Μονάδα:
Τμήμα Τεχνολογιών Ψηφιακής ΒιομηχανίαςΒιβλιοθήκη Σχολής Αγροτικής Ανάπτυξης, Διατροφής και Αειφορίας
Ημερομηνία κατάθεσης:
2024-07-21
Συγγραφέας:
Γερόσταθος Πέτρος
Στοιχεία επιβλεπόντων καθηγητών:
Γεώργιος Αλεξανδρίδης, Επίκουρος Καθηγητής, Τμήμα Τεχνολογιών Ψηφιακής Βιομηχανίας, Εθνικό και Καποδιστριακό Πανεπιστήμιο Αθηνών.
Πρωτότυπος Τίτλος:
Εφαρμογή Μηχανικής Μάθησης και Βαθιάς Μάθησης στη Διάγνωση Κινητήρων και Αναγνώριση Οδικών Σημάτων
Γλώσσες εργασίας:
Ελληνικά
Μεταφρασμένος τίτλος:
Εφαρμογή Μηχανικής Μάθησης και Βαθιάς Μάθησης στη Διάγνωση Κινητήρων και Αναγνώριση Οδικών Σημάτων
Περίληψη:
Η παρούσα εργασία ασχολείται με την εφαρμογή τεχνικών μηχανικής μάθησης και βαθιάς
μάθησης για δύο διαφορετικά προβλήματα. Την πρόβλεψη της κατάστασης ενός κινητήρα
και την αναγνώριση οδικών σημάτων.
1. Πρόβλεψη κατάστασης κινητήρα με MLP και SVM: Χρησιμοποιήθηκαν δεδομένα
από κινητήρα για να προβλεφθεί η κατάστασή του. Μετά από επεξεργασία που
περιλάμβανε την εξισορρόπηση των κατηγοριών μέσω oversampling και κανονικο-
ποίηση με standard scaling, δοκιμάστηκαν δύο διαφορετικά μοντέλα: ένα Πολυεπί-
πεδο Νευρωνικό Δίκτυο (MLP) και ένας Υποστηρικτικός Διανυσματικός Μηχανισμός
(SVM).Οι υπερπαράμετροι των μοντέλων βελτιστοποιήθηκαν μέσω grid search και
cross-validation, επιτυγχάνοντας βελτιωμένη ακρίβεια στην πρόβλεψη της κατάστα-
σης του κινητήρα.
2. Αναγνώριση οδικών σημάτων με CNN: Εκπαιδεύτηκε ένα Convolutional Neural
Network (CNN) για την ταξινόμηση 12 διαφορετικών τύπων οδικών σημάτων. Προη-
γήθηκε προεπεξεργασία εικόνων, περιλαμβάνοντας μετατροπή σε ασπρόμαυρη, εξί-
σωση φωτισμού, και κανονικοποίηση των δεδομένων σε 0-1. Το CNN σχεδιάστηκε
με πολλαπλά επίπεδα συνελικτικών και πλήρως συνδεδεμένων στρωμάτων, ενώ
εφαρμόστηκε dropout για τη βελτίωση της γενίκευσης.
3. Αξιολόγηση του μοντέλου για οδικά σήματα:Το εκπαιδευμένο CNN αξιολογήθηκε
σε ένα ανεξάρτητο σύνολο δοκιμής. Η συνολική ακρίβεια του μοντέλου και τα επιμέ-
ρους ποσοστά επιτυχίας για κάθε τύπο σήματος καταγράφηκαν, παρέχοντας πλη-
ροφορίες για την απόδοσή του. Η εργασία αποδεικνύει πως η εφαρμογή αυτών των
τεχνικών είναι αποτελεσματική σε προβλήματα πρόβλεψης και ταξινόμησης, αναδει-
κνύοντας τα πλεονεκτήματα της μηχανικής μάθησης και βαθιάς μάθησης σε βιομη-
χανικά και καθημερινά σενάρια.
Κύρια θεματική κατηγορία:
Τεχνολογία – Πληροφορική
Λέξεις-κλειδιά:
Μηχανική Μάθηση, Τεχνητή Νοημοσύνη, Κινητήρες Αυτοκινήτων, Οδικά Σήματα, Διάγνωση Προβλημάτων, Πρόληψη Συντήρησης, Αυτοκινητοβιομηχανία
Αρ. σελίδων ευρετηρίου:
0
Αρ. βιβλιογραφικών αναφορών:
0
