Εφαρμογή νευρωνικού δικτύου στην ταυτοποίση και χαρτογράφηση αντικειμένων με χρήση μη επανδρωμένου αεροσκάφους

Abstract

Η παρούσα μεταπτυχιακή διατριβή με τίτλο «Εφαρμογή νευρωνικού δικτύου στη ταυτοποίηση και χαρτογράφηση αντικειμένων με χρήση Μη επανδρωμένου αεροσκάφους» έχει σκοπό τη διαδικασία εκπαίδευσης ενός συνελικτικού νευρωνικού δικτύου, το οποίο αναλαμβάνει τον ρόλο να πραγματοποιεί την ταυτοποίηση και την χαρτογράφηση της θέσης των αντικειμένων μέσω ροής βίντεο ή απλής φωτογραφίας, σε πραγματικό χρόνο από Μη επανδρωμένο αεροσκάφος (στην περίπτωσή μας drone). Με συνδυασμό του τροποποιημένου νευρωνικού δικτύου YOLO και της ροής βίντεο από το drone που χρησιμοποιήθηκε, μπορέσαμε να αγγίξουμε μια ταχύτητα επεξεργασίας ροής βίντεο της τάξης των 17-22 fps, ταχύτητα που αγγίζει τον πραγματικό χρόνο, καθώς και να πραγματοποιείτε η καταγραφή της θέσης των αντικειμένων που ανιχνεύονται. Η εργασία αυτή αποτελείται από 4 κεφάλαια : Στο πρώτο κεφάλαιο, αναλύεται η έννοια και η δομή ενός νευρωνικού δικτύου, τόσο θεωρητικά όσο και μαθηματικά. Γίνεται, επίσης, αναφορά και στα στάδια λειτουργίας ενός νευρωνικού δικτύου. Στο δεύτερο κεφάλαιο, αρχικά περιγράφεται το πώς μεταβήκαμε από την απλή ταξινόμηση των εικόνων στην αναγνώριση αντικειμένων. Στη συνέχεια, γίνεται ανάλυση της διαδικασίας ταξινόμησης. Στο τρίτο κεφάλαιο, αφού αναφερθεί και σχολιασθεί το λογισμικό που χρησιμοποιήθηκε γίνεται ανάλυση όλων των μέσων και του εξοπλισμού που χρησιμοποιήθηκε αλλά και η διαδικασία της εκπαίδευσης και τροποποίησης του νευρωνικού δικτύου. Στο τέταρτο κεφάλαιο, παρουσιάζονται αρχικά συμπεράσματα που προέκυψαν και ολοκληρώνοντας, υπάρχουν προτάσεις για μελλοντική ανάπτυξη και περαιτέρω εφαρμογή του δικτύου.

This postgraduate dissertation titled "Neural Network Implementation in the Identification and Mapping of Objects using Unmanned Aircraft Vehicle" aims at the training of a convolutional neural network, which enables the identification and mapping of object location via photography or real-time video stream from an unmanned aircraft vehicle (UAV), in our case a drone. By combining the modified YOLO neural network and the video stream from the drone, we were able to reach a video stream processing rate of 17-22 fps, a speed near real time, as well as capture the position of the objects that are detected. This dissertation consists of 4 chapters: The first chapter analyzes the concept and structure of a neural network, both theoretically and mathematically. Reference is also made to the different stages of a neural network. In the second chapter, we first describe how we have switched from simple sorting of images to object recognition. The classification process is then analyzed. The third chapter, after reporting and commenting on the software used, follows an analysis of all the tools and equipment used, as well as the process of education and modification of the neural network we made. The fourth chapter presents the conclusions that have been reached, following proposals for future development and further implementation of the network.