Συστήματα ευρετηρίασης και ανάκτηση βίντεο με χρήση προηγμένων μοντέλων μηχανικής μάθησης.
Φόρτωση...
Ημερομηνία
2026-06-11
Συγγραφείς
Τίτλος Εφημερίδας
Περιοδικό ISSN
Τίτλος τόμου
Εκδότης
ΕΛΜΕΠΑ, Σχολή Επιστημών Διοίκησης και Οικονομίας (ΣΕΔΟ), Τμήμα Διοικητικής Επιστήμης και Τεχνολογίας
Επιβλέπων
Περίληψη
Η παρούσα πτυχιακή εργασία πραγματεύεται την ανάπτυξη ενός αυτοματοποιημένου συστήματος ευρετηρίασης και ανάκτησης βίντεο, με στόχο την ταχεία εξαγωγή και διαχείριση οπτικής πληροφορίας. Μεθοδολογικά, το σύστημα αξιοποιεί τον αλγόριθμο μηχανικής μάθησης YOLOv8 για τον εντοπισμό αντικειμένων σε πραγματικό χρόνο. Για την εξάλειψη του πλεονασμού δεδομένων, υλοποιήθηκε ένας μηχανισμός χρονικής ομαδοποίησης, ο οποίος συμπιέζει όμοια διαδοχικά καρέ αποθηκεύοντας τα σε μια βάση δεδομένων SQL. Η αλληλεπίδραση επιτυγχάνεται μέσω μιας Web πλατφόρμας, η οποία προσφέρει δυναμική οπτικοποίηση και ενσωματώνει ευφυή ασαφή αναζήτηση, διορθώνοντας αυτόματα τα σφάλματα του χρήστη. Από τις δοκιμές σε πραγματικά σενάρια, συμπεραίνεται ότι το σύστημα διαχειρίζεται αποδοτικά μεγάλους όγκους δεδομένων, μειώνοντας δραστικά τον αποθηκευτικό χώρο και εξασφαλίζοντας υψηλή ακρίβεια και ανθεκτικότητα κατά την ανάκτηση της σημασιολογικής πληροφορίας.
This thesis presents the development of an automated video indexing and retrieval system, aiming at the rapid extraction and management of visual information. Methodologically, the system utilizes the YOLOv8 machine learning algorithm for real-time object detection. To eliminate data redundancy, a temporal segmentation mechanism was implemented, compressing identical consecutive frames and storing them in a SQL database. User interaction is achieved through a web platform that offers dynamic visualization and integrates an intelligent fuzzy search, automatically correcting user input errors. Tests conducted on realworld scenarios conclude that the system efficiently manages big amounts of data, drastically reducing storage space while ensuring high accuracy and resilience during the retrieval of semantic information.
This thesis presents the development of an automated video indexing and retrieval system, aiming at the rapid extraction and management of visual information. Methodologically, the system utilizes the YOLOv8 machine learning algorithm for real-time object detection. To eliminate data redundancy, a temporal segmentation mechanism was implemented, compressing identical consecutive frames and storing them in a SQL database. User interaction is achieved through a web platform that offers dynamic visualization and integrates an intelligent fuzzy search, automatically correcting user input errors. Tests conducted on realworld scenarios conclude that the system efficiently manages big amounts of data, drastically reducing storage space while ensuring high accuracy and resilience during the retrieval of semantic information.
Περιγραφή
Λέξεις-κλειδιά
υπολογιστική όραση, αναγνώριση αντικειμένων, ανάκτηση βίντεο, yolo, χρονική ομαδοποίηση, computer vision, object detection, video retrieval, temporal segmentation