Ιδρυματικό Αποθετήριο [SANDBOX]
Πολυτεχνείο Κρήτης
EN  |  EL

Αναζήτηση

Πλοήγηση

Ο Χώρος μου

CIWA - Ανάπτυξη διαδικτυακού εργαλείου για αυτοματοποιημένη διαχείριση άρδευσης με χρήση ευφυών τεχνικών αναγνώρισης θερμοκρασίας φυτικού θόλου

Pantelidakis Minas

Απλή Εγγραφή


URIhttp://purl.tuc.gr/dl/dias/D75328D6-C174-47A6-92ED-7B3FCD943C7C-
Αναγνωριστικόhttps://doi.org/10.26233/heallink.tuc.87605-
Γλώσσαen-
Μέγεθος32.4 megabytesen
Μέγεθος87 σελίδεςel
ΤίτλοςCIWA – A web-based tool for automated irrigation management using intelligent plant canopy temperature identification techniques en
ΤίτλοςCIWA - Ανάπτυξη διαδικτυακού εργαλείου για αυτοματοποιημένη διαχείριση άρδευσης με χρήση ευφυών τεχνικών αναγνώρισης θερμοκρασίας φυτικού θόλουel
ΔημιουργόςPantelidakis Minasen
ΔημιουργόςΠαντελιδακης Μηναςel
Συντελεστής [Επιβλέπων Καθηγητής]Chalkiadakis Georgiosen
Συντελεστής [Επιβλέπων Καθηγητής]Χαλκιαδακης Γεωργιοςel
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Zervakis Michailen
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Ζερβακης Μιχαηλel
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Panagopoulos Athanasios-Arisen
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Παναγόπουλος Αθανάσιος-Άρηςel
ΕκδότηςΠολυτεχνείο Κρήτηςel
ΕκδότηςTechnical University of Creteen
Ακαδημαϊκή ΜονάδαTechnical University of Crete::School of Electrical and Computer Engineeringen
Ακαδημαϊκή ΜονάδαΠολυτεχνείο Κρήτης::Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστώνel
ΠεριγραφήΠροπτυχιακή διατριβή που υποβλήθηκε στη σχολή ΗΜΜΥ του Πολ. Κρήτης για την πλήρωση προϋποθέσεων λήψης του Διπλώματος Ηλεκτρολόγου Μηχανικού & Μηχανικού Υπολογιστών.el
ΠερίληψηCanopy 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. en
ΠερίληψηΗ 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 αποτελέιται απο 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.el
ΤύποςΔιπλωματική Εργασίαel
ΤύποςDiploma Worken
Άδεια Χρήσηςhttp://creativecommons.org/licenses/by/4.0/en
Ημερομηνία2020-11-27-
Ημερομηνία Δημοσίευσης2020-
Θεματική ΚατηγορίαSemantic image segmentationen
Θεματική ΚατηγορίαPrecision irrigationen
Θεματική ΚατηγορίαCrop water stress indexen
Θεματική ΚατηγορίαCanopy temperatureen
Θεματική ΚατηγορίαConvolutional neural networksen
Θεματική ΚατηγορίαGaussian mixture modelsen
Θεματική ΚατηγορίαHistogram gradient thresholdingen
Θεματική ΚατηγορίαFull stack engineeringen
Θεματική ΚατηγορίαMicroservicesen
Θεματική ΚατηγορίαDockeren
Θεματική ΚατηγορίαFull-Resolution residual networken
Θεματική ΚατηγορίαDeepLabV3en
Θεματική ΚατηγορίαEvotranspirationen
Βιβλιογραφική ΑναφοράMinas Pantelidakis, "CIWA – A web-based tool for automated irrigation management using intelligent plant canopy temperature identification techniques ", Diploma Work, School of Electrical and Computer Engineering, Technical University of Crete, Chania, Greece, 2020en
Βιβλιογραφική ΑναφοράΜηνάς Παντελιδάκης, "CIWA - Ανάπτυξη διαδικτυακού εργαλείου για αυτοματοποιημένη διαχείριση άρδευσης με χρήση ευφυών τεχνικών αναγνώρισης θερμοκρασίας φυτικού θόλου", Διπλωματική Εργασία, Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2020el

Διαθέσιμα αρχεία

Υπηρεσίες

Στατιστικά