Please use this identifier to cite or link to this item:
Title: Σύστημα edge computing για εφαρμογές μηχανικής μάθησης στην αγροτική μηχανική
Other Titles: Edge computing system for machine learning applications in agricultural engineering
Authors: Πουλινάκης, Κωνσταντίνος
Keywords: Μηχανική μάθηση
Υπολογιστική παρυφής
Νευρωνικά δίκτυα
Αγροτική μηχανική
Keywords (translated): Machine learning
Edge computing
Neural networks
Deep learning
Abstract: Η υπολογιστική παρυφής προσφέρει πολλαπλά πλεονεκτήματα έναντι της αρχιτεκτονικής υπολογιστικού νέφους και επιτρέπει την υλοποίηση μοντέλων μηχανικής μάθησης σε πλη θώρα διαφορετικών εφαρμογών, είτε αυτές απαιτούν σύνδεση στο διαδίκτυο είτε όχι. Παρ'όλα αυτά, οι συσκευές υπολογιστικής παρυφής έχουν συνήθως μειωμένες υπολογιστικές ικανό τητες. Αυτό καθιστά την υλοποίηση και χρήση νευρωνικών δικτύων ως μία υπολογιστικά βαριά και αργή εργασία. Η παρούσα διπλωματική εργασία επικεντρώνεται σε τρόπους μέσω των οποίων μπορεί να επιταχυνθεί η λήψη αποφάσεων των νευρωνικών δικτύων με απώτερο σκοπό να υλοποιηθούν και να τρέξουν σε πραγματικό χρόνο σε μικροϋπολογιστή. Ιδιαίτερη έμφαση δίνεται στην εφαρμογή των μοντέλων μηχανικής μάθησης σε προβλήματα της αγρο τικής μηχανικής. Τα μοντέλα που σχεδιάζονται στην παρούσα εργασία λύνουν το πρόβλημα της αναγνώρισης φυτικών ασθενειών σε πραγματικό χρόνο χωρίς την ανάγκη για σύνδεση στο διαδίκτυο. Επιπρόσθετα υλοποιείται αλγόριθμος μηχανικής όρασης αναγνώρισης αντι κειμένων πάνω στον μικροϋπολογιστή, παρ'όλο που η ταχύτητα δεν είναι ιδανική λόγω των περιορισμών της υπολογιστικής δύναμης αυτού. Καθ'όλη την διάρκεια της εργασίας δοκι μάζονται και συγκρίνονται διαφορετικά μοντέλα και τεχνικές έχοντας πάντα υπόψη τους περιορισμούς που θέτει η χαμηλή υπολογιστική ικανότητα των συσκευών παρυφής.
Abstract (translated): Edge computing provides many advantages compared to cloud architectures and provides the opportunity to successfully deploy machine learning algorithms in a vast number of applications both online and offline. However edge devices usually have less computing power and resources, making neural network inference a heavy and slow task. This thesis focuses on ways through which inference at the edge can be accelerated, in order to successfully deploy real time machine learning models on a microcomputer. Special emphasis is placed on applying those models to agricultural purposes in a meaningful way. Models designed in this thesis solve the problem of plant disease detection in real time without the need for internet connection. Real time object detection is also achieved, albeit fps performance is not optimal. Different models and techniques have been considered and compared, while always respecting restrictions that appear due to low computing power.
Appears in Collections:Τμήμα Ηλεκτρολ. Μηχαν. και Τεχνολ. Υπολογ. (ΔΕ)

Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.