Συντάχθηκε 25-07-2022 14:09
Τόπος:
Σύνδεσμος τηλεδιάσκεψης
Έναρξη: 26/07/2022 12:00
Λήξη: 26/07/2022 13:00
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών Πρόγραμμα Προπτυχιακών Σπουδών
ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ
Στέφανου Καργάκου
με θέμα
ΠΟΛΥΔΙΑΣΤΑΤΕΣ KAI TAΞΙΝΟΜΗΜΕΝΕΣ ΔΟΜΕΣ ΔΕΔΟΜΕΝΩΝ ΩΣ ΕΡΓΑΛΕΙΟ ΜΗ ΚΑΤΑΣΤΡΕΠΤΙΚΗΣ ΑΝΑΛΥΣΗΣ ΣΥΝΘΕΤΩΝ ΥΛΙΚΩΝ
MULTI-DIMENSIONAL DATA STRUCTURES AND CLASSIFICATION SCHEMES AS A TOOL FOR THE NONDESTRUCTIVE ANALYSIS OF COMPLEX MATERIALS
Εξεταστική Επιτροπή
Καθηγητής Kωνσταντίνος Μπάλας (επιβλέπων)
Καθηγητής Μιχάλης Ζερβάκης
Αναπληρωτής Καθηγητής Βασίλειος Σαμολαδάς
Περίληψη
Η μικροσκοπία είναι ένα κρίσιμο συστατικό για την οπτικοποίηση δειγμάτων & αντικειμένων που δεν είναι ορατά με γυμνό μάτι, επιτρέποντας στους επιστήμονες να ρίξουν μια ματιά σε έναν κόσμο αφάνταστης πολυπλοκότητας.
Διαφορετικά εξειδικευμένα μικροσκόπια που αναπτύσσουν διάφορες τεχνικές απεικόνισης είναι απαραίτητα για το σκοπό αυτό, ωστόσο με αυτόν τον τρόπο οι επιστήμονες τείνουν να καταναλώνουν μη ρεαλιστικό χρόνο για να επιτύχουν ακριβή διάγνωση. Σε αυτή τη διατριβή εκμεταλλευόμαστε ένα νέο προηγμένο μικροσκόπιο HTS που διαθέτει απεικόνιση υπερφασμάτων, μετάδοσης, ανάκλασης, φθορισμού και πόλωσης. Με την απεικόνιση των μορφολογικών, μοριακών, ηλεκτρονικών και κρυσταλλικών δομών της ύλης, αυτό το μικροσκόπιο παρέχει μοναδικά χαρακτηριστικά για αυτοματοποιημένη ταξινόμηση αντικειμένων προηγμένης τεχνολογίας. Παρατηρώντας αυτά τα μοναδικά χαρακτηριστικά προσεγγίζουμε μια μέθοδο ταξινόμησης αντικειμένων Multi-Modal, χρησιμοποιώντας Συνελικτικά Νευρωνικά Δίκτυα για κάθε μέθοδο απεικόνισης και ένα Πλήρως Συνδεδεμένο Νευρωνικό Δίκτυο που συνδυάζει κάθε μοναδική απεικόνιση των δειγμάτων. Οι έξοδοι του CNN παρέχουν μια σειριακή μοναδική κωδικοποίηση για κάθε εικόνα και το FC-NN χρησιμεύει ως αποκωδικοποιητής ικανός να επεξεργάζεται δεδομένα σε μορφή πίνακα. Αυτή η διατριβή παρέχει εκτενή ανάλυση και αποτελέσματα σχετικά με τους διαφορετικούς συνδυασμούς τρόπων απεικόνισης με σκοπό την εξαγωγή πολύτιμων πληροφοριών σχετικά με τη σημασία τους στη διαδικασία ταξινόμησης. Εκμεταλλευόμενοι την πλήρη ισχύ του συστήματος NN που διαθέτουμε, χρησιμοποιώντας κάθε τρόπο απεικόνισης επιτυγχάνουμε ακρίβεια μεγαλύτερη από 99%.
