοντέλου βαθιού συνελικτικού νευρωνικού δικτύου ανίχνευσης αντικειμένων, του YOLOv5, το οποίο εκπαιδεύτηκε σε πολυφασματικές εικόνες που συλλέχθηκαν από πτήσεις χαμηλού υψομέτρου με Συστήματα Μη-Επανδρωμένων Αεροσκαφών (ΣΜηΕΑ), και η αξιολόγηση της ικανότητάς του να ανιχνεύει και να ταξινομεί αποτελεσματικά τα κεφάλια μπρόκολου με βάση το επίπεδο ωριμότητάς τους. Το πείραμα πραγματοποιήθηκε στην περιοχή του Μαραθώνα, σε μια εμπορική μονάδα παραγωγής βιολογικών λαχανικών. Η περιοχή αυτή είναι ιδιαίτερα γνωστή για την κηπευτική της παραγωγή, καθώς αποτελεί τον κύριο προμηθευτή λαχανικών για την Αθήνα, την πρωτεύουσα της Ελλάδας, ενώ ο χρόνος των πτήσεων συλλογής δεδομένων σχεδιάστηκε ειδικά ώστε να πραγματοποιείται λίγες ώρες πριν από το πρώτο κύμα επιλεκτικής συγκομιδής, ώστε να επιτύχει τα εξής: 1) να διασφαλιστεί ότι ολόκληρος ο αγρός ήταν άθικτος, μεγιστοποιώντας τον αριθμό της πυκνότητας των δειγμάτων σε κάθε εικόνα και το παραγόμενο ορθομωσαϊκό του αγρού και 2) για να διασφαλιστεί ότι μεμονωμένα φυτά διαφορετικών επιπέδων ωριμότητας υπήρχαν σε ολόκληρο τον αγρό, καθώς τότε ξεκινούσε η περίοδος συγκομιδής. Η εκπαίδευση του μοντέλου ανίχνευσης αντικειμένων διεξήχθη χρησιμοποιώντας διάφορους συνδιασμούς υπερπαραμέτρων εκπαίδευσης και συνόλου δεδομένων (φασματικά επίπεδα). Τα αποτελέσματα των πειραμάτων εκπαίδευσης και επαλήθευσης έδειξαν ότι το μοντέλο ήταν σε θέση να εκτελέσει πολύ καλά το έργο της αυτοματοποιημένης ανίχνευσης ωριμότητας. Όλες οι πειραματικές επαναλήψεις διατήρησαν F-1 score μεγαλύτερο από 0,81 και MAP@0.5 μεγαλύτερη από 0,865.	el
heal.advisorName	Karantzalos, Konstantinos	en
heal.advisorName	Καράντζαλος, Κωνσταντίνος	el
heal.committeeMemberName	Karathanassi, Vassilia	en
heal.committeeMemberName	Karantzalos, Konstantinos	en
heal.committeeMemberName	Fountas, Spyros	en
heal.committeeMemberName	Καράντζαλος, Κωνσταντίνος	el
heal.committeeMemberName	Καραθανάση, Βασιλεία	el
heal.committeeMemberName	Φουντάς, Σπυρίδων	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Αγρονόμων και Τοπογράφων Μηχανικών	el
heal.academicPublisherID	ntua
heal.numberOfPages	47 σ.	el
heal.fullTextAvailability	false