Κατάτμηση και παρακολούθηση αντικειμένων από δεδομένα εικόνων από κινητή πλατφόρμα σε περιβάλλον εμπορικού λιμένα

Πρίφτης, Ιωάννης; Priftis, Ioannis

dc.contributor.author	Πρίφτης, Ιωάννης	el
dc.contributor.author	Priftis, Ioannis	en
dc.date.accessioned	2023-12-06T07:36:56Z
dc.date.available	2023-12-06T07:36:56Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/58373
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.26069
dc.rights	Default License
dc.subject	Machine Learning	en
dc.subject	Deep Learning	en
dc.subject	Object Tracking	en
dc.subject	Computer Vision	en
dc.subject	Object Detection	en
dc.title	Κατάτμηση και παρακολούθηση αντικειμένων από δεδομένα εικόνων από κινητή πλατφόρμα σε περιβάλλον εμπορικού λιμένα	el
dc.title	Segmentation and tracking of objects based on image data from a mobile platform in commercial port environment	en
heal.type	bachelorThesis
heal.classification	Artificial Intelligence	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2023-06-01
heal.abstract	Τα τελευταία χρόνια με την ανάπτυξη μεθόδων στο τομέα της τεχνητής νοημοσύνης η ανίχνευση αντικειμένων απασχολεί ολοένα και περισσότερο την επιστημονική κοινότητα. Η γνώση της θέσης ενός αντικειμένου είναι απαραίτητη σε διάφορες διαδικασίες αυτοματισμού. Η συγκεκριμένη εργασία επικεντρώνεται στην αξιοποίηση αλγορίθμων της Όρασης Υπολογιστών και της Βαθιάς Μάθησης για την κατάτμηση και τη παρακολούθηση του αντικειμένου της αρπάγης. Η αρπάγη είναι ένα εξάρτημα που προσαρμόζεται σε γερανούς και επιτρέπει την μεταφορά κοντέινερ. Το συγκεκριμένο αντικείμενο συναντάται σε σημεία του εμπορικού δικτύου που γίνεται αλλαγή μέσου μεταφοράς των κοντέινερ όπως είναι λιμάνια και σταθμοί τρένων. Η ανίχνευση και η παρακολούθηση της αρπάγης είναι σημαντική σε εφαρμογές ασφαλείας σε βιομηχανικά περιβάλλοντα όπου γίνεται φορτοεκφόρτωση κοντέινερ συμβάλλοντας στην αποφυγή ατυχημάτων. Αρχικά γίνεται αναφορά στο απαραίτητο θεωρητικό υπόβαθρο για την ανάπτυξη αλγορίθμων παρακολούθησης της αρπάγης. Συγκεκριμένα περιγράφονται οι βασικές αρχές λειτουργίας των τεχνητών νευρωνικών δικτύων που χρησιμοποιούνται από τεχνικές Βαθιάς Μάθησης. Έπειτα γίνεται ανάλυση της λειτουργίας βασικών μοντέλων νευρωνικών δικτύων που χρησιμοποιούνται για την ανίχνευση και κατάτμηση αντικειμένων. Επιπλέον παρατίθενται μερικές συμπληρωματικές έννοιες που βοηθούν τόσο στην κατανόηση ορισμένων σταδίων της διαδικασίας ανίχνευσης με τεχνητά νευρωνικά δίκτυα όσο και με χρήση τεχνικών Όρασης Υπολογιστών. Σε επόμενο στάδιο της εργασίας περιγράφεται η μεθοδολογία που χρησιμοποιήθηκε για την ανάπτυξη και εφαρμογή αλγορίθμων. Συγκεκριμένα έγινε ανάπτυξη ενός αλγορίθμου που κάνει χρήση τεχνικών όρασης υπολογιστών και εφαρμογή δύο αλγορίθμων τεχνητών νευρωνικών δικτύων. Σε αυτό το κομμάτι παρατίθενται λεπτομέρειες για την μεθοδολογία που ακολουθήθηκε για τον σχεδιασμό του αλγόριθμου με βάση κλασικές μεθόδους όρασης υπολογιστών, της εκπαίδευσης και ρύθμισης βασικών παραμέτρων των νευρωνικών δικτύων Mask Rcnn και Yolact. Στο επόμενο τμήμα της εργασίας γίνεται η αξιολόγηση των αλγορίθμων. Οι τρεις αλγόριθμοι αξιολογούνται με βάση της προδιαγραφές που έχουν οριστεί σε εισαγωγικό στάδιο της εργασίας. Η διαδικασία της αξιολόγησης αξιοποιεί δεδομένα από πραγματικό περιβάλλον εφαρμογής. Τέλος γίνεται μία σύνοψη της όλης διαδικασίας από την εφαρμογή των αλγορίθμων έως και την αξιολόγηση των αποτελεσμάτων και την εξαγωγή του πορίσματος. Επιπλέον αναφέρονται ορισμένες πτυχές που έχουν περιθώριο βελτίωσης καθώς και ιδέες για μελλοντική εργασία.	el
heal.abstract	In recent years, with the development of methods in the field of artificial intelligence, the detection of objects has increasingly attracted the interest of the scientific community. The information of the location of an object is essential in various processes that are automated. This particular thesis focuses on the utilization of Computer Vision and Deep Learning algorithms for the 2D segmentation and tracking of the spreader. The spreader is an object that is attached to cranes and allows to transport containers. This particular object is found in trading network points where the mean of transportation of the containers changes such as in ports and rail stations. The detection and tracking of the spreader are crucial in safety applications that support accident prevention in industrial areas where loading and unloading of containers takes place. First the necessary theoretical background for the development of the spreader tracking algorithms is provided. Specifically, there are references to the basic operating principles of Artificial Neural Networks that are being used in Deep Learning methods. Next the operation of basic Neural Network models that are being used for object detection and segmentation is analyzed. In addition, some additional concepts are listed that help to understand some stages of the object detection process using neural networks and using Computer Vision methods. In the next section of the thesis, the methodology is described. Specifically, there was development of an algorithm that uses Computer Vision techniques and of two algorithms that use neural network techniques. This section lists the details about the methodology used for the design of the Computer Vision algorithm, as well as the training and setting of the basic parameters of the neural networks Mask Rcnn and Yolact. In the next part of the thesis the algorithms are being evaluated. The three algorithms are being evaluated based on the requirements set on the introduction of the thesis. The evaluation process utilizes real world data to assess the outcomes of the detection and tracking algorithms. Finally, a summary of the whole process is reported, from the use of the algorithms to the evaluation of the results and the extraction of the conclusions. In addition, some aspects that have room for improvement are mentioned as well as ideas for future work.	en
heal.advisorName	Πατεράκη, Μαρία	el
heal.committeeMemberName	Καράντζαλος, Κωνσταντίνος	el
heal.committeeMemberName	Δουλάμης, Αναστάσιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Αγρονόμων και Τοπογράφων Μηχανικών. Τομέας Τοπογραφίας. Εργαστήριο Τηλεπισκόπησης	el
heal.academicPublisherID	ntua
heal.numberOfPages	59 σ.	el
heal.fullTextAvailability	false