1. Home page
  2. Search

Εφαρμογή Μηχανικής Μάθησης και Βαθιάς Μάθησης στη Διάγνωση Κινητήρων και Αναγνώριση Οδικών Σημάτων

This item is provided by the institution :
/aggregator-openarchives/portal/institutions/uoa   

Repository :
Pergamos Digital Library   

see the original item page
in the repository's web site and access all digital files if the item*



Εφαρμογή Μηχανικής Μάθησης και Βαθιάς Μάθησης στη Διάγνωση Κινητήρων και Αναγνώριση Οδικών Σημάτων
Γερόσταθος Πέτρος (EL)
Gerostathos Petros (EN)
born_digital_graduate_thesis
Πτυχιακή Εργασία (EL)
Graduate Thesis (EN)
2024
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)
Τεχνολογία – Πληροφορική
Τεχνολογία – Πληροφορική (EL)
Technology - Computer science (EN)
Greek
Σχολή Θετικών Επιστημών » Τμήμα Τεχνολογιών Ψηφιακής Βιομηχανίας
Βιβλιοθήκη και Κέντρο Πληροφόρησης » Βιβλιοθήκη Σχολής Αγροτικής Ανάπτυξης, Διατροφής και Αειφορίας
https://creativecommons.org/licenses/by-nc/4.0/
University of Athens
Pergamos Digital Library
Graduate Thesis



*Institutions are responsible for keeping their URLs functional (digital file, item page in repository site)