Σκοπός αυτής της εργασίας είναι να μελετήσει ένα συγκεκριμένο πρόβλημα ανίχνευσης αντικειμένων, δηλαδή να αναπτύξει ένα πλήρες σύστημα, ικανό να ανιχνεύσει καλλιέργειες και ζιζάνια σε ένα σύνολο εικόνων χωραφιού. Χρησιμοποιήθηκε το Tensorflow object detection api, το οποίο έχει εκδημοκρατίσει το πεδίο της ανίχνευσης αντικειμένων, διαθέτοντας τον ερευνητικό κώδικα της Google. Οι βασικές έννοιες στην ανίχνευση αντικειμένων παρουσιάζονται, μαζί με δύο δημοφιλείς προσεγγίσεις, που αναφέρονται συνήθως στη σχετική βιβλιογραφία, συγκεκριμένα η Single Shot Detector και η Faster R-CNN. Στη συνέχεια, δείχνουμε τα βήματα για τη δημιουργία ενός συνόλου δεδομένων εικόνας, έτοιμου για χρήση στο api. Στη συνέχεια, παρουσιάζουμε τα πειραματικά αποτελέσματα, παρέχοντας κάποιες παρατηρήσεις σχετικά με την όλη διαδικασία. Συμπεραίνουμε ότι τα μοντέλα SSD φαίνεται να είναι ταχύτερα, ενώ τα Faster R-CNN τείνουν να πετυχαίνουν υψηλότερες επιδόσεις ως προς την ακρίβεια, καθιστώντας την επιλογή της καλύτερης προσέγγισης να εξαρτάται από τις συγκεκριμένες ανάγκες και προδιαγραφές της κάθε εφαρμογής.
(EL)
The purpose of this thesis is to study a specific object detection task, namely to develop an end-to-end pipeline, able to detect crop and weed instances in a field imagery dataset. Tensorflow Object Detection API was utilized, which has democratized the object detection field by making research code developed at Google available. Object detection key concepts along with two state-of-art approaches, commonly referred in the relevant bibliography, the Single Shot Detector and the Faster R-CNN, are presented. Afterwards, we demonstrate the steps to create an image dataset ready to be used in the API. We then present the experimental results, providing some remarks about the whole task. We find out that the SSD models seem to be faster, while Faster R-CNN tend to achieve a higher performance, making the choice of the best approach to be a matter of each specific application needs.
(EN)
Οικονομικό Πανεπιστήμιο Αθηνών
