Ιδρυματικό Αποθετήριο [SANDBOX]
Πολυτεχνείο Κρήτης
EN  |  EL

Αναζήτηση

Πλοήγηση

Ο Χώρος μου

Αυτόματη ταξινόμηση ορυκτών μέσω υλοποίησης συνελικτικού νευρωνικού δικτύου

Kyriakopoulos Dimitrios-Christos

Απλή Εγγραφή


URIhttp://purl.tuc.gr/dl/dias/C16C6609-D137-4772-90C2-1A6FE5946C7E-
Αναγνωριστικόhttps://doi.org/10.26233/heallink.tuc.100771-
Γλώσσαel-
Μέγεθος3.2 megabytesen
Μέγεθος93 σελίδεςel
ΤίτλοςΑυτόματη ταξινόμηση ορυκτών μέσω υλοποίησης συνελικτικού νευρωνικού δικτύουel
ΔημιουργόςKyriakopoulos Dimitrios-Christosen
ΔημιουργόςΚυριακοπουλος Δημητριος-Χρηστοςel
Συντελεστής [Επιβλέπων Καθηγητής]Partsinevelos Panagiotisen
Συντελεστής [Επιβλέπων Καθηγητής]Παρτσινεβελος Παναγιωτηςel
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Christidis Georgiosen
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Χρηστιδης Γεωργιοςel
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Galetakis Michailen
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Γαλετακης Μιχαηλel
ΕκδότηςΠολυτεχνείο Κρήτηςel
ΕκδότηςTechnical University of Creteen
Ακαδημαϊκή ΜονάδαTechnical University of Crete::School of Mineral Resources Engineeringen
Ακαδημαϊκή ΜονάδαΠολυτεχνείο Κρήτης::Σχολή Μηχανικών Ορυκτών Πόρωνel
ΠεριγραφήΔημιούργηθηκε 26 Αυγούστου 2024 η διπλωματική εργασία για τις προϋποθέσεις λήψεις πτυχίου Μηχανικών Ορυκτών Πόρωνel
ΠερίληψηΕίναι 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.el
ΤύποςΔιπλωματική Εργασίαel
ΤύποςDiploma Worken
Άδεια Χρήσηςhttp://creativecommons.org/licenses/by/4.0/en
Ημερομηνία2024-08-30-
Ημερομηνία Δημοσίευσης2024-
Θεματική ΚατηγορίαΑνάλυση εικόναςel
Θεματική ΚατηγορίαΣυνελικτικά νευρωνικά δίκτυαel
Θεματική ΚατηγορίαΒαθιά μάθησηel
Θεματική ΚατηγορίαΤαξινόμησηel
Θεματική ΚατηγορίαΑναγνώριση ορυκτώνel
Βιβλιογραφική ΑναφοράΔημήτριος-Χρήστος Κυριακόπουλος, "Αυτόματη ταξινόμηση ορυκτών μέσω υλοποίησης συνελικτικού νευρωνικού δικτύου", Διπλωματική Εργασία, Σχολή Μηχανικών Ορυκτών Πόρων, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2024el

Διαθέσιμα αρχεία

Υπηρεσίες

Στατιστικά