Tool for automatic image segmentation and analysis of pollen grains
| dc.contributor.advisor | Vidakis, Nikolaos | en |
| dc.contributor.advisor | Βιδάκης, Νικόλαος | el |
| dc.contributor.author | Kontoulis, Vasileios | en |
| dc.contributor.author | Κοντούλης, Βασίλειος | el |
| dc.date.accessioned | 2024-04-08T11:00:48Z | |
| dc.date.available | 2024-04-08T11:00:48Z | |
| dc.date.issued | 2024-04-08 | |
| dc.description.abstract | Beekeeping is a dynamic branch of Greek animal production, employing many beekeepers who produce significant amounts of honey. Due to various changes in the percentage of characteristics of pollen grains and limit values, it is hard to determine the botanical and geographic identity of pure honey categories, requiring continuous updates on the specifications. There is a need for new methodologies in the classification of the botanical and geographical origins of honey. Αn in-depth study of their biological actions is required to highlight their bioactive characteristics and establish a documented high nutritional value. Additionally, a collaborative platform for researchers to upload images of pollen grains can provide an accessible and efficient means for identification and analysis. This thesis proposes a web application for automatic image segmentation and analysis of pollen grains. The proposed tool allows users to upload images and execute the classification and identification of Greek pollen grains through machine-learning algorithms. To that end, this web application, serving as a tool for analysis, can communicate and wrap the functionality of third-party scripts that execute the machine learning algorithms. The application supplies the input data and gathers the results that later on are presented to the users through a REST API. The machine learning algorithms developed for this thesis using the openly accessible Cretan Pollen Dataset v1 (CPD-1) can achieve an impressive overall detection accuracy of 92%. The ultimate goal is to highlight the uniqueness of Greek honey and secure its identity, thereby enhancing its circulation both in the domestic and international markets. | en |
| dc.description.abstract | Η μελισσοκομία είναι ένας δυναμικός κλάδος της ελληνικής ζωικής παραγωγής, που απασχολεί πολλούς μελισσοκόμους που παράγουν σημαντικές ποσότητες μελιού. Λόγω των διαφόρων αλλαγών στο ποσοστό των χαρακτηριστικών των γυρεόκοκκων και των οριακών τιμών, είναι δύσκολο να προσδιοριστεί η βοτανική και γεωγραφική ταυτότητα των κατηγοριών αμιγούς μελιού, κάτι που απαιτεί συνεχείς ενημερώσεις στις προδιαγραφές. Υπάρχει ανάγκη για νέες μεθοδολογίες στην ταξινόμηση της βοτανικής και γεωγραφικής προέλευσης του μελιού. Επιπρόσθετα, απαιτείται μια σε βάθος μελέτη των βιολογικών τους δράσεων για την ανάδειξη των βιοδραστικών τους χαρακτηριστικών και την τεκμηριωμένη υψηλή διατροφική τους αξία. Επιπλέον, μια συνεργατική πλατφόρμα για τους ερευνητές για να ανεβάσουν εικόνες κόκκων γύρης μπορεί να προσφέρει ένα προσιτό και αποτελεσματικό μέσο για αναγνώριση και ανάλυση. Αυτή η διατριβή προτείνει μια διαδικτυακή εφαρμογή για αυτόματη κατάτμηση εικόνας και ανάλυση κόκκων γύρης. Το προτεινόμενο εργαλείο επιτρέπει στους χρήστες να ανεβάζουν εικόνες και να εκτελούν την ταξινόμηση και αναγνώριση των ελληνικών γυρεόκοκκων μέσω αλγορίθμων μηχανικής μάθησης. Για το σκοπό αυτό, αυτή η εφαρμογή Ιστού, που χρησιμεύει ως εργαλείο ανάλυσης, μπορεί να επικοινωνεί και να αναδιπλώνει τη λειτουργικότητα σεναρίων τρίτων που εκτελούν τους αλγόριθμους μηχανικής εκμάθησης. Η εφαρμογή παρέχει τα δεδομένα εισόδου και συγκεντρώνει τα αποτελέσματα που αργότερα παρουσιάζονται στους χρήστες μέσω ενός REST API. Οι αλγόριθμοι μηχανικής μάθησης που αναπτύχθηκαν για αυτήν τη διατριβή χρησιμοποιώντας το ανοιχτά προσβάσιμο Cretan Pollen Dataset v1 (CPD-1) μπορούν να επιτύχουν μια εντυπωσιακή συνολική ακρίβεια ανίχνευσης 92%. Απώτερος στόχος είναι η ανάδειξη της μοναδικότητας του ελληνικού μελιού και η διασφάλιση της ταυτότητάς του, ενισχύοντας έτσι την κυκλοφορία του τόσο στην εγχώρια όσο και στη διεθνή αγορά. | el |
| dc.identifier.uri | https://apothesis.hmu.gr/handle/123456789/10974 | |
| dc.language.iso | en | |
| dc.publisher | ΕΛΜΕΠΑ, Σχολή Μηχανικών (ΣΜΗΧ), ΠΜΣ Μηχανικών Πληροφορικής | |
| dc.rights | Attribution-NonCommercial-NoDerivs 3.0 United States | en |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/us/ | |
| dc.subject | machine learning | |
| dc.subject | image segmentation | |
| dc.subject | pollen grains | |
| dc.subject | μηχανική μάθηση | |
| dc.subject | κατάτμηση εικόνας | |
| dc.subject | κόκκοι γύρης | |
| dc.title | Tool for automatic image segmentation and analysis of pollen grains | en |
| dc.title | Εργαλείο αυτόματης τμηματοποίησης εικόνας και ανάλυση γυρεόκοκκων | el |
| dc.type | Μεταπτυχιακή Διατριβή | |
| heal.academicPublisherID | ΕΛΜΕΠΑ Ελληνικό Μεσογειακό Πανεπιστήμιο |
Αρχεία
Πρωτότυπος φάκελος/πακέτο
1 - 1 of 1
Φόρτωση...
- Ονομα:
- KontoulisVasileios2023.pdf
- Μέγεθος:
- 1.52 MB
- Μορφότυπο:
- Adobe Portable Document Format
Φάκελος/Πακέτο αδειών
1 - 1 of 1
Δεν υπάρχει διαθέσιμη μικρογραφία
- Ονομα:
- license.txt
- Μέγεθος:
- 2.17 KB
- Μορφότυπο:
- Item-specific license agreed upon to submission
- Περιγραφή: