Please use this identifier to cite or link to this item: http://hdl.handle.net/10889/14822
Full metadata record
DC FieldValueLanguage
dc.contributor.authorΠουλινάκης, Κωνσταντίνος-
dc.contributor.otherPoulinakis, Konstantinos-
dc.date.accessioned2021-06-08T05:16:19Z-
dc.date.available2021-06-08T05:16:19Z-
dc.date.copyright2021-05-28-
dc.identifier.urihttp://hdl.handle.net/10889/14822-
dc.description.abstractΗ 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.el
dc.language.isogrel
dc.subjectΜηχανική μάθησηel
dc.subjectΥπολογιστική παρυφήςel
dc.subjectΝευρωνικά δίκτυαel
dc.subjectΑγροτική μηχανικήel
dc.titleΣύστημα edge computing για εφαρμογές μηχανικής μάθησης στην αγροτική μηχανικήel
dc.title.alternativeEdge computing system for machine learning applications in agricultural engineeringel
dc.description.translatedabstractEdge 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.el
dc.subject.alternativeMachine learningel
dc.subject.alternativeEdge computingel
dc.subject.alternativeNeural networksel
dc.subject.alternativeDeep learningel
dc.degreegraduateThesisel
datacite.relatedIdentifier.URLhttps://github.com/Poulinakis-Konstantinos/Deep-Learning-Plant-Disease-Detectorel
datacite.rightshttp://purl.org/coar/access_right/c_abf2el
oaire.licenseConditionhttps://creativecommons.org/licenses/by/4.0/el
datacite.contributor.SupervisorΜπίρμπας Αλέξιος-
Appears in Collections:Τμήμα Ηλεκτρολ. Μηχαν. και Τεχνολ. Υπολογ. (ΔΕ)



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