Αναγνώριση πολύπλοκων αντικειμένων με μηχανική μάθηση σε σύνολο εικόνων -  εφαρμογή στην αναγνώριση στασιδίων

Ζήσης, Γεώργιος; Zisis, Georgios

dc.contributor.author	Ζήσης, Γεώργιος
dc.contributor.author	Zisis, Georgios
dc.date.accessioned	2024-10-18T13:36:48Z
dc.date.available	2024-10-18T13:36:48Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/60295
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.27991
dc.rights	Default License
dc.subject	Ανίχνευση Αντικειμένων, Φωτογραμμετρία, Μηχανική Μάθηση, Νευρωνικά Δίκτυα, TensorFlow	el
dc.title	Αναγνώριση πολύπλοκων αντικειμένων με μηχανική μάθηση σε σύνολο εικόνων - εφαρμογή στην αναγνώριση στασιδίων	el
heal.type	bachelorThesis
heal.secondaryTitle	Complex object recognition with machine learning on image set - application to stand recognition	en
heal.classification	Φωτογραμμετρία	el
heal.language	el
heal.access	campus
heal.recordProvider	ntua	el
heal.publicationDate	2024-10-16
heal.abstract	Η αναγνώριση αντικειμένων αποτελεί έναν κλάδο της μηχανικής μάθησης που έχει δει τα τελευταία χρόνια μεγάλη ανάπτυξη. Με την ύπαρξη πληθώρας εφαρμογών για την αναγνώριση απλοϊκών αντικειμένων της καθημερινότητας έχει μπει ολοένα και πιο δυναμικά στις ζωές των ανθρώπων. Στην παρούσα διπλωματική εργασία αντιμετωπίζονται οι προκλήσεις που προκύπτουν κατά την αναγνώριση σύνθετων αντικειμένων, όπως τα στασίδια ενός ναού. Αξιοποιείται το πλαίσιο λογισμικού TensorFlow, για την κατασκευή και την εκπαίδευση νευρωνικού δικτύου, ικανού να ανιχνεύει τα στασίδια στις εικόνες του ναού. Παράλληλα πραγματοποιείται λεπτομερής αξιολόγηση της ακρίβειάς του και οπτικοποιείται το αποτέλεσμά του. Μετά την ανίχνευση, αξιοποιούνται τεχνικές που επιτρέπουν την αντιστοίχιση των ανιχνευμένων αντικειμένων με τα δεδομένα ενός τρισδιάστατου νέφους σημείων του ναού, επιτρέποντας την ακριβή τοποθέτησή τους στον χώρο.	el
heal.abstract	Object recognition is a field of machine learning that has seen significant development in recent years. With the abundance of applications for recognizing everyday objects, it has increasingly become a part of people’s lives. This thesis addresses the challenges that arise in the recognition of complex objects, such as the pews in a church. The TensorFlow framework is utilized for the construction and training of a neural network capable of detecting pews in church images. Additionally, a detailed evaluation of the model’s accuracy is performed, and the results are visualized. After detection, techniques are employed to match the detected objects with the data from a three-dimensional point cloud of the church, allowing for their precise placement in space.	en
heal.tableOfContents	Πίνακας περιεχομένων ΕΥΧΑΡΙΣΤΙΕΣ .................................................................................................................................. 3 ΠΕΡΙΛΗΨΗ ....................................................................................................................................... 4 ABSTRACT ....................................................................................................................................... 5 1 ΕΙΣΑΓΩΓΗ ................................................................................................................................... 6 1.1 Αντικείμενο Εργασίας ........................................................................................................... 6 2 Ανίχνευση και Αναγνώριση Αντικειμένων .................................................................................. 8 2.1 Αναγνώριση Αντικειμένων ................................................................................................... 8 2.1.1 Μέθοδοι Αναγνώρισης Αντικειμένων ............................................................................ 8 2.1.2 Εφαρμογές Αναγνώρισης Αντικειμένων ........................................................................ 9 2.1.3 Προκλήσεις Αναγνώρισης Αντικειμένων .................................................................... 10 2.2 Ανίχνευση Αντικειμένων..................................................................................................... 12 3 Νευρωνικά Δίκτυα ...................................................................................................................... 13 3.1 Τεχνητά Νευρωνικά Δίκτυα ................................................................................................ 13 3.1.1 Ορισμός ........................................................................................................................ 13 3.1.2 Σύγκριση με τα Νευρωνικά Δίκτυα ............................................................................. 13 3.1.3 Ιστορική Εξέλιξη .......................................................................................................... 15 3.1.4 Βασικά Χαρακτηριστικά των Τεχνιτών Νευρωνικών Δικτύων ................................... 15 3.1.5 Δομή Τεχνιτών Νευρωνικών Δικτύων ......................................................................... 16 3.1.6 Διαδικασία Εκπαίδευσης Τεχνιτών Νευρωνικών Δικτύων .......................................... 18 3.2 Νευρωνικά Δίκτυα Τύπου Perceptron ................................................................................. 20 3.2.1 Μονοεπίπεδο Perceptron (Single-Layer Perceptron) ................................................... 20 3.2.2 Πολυεπίπεδο Perceptron (Multi-Layer Perceptron) ..................................................... 22 3.3 Συνελικτικά Νευρωνικά Δίκτυα (Convolutional Neural Networks - CNN) ....................... 25 3.4 Ανίχνευση Αντικειμένων με Βαθιά Μάθηση ...................................................................... 26 4 ΜΕΘΟΔΟΛΟΓΙΑ ....................................................................................................................... 28 4.1 Δημιουργία και Εκπαίδευση Τεχνητού Νευρωνικού Δικτύου για Αναγνώριση Αντικειμένων 28 4.1.1 Εισαγωγή στα Τεχνητά Νευρωνικά Δίκτυα για Αναγνώριση Αντικειμένων ............... 28 4.1.2 Διαδικασία Δημιουργίας Τεχνητού Νευρωνικού Δικτύου για Αναγνώριση Αντικειμένων ........................................................................................................................... 28 4.1.3 Διαδικασία Σήμανσης Αντικειμένων με Bounding Boxes ........................................... 29 4.1.4 Διαδικασία Εκπαίδευσης (Training) του Νευρωνικού Δικτύου................................... 30 4.1.5 Διαδικασία Αξιολόγησης (Evaluation) του Νευρωνικού Δικτύου ............................... 31 4.2 Συμπεράσματα ..................................................................................................................... 34 5 ΧΡΗΣΙΜΟΠΟΙΗΘΕΝΤΑ ΜΟΝΤΕΛΑ – ΛΟΓΙΣΜΙΚΟ ........................................................... 35 5.1 Λογισμικό ............................................................................................................................ 35 5.1.1 Jupyter Notebook ......................................................................................................... 35 5.1.2 Python .......................................................................................................................... 36 5.1.3 OpenCV ....................................................................................................................... 36 5.1.4 Εισαγωγή στο TensorFlow ........................................................................................... 37 5.2 Δοκιμαζόμενα Μοντέλα ...................................................................................................... 40 6 ΔΕΔΟΜΕΝΑ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ .......................................................................... 43 6.1 Περιοχή Μελέτης ................................................................................................................ 43 6.2 Αποτύπωση με Επίγειο Σαρωτή Laser του Ι.Ν. Αγίου Χαραλάμπους ................................ 44 2 6.3 Λογισμικό Cyclone REGISTER 360 PLUS ........................................................................ 44 6.4 Συλλογή εικόνων Ι.Ν. Αγίου Χαραλάμπους ....................................................................... 47 7 ΥΛΟΠΟΙΗΣΗ ΜΟΝΤΕΛΟΥ .................................................................................................... 48 7.1.1 Προετοιμασία δεδομένων - Επισήμανση Αντικειμένων .............................................. 49 7.2 Εκπαίδευση μοντέλου ......................................................................................................... 53 7.3 Αποτελέσματα Εκπαίδευσης και Αξιολόγηση Μοντέλου ................................................... 57 7.3.1 Αποτελέσματα Εκπαίδευσης ........................................................................................ 57 7.4 Αποτελέσματα Μοντέλου.................................................................................................... 61 7.5 Συμπεράσματα ..................................................................................................................... 62 8 ΕΦΑΡΜΟΓΗ ΑΝΑΓΝΩΡΙΣΗΣ ΣΤΑΣΙΔΙΩΝ ΣΕ ΝΕΦΟΣ ΣΗΜΕΙΩΝ (Ι.Ν. ΑΓΙΟΥ ΧΑΡΑΛΑΜΠΟΥΣ) ......................................................................................................................... 63 8.1 Εξαγωγή Μασκών από Εικόνες .......................................................................................... 63 68 8.2 Δημιουργία 3D Στασιδίων από μάσκες 2D εικόνων ........................................................... 68 8.3 Αυτόματη αντιστοίχηση των δύο νεφών σημείων .............................................................. 72 8.3.1 Αλγόριθμος ICP ........................................................................................................... 73 8.3.2 Ολοκλήρωση διαδικασίας αντιστοίχησης νεφών σημείων .......................................... 74 9 ΣΥΜΠΕΡΑΣΜΑΤΑ ................................................................................................................... 79 9.1 Σχολιασμός Αποτελεσμάτων ............................................................................................... 79 9.2 Προτάσεις Βελτίωσης ......................................................................................................... 81 9.3 Προτάσεις Έρευνας ............................................................................................................. 81 10 Βιβλιογραφία .............................................................................................................................. 83 Ιστοσελίδες: ...................................................................................................................................... 85 Παράρτημα Α. Τίτλος 1ου παραρτήματος ....................................................................................... 86	el
heal.advisorName	Ιωαννίδης, Χαράλαμπος
heal.committeeMemberName	Πατεράκη, Μαρία
heal.committeeMemberName	Δουλάμης, Αναστάσιος
heal.academicPublisher	Σχολή Αγρονόμων & Τοπογράφων Μηχανικών – Μηχανικών Γεωπληροφορικής, Εργαστήριο Φωτογραμμετρίας	el
heal.academicPublisherID	ntua
heal.numberOfPages	121
heal.fullTextAvailability	false