Συντάχθηκε 19-08-2024 12:20
Τόπος: Εξ αποστάσεως - Με τηλεδιάσκεψη
Σύνδεσμος τηλεδιάσκεψης
Έναρξη: 26/08/2024 13:00
Λήξη: 26/08/2024 14:00
Περιγραφή:
Τίτλος εργασίας: "Αυτόματη ταξινόμηση ορυκτών μέσω υλοποίησης συνελικτικού νευρωνικού δικτύου".
Τριμελής εξεταστική επιτροπή:
1. Παναγιώτης Παρτσινέβελος, Καθηγητής ΜΗΧΟΠ (Επιβλέπων)
2. Μιχαήλ Γαλετάκης, Καθηγητής ΜΗΧΟΠ.
3. Γεώργιος Χρηστίδης, Καθηγητής ΜΗΧΟΠ.
Περίληψη
Είναι ευρέως γνωστό ότι η παραγωγή ορυκτών πρώτων υλών στηρίζεται στην ανίχνευση και τον εντοπισμό νέων κοιτασμάτων καθώς και στον καλύτερο διαχωρισμό και εμπλουτισμό των είδη υπάρχοντων. Η παρούσα εργασία έχει ως σκοπό την μελέτη και αξιολόγηση της αρχιτεκτονικής ενός συνελκτικού νευρωνικού δικτύου το οποίο υλοποιήθηκε στο πλαίσιο της παρούσας διπλωματικής για την αναγνώριση ορυκτών μέσω εικόνων. Λόγω έλλειψης διαθέσιμων βάσεων δεδομένων που χρησιμοποιούνται ως επί το πλείστον στην εκπαίδευση των νευρωνικών δικτύων βαθιάς μάθησης, οι εικόνες συλλέχθηκαν χειροκίνητα από ανοιχτές πηγές. Τα δεδομένα διαχωρίστηκαν σε κατηγορίες εκπαίδευσης και επαλήθευσης ενώ επίσης χρησιμοποιοήθηκαν τεχνικές εμπλουτισμού-αύξησης δεδομένων (data augmentation). Επιπροσθέτως, η βάση δεδομένων εμπλουτίστηκε με εικόνες που έχουν μετασχηματισθεί βάσει του υψηλοδιαβατού φίλτρου συνέλιξης Laplace για τον εντοπισμό ακμών, εξερευνώντας την υπόθεση περί Νόμου της συμμετρίας των κρυσταλλικών σχημάτων η οποία αναφέρει πως η διάταξη των ατόμων ή των μορίων σε έναν κρύσταλλο έχει συγκεκριμένες συμμετρικές ιδιότητες που αντικατοπτρίζονται στις εξωτερικές μορφές του κρυστάλλου. Επιλέχθηκαν σημαντικές παράμετροι όπως η αρχιτεκτονική του δικτύου και το πλήθος των εικόνων ανα εκπαίδευση ενώ το δίκτυο βελτιστοποιήθηκε και ελέγχθηκε ως προς την ακρίβειά του. Το δίκτυο συγκρίθηκε με το νευρωνικό δίκτυο βαθιάς μάθησης VGG16, γνωστό για εφαρμογές αναγνώρισης εικόνων, το οποίο εκπαιδεύτηκε με την ίδια βάση δεδομένων. Τα αποτελέσματα έδειξαν ότι το υλοποιημένο νευρωνικό δίκτυο είναι αξιόπιστο με αποτελέσματα ακρίβειας και ανάκλησης περίπου στο 70%. Οι κατηγορίες που συμπεριελήφθηκαν στο μοντέλο περιλαμβάνουν τις παρακάτω κλάσεις ορυκτών: χαλαζίας, βιοτήτης, αιματίτης, ασβεστίτης, αζουρίτης, κινναβαρίτης, μαλαχίτης, κίτρινη σανδαράχη, μαλαχίτης και τιρκουάζ.
Λέξεις κλειδιά (Ελληνικά): Ανάλυση εικόνας, Συνελικτικά Νευρωνικά Δϊκτυα, Βαθιά μάθηση, ταξινόμηση, αναγνώριση ορυκτών
Λέξεις κλειδιά (Αγγλικά): Image analysis, Convolutional Neural Networks, Deep Learning, classification, mineral identification
