URI | http://purl.tuc.gr/dl/dias/C16C6609-D137-4772-90C2-1A6FE5946C7E | - |
Αναγνωριστικό | https://doi.org/10.26233/heallink.tuc.100771 | - |
Γλώσσα | el | - |
Μέγεθος | 3.2 megabytes | en |
Μέγεθος | 93 σελίδες | el |
Τίτλος | Αυτόματη ταξινόμηση ορυκτών μέσω υλοποίησης συνελικτικού νευρωνικού δικτύου | el |
Δημιουργός | Kyriakopoulos Dimitrios-Christos | en |
Δημιουργός | Κυριακοπουλος Δημητριος-Χρηστος | el |
Συντελεστής [Επιβλέπων Καθηγητής] | Partsinevelos Panagiotis | en |
Συντελεστής [Επιβλέπων Καθηγητής] | Παρτσινεβελος Παναγιωτης | el |
Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Christidis Georgios | en |
Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Χρηστιδης Γεωργιος | el |
Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Galetakis Michail | en |
Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Γαλετακης Μιχαηλ | el |
Εκδότης | Πολυτεχνείο Κρήτης | el |
Εκδότης | Technical University of Crete | en |
Ακαδημαϊκή Μονάδα | Technical University of Crete::School of Mineral Resources Engineering | en |
Ακαδημαϊκή Μονάδα | Πολυτεχνείο Κρήτης::Σχολή Μηχανικών Ορυκτών Πόρων | el |
Περιγραφή | Δημιούργηθηκε 26 Αυγούστου 2024 η διπλωματική εργασία για τις προϋποθέσεις λήψεις πτυχίου Μηχανικών Ορυκτών Πόρων | el |
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. | el |
Τύπος | Διπλωματική Εργασία | el |
Τύπος | Diploma Work | en |
Άδεια Χρήσης | http://creativecommons.org/licenses/by/4.0/ | en |
Ημερομηνία | 2024-08-30 | - |
Ημερομηνία Δημοσίευσης | 2024 | - |
Θεματική Κατηγορία | Ανάλυση εικόνας | el |
Θεματική Κατηγορία | Συνελικτικά νευρωνικά δίκτυα | el |
Θεματική Κατηγορία | Βαθιά μάθηση | el |
Θεματική Κατηγορία | Ταξινόμηση | el |
Θεματική Κατηγορία | Αναγνώριση ορυκτών | el |
Βιβλιογραφική Αναφορά | Δημήτριος-Χρήστος Κυριακόπουλος, "Αυτόματη ταξινόμηση ορυκτών μέσω υλοποίησης συνελικτικού νευρωνικού δικτύου", Διπλωματική Εργασία, Σχολή Μηχανικών Ορυκτών Πόρων, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2024 | el |