CIWA – A web-based tool for automated irrigation management using intelligent plant canopy temperature identification techniques CIWA – A web-based tool for automated irrigation management using intelligent plant canopy temperature identification techniques CIWA - Ανάπτυξη διαδικτυακού εργαλείου για αυτοματοποιημένη διαχείριση άρδευσης με χρήση ευφυών τεχνικών αναγνώρισης θερμοκρασίας φυτικού θόλου Διπλωματική Εργασία Diploma Work 2020-11-272020enCanopy 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. Η 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.Προπτυχιακή διατριβή που υποβλήθηκε στη σχολή ΗΜΜΥ του Πολ. Κρήτης για την πλήρωση προϋποθέσεων λήψης του Διπλώματος Ηλεκτρολόγου Μηχανικού & Μηχανικού Υπολογιστών.http://creativecommons.org/licenses/by/4.0/Πολυτεχνείο Κρήτης::Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών ΥπολογιστώνPantelidakis_Minas_Dip_2020.pdfChania [Greece]Library of TUC2020-11-27application/pdf32.4 MBembargo Pantelidakis Minas Παντελιδακης Μηνας Chalkiadakis Georgios Χαλκιαδακης Γεωργιος Zervakis Michail Ζερβακης Μιχαηλ Panagopoulos Athanasios-Aris Παναγόπουλος Αθανάσιος-Άρης Πολυτεχνείο Κρήτης Technical University of Crete Semantic image segmentation Precision irrigation Crop water stress index Canopy temperature Convolutional neural networks Gaussian mixture models Histogram gradient thresholding Full stack engineering Microservices Docker Full-Resolution residual network DeepLabV3 Evotranspiration