Συντάχθηκε 25-11-2020 09:28
Τόπος: Η παρουσίαση θα γίνει με τηλεδιάσκεψη
Σύνδεσμος τηλεδιάσκεψης
Έναρξη: 27/11/2020 09:30
Λήξη: 27/11/2020 10:30
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Πρόγραμμα Προπτυχιακών Σπουδών
ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ
ΜΗΝΑΣ ΠΑΝΤΕΛΙΔΑΚΗΣ
θέμα
CIWA - Ανάπτυξη Διαδικτυακού Εργαλείου για Αυτοματοποιημένη Διαχείριση Άρδευσης με χρήση Ευφυών Τεχνικών Αναγνώρισης Θερμοκρασίας Φυτικού Θόλου
CIWA – A Web-based Tool for Automated Irrigation Management using Intelligent Plant Canopy Temperature Identification Techniques
Εξεταστική Επιτροπή
Αναπληρωτής Καθηγητής Γεώργιος Χαλκιαδάκης (επιβλέπων)
Καθηγητής Μιχαήλ Ζερβάκης
Επίκουρος Καθηγητής Αθανάσιος Άρης Παναγόπουλος (Σχολή Computer Science, California State University, Fresno, CA)
Περίληψη
Η θερμοκρασία του φυτικού θόλου έχει αναγνωριστεί ως ένας δείκτης καταπόνησης νερού στις καλλιέργειες, καθώς ανακλά την αλληλεπίδραση των καλλιεργειών με το χώμα και την ατμόσφαιρα. Παρά το γεγονός ότι υπάρχουν διάφορες μέθοδοι για τον υπολογισμό της θερμοκρασίας του θόλου, οι περισσότερες από αυτές είναι χρονοβόρες, ακριβές, ανακριβείς, ή απαιτούν σημαντική ανθρώπινη παρέμβαση. Η παρούσα έρευνα χρησιμοποιεί συνελικτικά νευρωνικά δίκτυα (CNNs) για την αναγνώριση των ηλιοφώτιστων φύλλων, και σε συνεργασία με τη χρήση θερμικών εικόνων, βρίσκει τις υποκείμενες θερμοκρασίες των φύλλων και υπολογίζει το δείκτη καταπόνησης νερού της καλλιέργειας (CWSI). Τα αποτελέσματα δύο διαφορετικών αρχιτεκτονικών συνελικτικών νευρωνικών δικτύων (FRRN, DeepLabV3) έχουν συγκριθεί με δύο σύγχρονες μεθόδους ελάχιστης ανθρώπινης παρέμβασης, temperature Histogram Gradient Thresholding και Gaussian Mixture Models. Οι προσεγγίσεις μας εξετάζονται χρησιμοποιώντας ως γνώμονα αυτές τις δύο μεθόδους. Η αξιολόγηση γίνεται πάνω στο δικό μας dataset, το οποίο αποτελείται από 1432 ζευγάρια image-label φυστικιών. Τα αποτελέσματα δείχνουν πως τα συνελικτικά νευρωνικά δίκτυα λειτουργούν καλύτερα από τις υπάρχουσες μεθόδους. Το dataset δημοσιεύεται για χρήση από την επιστημονική κοινότητα. Τέλος, αναπτύχθηκε μία διαδικτυακή εφαρμογή, ώστε οι ερευνητές/ καλλιεργητές να μπορούν να υπολογίζουν το CWSI σε πραγματικό χρόνο, χρησιμοποιώντας εικόνες από μια θερμική κάμερα.
Abstract
Canopy temperature has been recognized as a crop water stress indicator, since it reflects the interaction of crops with soil and the atmosphere. Even though there are several methods to estimate canopy temperature, most of them are time consuming, expensive, inaccurate, or require considerable human input. This work mobilizes Convolutional Neural Networks (CNNs) to identify sunlit leaves and in conjuction with thermal imagery, find the underlying leaf temperatures and calculate the Crop Water Stress Index (CWSI). The results of two different CNN architectures (FRRN, DeepLabV3) have been compared with two minimum input, state of the art methods, namely temperature Histogram Gradient Thresholding and Gaussian Mixture Models. We evaluate our approaches against this baseline using our own dataset of 1432 image-label pairs of pistachio trees. Results indicate that CNNs outperform existing methods. Our dataset is released for the scientific community to use. Finally, a web application was developed, so that researchers/growers can calculate the CWSI in real time, using pictures captured with a thermal camera.
Meeting ID: 810 9934 2727
Password: 071537
