BEGIN:VCALENDAR VERSION:2.0 PRODID:-//TUC//Events//EN CALSCALE:GREGORIAN BEGIN:VTIMEZONE TZID:Europe/Athens TZNAME:EEST DTSTART:19700329T030000 RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=3 BEGIN:STANDARD TZOFFSETFROM:+0200 TZOFFSETTO:+0300 TZNAME:EET DTSTART:19701025T040000 RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=10 END:STANDARD END:VTIMEZONE BEGIN:VEVENT CREATED:20260701T083652Z LAST-MODIFIED:20260701T083652Z DTSTAMP:20260719T215912Z UID:1784487552@tuc.gr SUMMARY:Παρουσίαση διπλωματικής εργασίας κ. Ιωάννη Σκουρολιάκου - Σχολή ΗΜΜΥ LOCATION: DESCRIPTION:https://www.ece.tuc.gr/el/katalogos- ekdiloseon?tx_tucevents2_tuceventsdi splay%5Baction%5D=show&tx_tucevents2 _tuceventsdisplay%5Bcontroller%5D=Ev ent&tx_tucevents2_tuceventsdisplay%5 Bevent%5D=8514&cHash=2dba34244f6659a a05ef4a7da2fa02d3\nΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗ Σ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\n Πρόγραμμα Π ροπτυχιακών Σπουδών\n ΠΑΡΟΥΣΙΑΣΗ ΔΙΠ ΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Ιωάννη Σκουρολι άκου\n με θέμα\n Εντοπισμός Ηλιόφωτω ν Φύλλων Εσπεριδοειδών με Αξιοποίηση Συνελικτικών Νευρωνικών Δικτύων\n I dentifying Sunlit Citrus Leaves Usin g Convolutional Neural Networks\n Εξ εταστική Επιτροπή\n Καθηγητής Γεώργι ος Χαλκιαδάκης (επιβλέπων)\n Καθηγητ ής Μιχαήλ Λαγουδάκης\n Αναπληρωτής Κ αθηγητής Αθανάσιος (Άρης) Παναγόπουλ ος Πανεπιστήμιο Πολιτείας της Καλιφό ρνιας, Τμήμα Επιστήμης Υπολογιστών, Φρέσνο\n Περίληψη\n Η παρούσα διπλωμ ατική εργασία διερευνά την αυτόματη αναγνώριση ηλιόλουστων φύλλων σε δεν δροκαλλιέργειες εσπεριδοειδών μέσω τ εχνικών βαθιάς μάθησης για σημασιολο γική τμηματοποίηση εικόνας (semantic segmentation). Η ακριβής ανίχνευση των ηλιόλουστων\n φύλλων αποτελεί κρ ίσιμο βήμα για την εκτίμηση του Δείκ τη Υδατικού Στρες Καλλιέργειας (Crop Water Stress Index - CWSI), ο οποίο ς χρησιμοποιείται ευρέως σε συστήματ α γεωργίας ακριβείας και διαχείρισης άρδευσης. Για τον σκοπό αυτό, δημιο υργήθηκε ένα\n νέο σύνολο δεδομένων αποτελούμενο από 633 χειροκίνητα επι σημασμένες εικόνες πορτοκαλιών, οι ο ποίες καλύπτουν διαφορετικές συνθήκε ς φωτισμού, πυκνότητες κόμης και γων ίες λήψης. Αξιολογήθηκαν πέντε σύγχρ ονες αρχιτεκτονικές σημασιολογικής τ μηματοποίησης, συμπεριλαμβανομένων τ ριών Συνελικτικών Νευρωνικών Δικτύων (FCN, FRRN-A & FC-DenseNet103) και δύο μοντέλων βασισμένων σε Visio n Transformers (SegFormer & Mask 2Former).\n Τα μοντέλα εκπαιδεύτηκαν και αξιολογήθηκαν χρησιμοποιώντας κ αθιερωμένες μετρικές σημασιολογικής τμηματοποίησης, όπως η Ακρίβεια Ταξι νόμησης (Accuracy), η Θετική Προγνωσ τική Αξία (Precision), η Ανάκληση (R ecall), ο δείκτης F1 και ο δείκτης Ε πικάλυψης Περιοχών (Intersection ove r Union - IoU). Τα πειραματικά αποτε λέσματα έδειξαν ότι τα μοντέλα Visio n Transformer πέτυχαν τη συνολικά κα λύτερη απόδοση, με το Mask2Former να παρουσιάζει την υψηλότερη Accuracy (91,19%), F1 Score (85,79%) & Io U (76,16%).\n Ωστόσο, το FRRN-A κατέ γραψε την υψηλότερη τιμή Precision ( 86,35%) μεταξύ όλων των εξεταζόμενων μοντέλων. Δεδομένου ότι ο τελικός σ τόχος της εφαρμογής είναι η αξιόπιστ η εκτίμηση του CWSI, η μετρική Preci sion θεωρείται ιδιαίτερα σημαντική, καθώς οι ψευδώς θετικές προβλέψεις μ πορούν να ταξινομήσουν λανθασμένα σκ ιασμένα φύλλα ως ηλιόλουστα, επηρεάζ οντας αρνητικά τους υπολογισμούς της θερμοκρασίας της κόμης και, κατ’ επ έκταση, τις αποφάσεις άρδευσης.\n Τα αποτελέσματα καταδεικνύουν ότι τόσο οι αρχιτεκτονικές CNN όσο και οι αρ χιτεκτονικές Vision Transformer είνα ι ιδιαίτερα αποτελεσματικές για την τμηματοποίηση ηλιόλουστων φύλλων σε καλλιέργειες εσπεριδοειδών. Παράλληλ α, αναδεικνύεται η σημασία της επιλο γής κατάλληλων μετρικών αξιολόγησης σύμφωνα με τις απαιτήσεις της εκάστο τε γεωργικής εφαρμογής. Το προτεινόμ ενο σύνολο δεδομένων και τα ευρήματα της μελέτης συμβάλλουν στην ανάπτυξ η αυτοματοποιημένων συστημάτων παρακ ολούθησης καλλιεργειών και υποστηρίζ ουν τη μελλοντική έρευνα στον τομέα της γεωργίας ακριβείας και της βιώσι μης διαχείρισης υδατικών πόρων.\n Ab stract \n This thesis investigates t he automatic identification of sunli t leaves in citrus tree canopies usi ng deep learning techniques for sema ntic segmentation. Accurate detectio n of sunlit foliage is a critical st ep in estimating the Crop Water Stre ss Index (CWSI), a key indicator use d in precision irrigation systems. T o support this objective, a new data set consisting of 633 manually annot ated images of orange trees was deve loped under diverse illumination con ditions, canopy densities, and viewi ng perspectives. Five state-of-thear t semantic segmentation architecture s were evaluated, including three Co nvolutional Neural Networks (FCN, FR RN-A, and FC-DenseNet103) and two Vi sion Transformerbased models (SegFor mer and Mask2Former).\n The models w ere trained and tested using standar d semantic segmentation metrics, nam ely Accuracy, Precision, Recall, F1 Score, and Intersection over Union ( IoU). Experimental results show that the Vision Transformer models achie ved the highest overall segmentation performance, with Mask2Former obtai ning the best Accuracy (91.19%), F1 Score (85.79%), and IoU (76.16%). Ho wever, FRRN-A achieved the highest P recision (86.35%) among all evaluate d models. Since the intended applica tion is CWSI estimation, precision i s considered particularly important because false positive predictions m ay incorrectly classify shaded leave s as sunlit, potentially leading to inaccurate\n canopy temperature meas urements and irrigation decisions.\n The results demonstrate that both C NN-based and Transformer-based archi tectures are highly effective for su nlit-leaf segmentation in citrus cro ps, while highlighting the importanc e of selecting evaluation metrics ac cording to the requirements of the a gricultural application. The develop ed dataset and experimental findings contribute to the advancement of au tomated crop monitoring systems and support future research in precision agriculture and water resource mana gement.\n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20260710T190000 DTEND:20260710T200000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT END:VCALENDAR