| Περίληψη : | Η ανίχνευση αντικειμένων μέσα από εικόνες ή βίντεο είναι πολύ σημαντική για την υπολογιστική όραση. Όταν αναφερόμαστε σε υποβρύχια ανίχνευση, προκύπτουν δυσκολίες ειδικά σε τομείς που μελετούν την αποκατάσταση και τη μείωση των επιπτώσεων στα είδη ψαριών που απειλούνται με εξαφάνιση. Ωστόσο, η τρέχουσα προσέγγιση ανίχνευσης αντικειμένων δεν ισχύει για το υποβρύχιο περιβάλλον όπου οι εικόνες μπορεί να μην είναι σε καλή ανάλυση ή να είναι σκοτεινές, επηρεάζοντας την πρόβλεψη των ψαριών. Η παρούσα διπλωματική παρουσιάζει ένα ολοκληρωμένο σύστημα που αναπτύχθηκε για την ανίχνευση ψαριών από υποβρύχιες εικόνες, με βάση την εφαρμογή μιας ειδικής πειραματικής διάταξης, η οποία μας προσφέρει όσο το δυνατόν περισσότερο ρεαλιστικές συνθήκες και μετρήσεις, καθώς και την ανάπτυξη και μέτρηση της απόδοσης δύο μοντέλων νευρωνικών δικτύων. Αρχικά, παρουσιάζεται η πειραματική διάταξη, η οποία ανήκει στον τομέα των υποβρύχιων ασύρματων δικτύων αισθητήρων, και αποτελείται από ένα κόμβο πομπό που φέρει αισθητήρες και έναν κόμβο δέκτη, που φέρει εκτός των αισθητήρων και κάμερα για τη λήψη υποβρύχιων εικόνων (frames) και την αποστολή τους στον υπολογιστή μας. Οι κόμβοι έχουν τη δυνατότητα ενσύρματης επικοινωνίας, επικοινωνίας μέσω ήχου, μέσω ραδιοσυχνοτήτων 433MHz και οπτικής επικοινωνίας. Τα πειράματα έδειξαν ότι είναι δυνατή η αποστολή δεδομένων και στις τέσσερις περιπτώσεις επικοινωνίας αλλά με περιορισμούς ανάλογα με τη φύση του νερού, την απόσταση και την κινητικότητα των κόμβων. Στη συνέχεια, παρουσιάζονται τα δύο μοντέλα νευρωνικών δικτύων που αναπτύχθηκαν, ένα απλό και ένα προ-εκπαιδευμένο μοντέλο ResNet50V2 με βάρη ImageNet που χρησιμοποιεί μεταφορά μάθησης. Τα πειράματα έδειξαν ότι το απλό μοντέλο με 15 epochs, data augmentation και learning rate 0,0005 είχε ακρίβεια 0,8900, εντοπίζοντας ένα μεγάλο ποσοστό ψαριών από frames, ενώ το ResNet50V2 με 8 epochs και data augmentation είχε ακρίβεια 1. και ήταν πολύ πιο ακριβές στην ανίχνευση ψαριών ακόμη και σε σκοτεινά frames κακής ανάλυσης και με πολλά αντικείμενα στο παρασκήνιο.
Object detection through images or videos is very important for computer vision. When we referring to underwater detection, difficulties arise, especially in areas that study the recovery and mitigation of endangered fish species. However, the current object detection approach does not apply to the underwater environment where images may not be in good resolution or dark, affecting fish prediction. The present Thesis includes an integrated system developed for fish detection from underwater images, based on the implementation of a special experimental layout, which offers us as much as possible realistic conditions and measurements, as well as in the implementation and measurement of the performance of two convolutional neural network model (CNNs). Firstly, the experimental layout is explained, which belongs to the field of underwater wireless sensor networks-UWSNs, and consists of a submarine wireless node transmitter sensor network, which includes other small sensors, and of a sink node receiver, including an audio sensor and a camera for taking underwater images (frames), and sending them to our computer. The nodes have the capability of wired communication, audio communication, communication through 433MHz radio frequencies and optical communication through 650 nm red laser beam. The experiments showed that it is possible to send data in all four cases of communication but with limitations depending on the nature of the water, distance and mobility of the nodes. Afterwards, it is introduced the way in which Deep Learning helps us to detect the presence or absence of fish depending on the imported camera frames. Two neural network models were developed, a simple and a pre-trained ResNet model with ImageNet weights that uses transfer learning, which models receive respectively from two datasets with fish (positive dataset) or without (negative dataset). The experiments showed that the simple model with 15 epochs, data augmentation and learning rate 0,0005 had 0.8900 accuracy, by detecting a large percentage of fish from frames, while ResNet50V2 model with 8 epochs and data augmentation had 1.0000 accuracy and was much more precise in successfully detecting fish even in dark frames of poor resolution and with multiple objects in the background.
|
|---|
Copyright © 2013 Βιβλιοθήκη Ο.Π.Α. Με την επιφύλαξη παντός δικαιώματος.