δείτε την πρωτότυπη σελίδα τεκμηρίου στον ιστότοπο του αποθετηρίου του φορέα για περισσότερες πληροφορίες και για να δείτε όλα τα ψηφιακά αρχεία του τεκμηρίου*
Εφαρμογή Μηχανικής Μάθησης και Βαθιάς Μάθησης στη Διάγνωση Κινητήρων και Αναγνώριση Οδικών Σημάτων
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.
(EL)
This thesis focuses on the application of machine learning and deep learning techniques
to two different problems: engine condition prediction and traffic sign recognition.
1. Engine Condition Prediction using MLP and SVM:Data from engine sensors were
used to predict its condition.Preprocessing involved category balancing through oversampling
and normalization using standard scaling. Two different models were
tested: a Multi-Layer Perceptron (MLP) and a Support Vector Machine (SVM).The
models’ hyperparameters were optimized using grid search and cross-validation,
achieving improved accuracy in predicting the engine condition.
2. Convolutional Neural Network (CNN) was trained to classify 12 different types of
traffic signs.Image preprocessing included conversion to grayscale, lighting normalization,
and data normalization to a 0-1 scale.The CNN was designed with multiple
convolutional and fully connected layers, and dropout was applied to improve generalization.
3. Model Evaluation for Traffic Signs:The trained CNN was evaluated on an independent
test set.The overall accuracy of the model and the individual success rates
for each type of sign were recorded, providing insights into its performance. This
thesis demonstrates that the application of these techniques is effective for prediction
and classification problems, highlighting the advantages of machine learning
and deep learning in industrial and everyday scenarios.
(EN)
*Η εύρυθμη και αδιάλειπτη λειτουργία των διαδικτυακών διευθύνσεων των συλλογών (ψηφιακό αρχείο, καρτέλα τεκμηρίου στο αποθετήριο) είναι αποκλειστική ευθύνη των αντίστοιχων Φορέων περιεχομένου.
Βοηθείστε μας να κάνουμε καλύτερο το OpenArchives.gr.
Εθνικό και Καποδιστριακό Πανεπιστήμιο Αθηνών
