Συντάχθηκε 22-07-2020 15:55
Τόπος: Η παρουσίαση θα γίνει με τηλεδιάσκεψη
Σύνδεσμος τηλεδιάσκεψης
Έναρξη: 24/07/2020 16:00
Λήξη: 24/07/2020 17:00
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Πρόγραμμα Προπτυχιακών Σπουδών
ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ
ΑΙΚΑΤΕΡΙΝΗ ΤΣΕΛΛΟΥ
θέμα
Οπτική Aναγνώριση Χαρακτηριστικών Φύλλων Αμπέλου για Αυτοματοποιημένη Αμπελογραφική Ταυτοποίηση
Detection of Visual Grape Leaf Characteristics for Automated Ampelography Type
Εξεταστική Επιτροπή
Καθηγητής Μιχαήλ Ζερβάκης (επιβλέπων)
Καθηγητής Άγγελος Μπλέτσας
Θεοδώρα Πιτσόλη (ΕΛΓΟ - ΔΗΜΗΤΡΑ)
Περίληψη
Η Αμπελογραφία είναι ο κλάδος της αμπελουργίας, που έχει ως αντικείμενο την περιγραφή, διάκριση, ταξινόμηση και αξιολόγηση των ποικιλιών της αμπέλου. Στη σύγχρονη εποχή, είναι απαραίτητη η σωστή αναγνώριση των διαφορετικών ποικιλιών αμπέλου, καθώς μπορεί να έχει σημαντική οικονομική επίπτωση στην οινοβιομηχανία. Η ανάπτυξη των εργαλείων ψηφιακής φωτογραφίας και επεξεργασίας εικόνας προσφέρει βελτιωμένες δυνατότητες για αμπελογραφική αναγνώριση παρέχοντας αυτοματοποιημένες και πιο ακριβείς μεθόδους για τη διάκριση των φύλλων, αντικαθιστώντας τις κλασσικές μεθόδους. Σε αυτή τη διατριβή, αποδεικνύουμε ότι οι αλγόριθμοι μηχανικής μάθησης είναι σε θέση να ταξινομήσουν αποτελεσματικά διαφορετικά είδη φύλλων της αμπέλου με αυτοματοποιημένο τρόπο. Η προτεινόμενη προσέγγιση αποτελείται από τις ακόλουθες φάσεις: τμηματοποίηση, εξαγωγή χαρακτηριστικών, επιλογή χαρακτηριστικών και ταξινόμηση. Στη φάση της τμηματοποίησης το φύλλο διαχωρίζεται από την υπόλοιπη εικόνα. Στη συνέχεια, στη φάση εξαγωγής χαρακτηριστικών, το φύλλο, αφού έχει περάσει απο τη διαδικασία της τμηματοποίησης, αναλύεται με σκοπό την εξαγωγή χαρακτηριστικών που αφορούν το σχήμα καθώς και το περίγραμμα. Μετά την εξαγωγή των χαρακτηριστικών, επιλέγουμε ένα βέλτιστο υποσύνολο αυτών για να πραγματοποιήσουμε την ταξινόμηση στην επόμενη φάση. Τέλος, τα αποτελέσματα ταξινομούνται χρησιμοποιώντας 3 διαφορετικούς αλγορίθμους: Naïve Bayes, Decision Tree, SVM με 2 είδη πυρήνα, γραμμικό και τετραγωνικό. Αξιολογώντας τα αποτελέσματα της ταξινόμησης, θα πρέπει να σημειωθεί ότι η αυτόματη εξαγωγή μορφολογικών δεδομένων και η μοντελοποίηση με τη βοήθεια της μηχανικής μάθησης αποτελούν τόσο γρήγορες όσο και ακριβείς μεθόδους για την ταξινόμηση των ποικιλιών.
Abstract
Ampelography is the branch of viticulture that studies the description, distinction, classification and evaluation of grapevine varieties. In the modern era of varietal wines, correct identification of different grapevine varieties is necessary as it can have a substantial financial impact on the wine industry. The development in digital photography and image processing tools offers enhanced capabilities for ampelography by providing automated and more accurate methods to discriminate leaves, replacing the classic technique. In this thesis, we prove that machine learning algorithms are able to classify efficiently different kinds of grape leaves in an automated way. The proposed approach consists of the following phases: segmentation, feature extraction, feature selection and classification. In the segmentation phase the leaf is separated from its background. Then, in the feature extraction phase, the segmented leaf image is analyzed in order to extract shape and contour features. After extracting the features, we select an optimal subset of them in order to perform the classification in the next phase. Finally, the results are classified using 3 different algorithms: Naïve Bayes, Decision Tree, SVM with linear kernel and quadratic kernel. Evaluating the classification results, it should be noted that the automatic extraction of morphological data and machine learning modelling proved to be rapid and accurate methods for cultivar classification.
Meeting ID: 954 649 5567
Password: 956799
