Evaluating deep instance segmentation methods for mushroom detection on proximate sensing datasets.

Χαρίσης, Χρήστος; Charisis, Christos

dc.contributor.author	Χαρίσης, Χρήστος	el
dc.contributor.author	Charisis, Christos	en
dc.date.accessioned	2023-03-29T10:53:49Z
dc.date.available	2023-03-29T10:53:49Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/57366
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.25064
dc.description	Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) "Επιστήμη Δεδομένων και Μηχανική Μάθηση"	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	Βαθιά μάθηση	el
dc.subject	Κατάτμηση οντοτήτων	el
dc.subject	Μανιτάρια	el
dc.subject	Deep learning	en
dc.subject	Instance segmentation	en
dc.subject	Mushrooms	en
dc.title	Evaluating deep instance segmentation methods for mushroom detection on proximate sensing datasets.	en
heal.type	masterThesis
heal.classification	Βαθιά μάθηση	el
heal.classification	Deep learning	en
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2023-02-23
heal.abstract	Τα τελευταία χρόνια, ο τομέας του Deep Learning (DL) έχει γνωρίσει μεγάλη πρόοδο, καθώς παρατηρείται μια τάση προς τη χρήση μοντέλων DL για πολλές εφαρμογές. Ένας μεγάλος αριθμός εφαρμογών εστιάζει στην επεξεργασία εικόνας και πιο συγκεκριμένα, πάνω στο instance segmentation, το οποίο έχει αποκτήσει μεγάλη δημοτικότητα λόγω της προόδου των πιο πρόσφατων μελετών. Ένας πολύ σημαντικός τομέας που αποτελεί σημαντικό μέρος της ανθρώπινης ζωής και ενσωματώνει καθημερινά νέες τεχνολογίες είναι ο τομέας της γεωργίας. Η υιοθέτηση νέων τεχνολογιών κατέστησε δυνατή τη συλλογή μεγάλου όγκου δεδομένων που απαιτούνται για την εκπαίδευση των πολύπλοκων αρχιτεκτονικών, όπως αυτών του DL. Μεταξύ των δεδομένων διαφόρων μορφών, οι εικόνες των καρπών που καλλιεργούνται είναι ένα από τα πιο κοινά δεδομένα που συλλέγονται στη γεωργία. Η ικανότητα ανίχνευσης και εξαγωγής πληροφοριών για τους καλλιεργούμενους καρπούς μέσω εικόνων είναι υψίστης σημασίας για τους γεωργικούς στόχους καλύτερης ποιότητας και ποσότητας των καλλιεργειών. Από τις πολλές περιπτώσεις στη γεωργία, η καλλιέργεια των μανιταριών έχει αποδειχθεί μια πολύ τεχνική διαδικασία που απαιτεί τη χρήση όλων των διαθέσιμων μέσων συλλογής πληροφοριών κατά την ανάπτυξή τους, προκειμένου να επιτευχθεί καλύτερη απόδοση και ποιότητα. Επιπλέον, τα μανιτάρια στη φύση παρουσιάζουν μια ενδιαφέρουσα περίπτωση για τον εντοπισμό νέων ειδών, την παρακολούθηση του μικροκλίματος μιας περιοχής και τη δυσκολία εντοπισμού των μανιταριών εικόνες με πολύπλοκα φόντα φυσικού περιβάλλοντος στην εικόνα. Σε αυτή τη διπλωματική εργασία, συλλέχθηκαν δύο σύνολα δεδομένων μανιταριών και χειροκίνητα δημιουργήθηκαν μάσκες για την υλοποίηση instance segmentation. Το ένα σύνολο δεδομένων περιλαμβάνει συστάδες μανιταριών Pleurotus, που καλλιεργούνται σε τεχνητό περιβάλλον και το άλλο περιέχει διαφορετικά είδη μανιταριών σε φυσικά περιβάλλοντα. Μοντέλα instance segmentation τελευταίας τεχνολογίας εκπαιδεύτηκαν και δοκιμάστηκαν πάνω σε αυτά τα σύνολα δεδομένων προκειμένου να εξαχθούν πολύτιμες πληροφορίες σχετικά με την απόδοσή τους και τον τρόπο με τον οποίο τα διαφορετικά χαρακτηριστικά αυτών των δύο συνόλων δεδομένων επηρεάζουν τα αποτελέσματα. Τα αριθμητικά και απεικονιστικά αποτελέσματα μεταξύ των μοντέλων παραθέτονται και παρουσιάζεται σύγκριση τους. Τα συμπεράσματα αυτής της εργασίας είναι ότι τα χαρακτηριστικά ενός συνόλου δεδομένων και ο όγκος των διαθέσιμων δεδομένων για εκπαίδευση έχουν μεγάλο ρόλο στην απόδοση ενός μοντέλου. Ωστόσο, πιο σύνθετα μοντέλα που μπορούν να εξάγουν καλύτερα χαρακτηριστικά από τα αρχεία εισόδου και να τα διαδώσουν με πιο αποτελεσματικό τρόπο στα διάφορα δομικά στοιχεία της αρχιτεκτονικής τους μπορούν να επιτύχουν καλά αποτελέσματα ακόμη και με μικρό αριθμό διαθέσιμων δεδομένων.	el
heal.abstract	In the recent years, the domain of Deep Learning (DL) has experienced a great progress, as a trend towards the use of DL models for many applications is observed. A great number of applications is implemented on image processing and more recently the task of instance segmentation has gained great popularity due to breakthroughs in the latest studies. A very important domain, that is a crucial part of the human life and integrates every day new technologies, is the domain of agriculture. The adoption of new technologies has made possible the collection of great amounts of data that are required to train the complex architectures of DL. Among the data of various formats, images of crops, that are cultivated, are one of the most common data collected in agriculture. The ability to detect and extract information for the cultivated crops through images is of paramount importance for the agricultural targets of better crops’ quality and quantity. From the many agricultural cases, the cultivation of mushrooms has proven to be a very technical process, that requires the use of all the available means to collect information during their growth, in order to achieve better yield and quality. Moreover, mushrooms in nature present an interesting case for identifying new species, monitoring the micro-climate and the difficulty of finding mushroom instances in natural complex backgrounds. In this thesis, two mushroom datasets were collected and manually annotated for the task of instance segmentation. One dataset includes Pleurotus mushroom clusters, cultivated in a controlled environment and the other contains different mushroom species in natural environments. State-of-the-art instance segmentation models were finetuned and tested on these datasets in order to extract valuable information regarding their performance and how the different characteristics of these two datasets affect the results. Arithmetic and imaging results are provided and comparison between the models is presented. The conclusions of this work are that the dataset’s characteristics and the amount of available data for training exert a great role in the performance of a model. However, more complex models that can extract better information and circulate it in a more efficient way through their different components can achieve good results even with small number of available data.	en
heal.advisorName	Καράντζαλος, Κωνσταντίνος	el
heal.committeeMemberName	Καράντζαλος, Κωνσταντίνος	el
heal.committeeMemberName	Βουλόδημος, Αθανάσιος	el
heal.committeeMemberName	Αργυρόπουλος, Δημήτριος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	65 σ.	el
heal.fullTextAvailability	false