Κατάλογος Εκδηλώσεων

ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Πρόγραμμα Προπτυχιακών Σπουδών

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Ιωάννη Σκουρολιάκου

με θέμα

Εντοπισμός Ηλιόφωτων Φύλλων Εσπεριδοειδών με Αξιοποίηση Συνελικτικών Νευρωνικών Δικτύων

Identifying Sunlit Citrus Leaves Using Convolutional Neural Networks

Εξεταστική Επιτροπή

Καθηγητής Γεώργιος Χαλκιαδάκης (επιβλέπων)
Καθηγητής Μιχαήλ Λαγουδάκης
Αναπληρωτής Καθηγητής Αθανάσιος (Άρης) Παναγόπουλος Πανεπιστήμιο Πολιτείας της Καλιφόρνιας, Τμήμα Επιστήμης Υπολογιστών, Φρέσνο

Περίληψη

Η παρούσα διπλωματική εργασία διερευνά την αυτόματη αναγνώριση ηλιόλουστων φύλλων σε δενδροκαλλιέργειες εσπεριδοειδών μέσω τεχνικών βαθιάς μάθησης για σημασιολογική τμηματοποίηση εικόνας (semantic segmentation). Η ακριβής ανίχνευση των ηλιόλουστων
φύλλων αποτελεί κρίσιμο βήμα για την εκτίμηση του Δείκτη Υδατικού Στρες Καλλιέργειας (Crop Water Stress Index - CWSI), ο οποίος χρησιμοποιείται ευρέως σε συστήματα γεωργίας ακριβείας και διαχείρισης άρδευσης. Για τον σκοπό αυτό, δημιουργήθηκε ένα
νέο σύνολο δεδομένων αποτελούμενο από 633 χειροκίνητα επισημασμένες εικόνες πορτοκαλιών, οι οποίες καλύπτουν διαφορετικές συνθήκες φωτισμού, πυκνότητες κόμης και γωνίες λήψης. Αξιολογήθηκαν πέντε σύγχρονες αρχιτεκτονικές σημασιολογικής τμηματοποίησης, συμπεριλαμβανομένων τριών Συνελικτικών Νευρωνικών Δικτύων (FCN, FRRN-A & FC-DenseNet103) και δύο μοντέλων βασισμένων σε Vision Transformers (SegFormer & Mask2Former).
Τα μοντέλα εκπαιδεύτηκαν και αξιολογήθηκαν χρησιμοποιώντας καθιερωμένες μετρικές σημασιολογικής τμηματοποίησης, όπως η Ακρίβεια Ταξινόμησης (Accuracy), η Θετική Προγνωστική Αξία (Precision), η Ανάκληση (Recall), ο δείκτης F1 και ο δείκτης Επικάλυψης Περιοχών (Intersection over Union - IoU). Τα πειραματικά αποτελέσματα έδειξαν ότι τα μοντέλα Vision Transformer πέτυχαν τη συνολικά καλύτερη απόδοση, με το Mask2Former να παρουσιάζει την υψηλότερη Accuracy (91,19%), F1 Score (85,79%) & IoU (76,16%).
Ωστόσο, το FRRN-A κατέγραψε την υψηλότερη τιμή Precision (86,35%) μεταξύ όλων των εξεταζόμενων μοντέλων. Δεδομένου ότι ο τελικός στόχος της εφαρμογής είναι η αξιόπιστη εκτίμηση του CWSI, η μετρική Precision θεωρείται ιδιαίτερα σημαντική, καθώς οι ψευδώς θετικές προβλέψεις μπορούν να ταξινομήσουν λανθασμένα σκιασμένα φύλλα ως ηλιόλουστα, επηρεάζοντας αρνητικά τους υπολογισμούς της θερμοκρασίας της κόμης και, κατ’ επέκταση, τις αποφάσεις άρδευσης.
Τα αποτελέσματα καταδεικνύουν ότι τόσο οι αρχιτεκτονικές CNN όσο και οι αρχιτεκτονικές Vision Transformer είναι ιδιαίτερα αποτελεσματικές για την τμηματοποίηση ηλιόλουστων φύλλων σε καλλιέργειες εσπεριδοειδών. Παράλληλα, αναδεικνύεται η σημασία της επιλογής κατάλληλων μετρικών αξιολόγησης σύμφωνα με τις απαιτήσεις της εκάστοτε γεωργικής εφαρμογής. Το προτεινόμενο σύνολο δεδομένων και τα ευρήματα της μελέτης συμβάλλουν στην ανάπτυξη αυτοματοποιημένων συστημάτων παρακολούθησης καλλιεργειών και υποστηρίζουν τη μελλοντική έρευνα στον τομέα της γεωργίας ακριβείας και της βιώσιμης διαχείρισης υδατικών πόρων.

Abstract 

This thesis investigates the automatic identification of sunlit leaves in citrus tree canopies using deep learning techniques for semantic segmentation. Accurate detection of sunlit foliage is a critical step in estimating the Crop Water Stress Index (CWSI), a key indicator used in precision irrigation systems. To support this objective, a new dataset consisting of 633 manually annotated images of orange trees was developed under diverse illumination conditions, canopy densities, and viewing perspectives. Five state-of-theart semantic segmentation architectures were evaluated, including three Convolutional Neural Networks (FCN, FRRN-A, and FC-DenseNet103) and two Vision Transformerbased models (SegFormer and Mask2Former).
The models were trained and tested using standard semantic segmentation metrics, namely Accuracy, Precision, Recall, F1 Score, and Intersection over Union (IoU). Experimental results show that the Vision Transformer models achieved the highest overall segmentation performance, with Mask2Former obtaining the best Accuracy (91.19%), F1 Score (85.79%), and IoU (76.16%). However, FRRN-A achieved the highest Precision (86.35%) among all evaluated models. Since the intended application is CWSI estimation, precision is considered particularly important because false positive predictions may incorrectly classify shaded leaves as sunlit, potentially leading to inaccurate
canopy temperature measurements and irrigation decisions.
The results demonstrate that both CNN-based and Transformer-based architectures are highly effective for sunlit-leaf segmentation in citrus crops, while highlighting the importance of selecting evaluation metrics according to the requirements of the agricultural application. The developed dataset and experimental findings contribute to the advancement of automated crop monitoring systems and support future research in precision agriculture and water resource management.