http://hdl.handle.net/11728/11487 Τμήμα Πληροφορικής 2026-06-10T13:03:51Z http://hdl.handle.net/11728/13554 Ανίχνευση ασθενειών φύλλων ελιάς με εικόνες drone και τεχνικές μηχανικής μάθησης Σουβαλιώτης, Πρόδρομος Η παρούσα πτυχιακή εργασία εξετάζει την ανίχνευση ασθενειών φύλλων ελιάς με αξιοποίηση τεχνικών μηχανικής μάθησης, βαθιάς μάθησης και ανάλυσης εικόνας, σε συνδυασμό με τη χρήση μη επανδρωμένου εναέριου οχήματος χαμηλού κόστους. Ειδικότερα, αντικείμενο της μελέτης αποτελεί η ανάπτυξη και συγκριτική αξιολόγηση δύο διαφορετικών προσεγγίσεων ταξινόμησης εικόνων για τη διάκριση μεταξύ υγιών φύλλων ελιάς και φύλλων προσβεβλημένων από την ασθένεια peacock spot. Για την εκπαίδευση και την αρχική αξιολόγηση των μοντέλων χρησιμοποιήθηκε σύνολο δεδομένων από την πλατφόρμα Kaggle, το οποίο περιλάμβανε συνολικά 430 εικόνες φύλλων ελιάς, εκ των οποίων 210 αντιστοιχούσαν σε υγιή φύλλα και 220 σε φύλλα με συμπτώματα της ασθένειας. Στο πλαίσιο της εργασίας υλοποιήθηκαν και συγκρίθηκαν δύο μεθοδολογικές προσεγγίσεις. Η πρώτη βασίστηκε σε κλασική μηχανική μάθηση, με χρήση του ταξινομητή Support Vector Machine (SVM) και εξαγωγή χαρακτηριστικών Histogram of Oriented Gradients (HOG). Η δεύτερη βασίστηκε σε τεχνικές βαθιάς μάθησης μέσω μεταφοράς μάθησης (Transfer Learning), με αξιοποίηση της πλατφόρμας Teachable Machine. Πριν από την εκπαίδευση των μοντέλων εφαρμόστηκαν διαδικασίες προεπεξεργασίας εικόνας, όπως αλλαγή μεγέθους και ομογενοποίηση των δεδομένων εισόδου. Πέρα από την αξιολόγηση στο οργανωμένο σύνολο δεδομένων, πραγματοποιήθηκε επιτόπια αξιολόγηση των εκπαιδευμένων μοντέλων σε πραγματικές συνθήκες ελαιώνα, με χρήση drone DJI Tello. Το drone χρησιμοποιήθηκε ως μέσο real-time εφαρμογής των αλγορίθμων στο πεδίο, ώστε να εξεταστεί η συμπεριφορά τους σε περιβάλλον με αυξημένη μεταβλητότητα, όπως μεταβολές φωτισμού, πολύπλοκο φόντο, επικάλυψη φύλλων και θόλωση λόγω κίνησης. Η διαδικασία αυτή δεν χρησιμοποιήθηκε για τη δημιουργία νέου συνόλου εκπαίδευσης, αλλά για τον έλεγχο της ικανότητας γενίκευσης των μοντέλων σε ρεαλιστικές συνθήκες λειτουργίας. Τα αποτελέσματα της μελέτης έδειξαν ότι το μοντέλο SVM + HOG παρουσίασε μέτρια απόδοση και μεγαλύτερη ευαισθησία στις συνθήκες πεδίου, ενώ το μοντέλο Transfer Learning εμφάνισε σαφώς καλύτερη σταθερότητα, υψηλότερη ακρίβεια και πιο αξιόπιστη συμπεριφορά κατά τη real-time αξιολόγηση. Τα ευρήματα αυτά υποδεικνύουν ότι, παρότι οι κλασικές μέθοδοι μηχανικής μάθησης μπορούν να αξιοποιηθούν σε βασικά προβλήματα ταξινόμησης εικόνων, οι τεχνικές βαθιάς μάθησης είναι καταλληλότερες για εφαρμογές ανίχνευσης ασθενειών σε πραγματικές συνθήκες γεωργίας ακριβείας. Συνολικά, η εργασία αναδεικνύει ότι ο συνδυασμός ανάλυσης εικόνας, τεχνητής νοημοσύνης και χαμηλού κόστους εναέριων πλατφορμών μπορεί να αποτελέσει μια πρακτική και υποσχόμενη προσέγγιση για την υποστήριξη της παρακολούθησης της υγείας των καλλιεργειών και της έγκαιρης διάγνωσης φυτικών ασθενειών. ENGLISH ABSTRACT This undergraduate thesis investigates the detection of olive leaf diseases through the use of machine learning, deep learning, and image-based analysis supported by a low cost unmanned aerial vehicle. More specifically, the study focuses on the development and comparative evaluation of two different image classification approaches for distinguishing between healthy olive leaves and leaves affected by peacock spot disease. For the training and initial evaluation of the models, a dataset obtained from the Kaggle platform was used. The dataset consisted of 430 olive leaf images, including 210 healthy leaves and 220 leaves showing symptoms of peacock spot. Within the framework of the study, two methodological approaches were implemented and compared. The first approach was based on a classical machine learning model using a Support Vector Machine (SVM) classifier combined with Histogram of Oriented Gradients (HOG) feature extraction. The second approach was based on deep learning through Transfer Learning using the Teachable Machine platform. Before training, the images were subjected to preprocessing procedures, including resizing and input standardization. In addition to the evaluation on the organized dataset, an in-field real-time assessment of the trained models was carried out in an olive grove using a DJI Tello drone. In this phase, the drone was used as a platform for the real-time application and testing of the algorithms under actual field conditions, rather than for the creation of a new training dataset. This process made it possible to examine the behavior and generalization ability of the models in environments characterized by increased variability, such as changes in lighting, complex background, overlapping leaves, and motion blur. The results of the study showed that the SVM + HOG model achieved moderate performance and exhibited greater sensitivity to real-world field conditions. In contrast, the Transfer Learning model demonstrated clearly better stability, higher accuracy, and more reliable behavior during real-time evaluation. These findings indicate that although classical machine learning methods can be used for basic image classification tasks, deep learning approaches are more suitable for disease detection applications under realistic precision agriculture conditions. Overall, the study highlights that the combination of image analysis, artificial intelligence, and low-cost aerial platforms can provide a practical and promising approach for supporting crop health monitoring and the early diagnosis of plant diseases. 2026-01-01T00:00:00Z http://hdl.handle.net/11728/13553 Σχεδίαση και πειραματική αξιολόγηση vision-based στρατηγικών πλοήγησης για αυτόνομα line-following ρομπότ Αδάμου, Ανδρέας Η παρούσα πτυχιακή εργασία έχει ως στόχο την ανάπτυξη και πειραματική αξιολόγηση ενός vision-based συστήματος line-following σε πραγματική ρομποτική πλατφόρμα, με έμφαση στη διερεύνηση του τρόπου με τον οποίο επιμέρους αλγοριθμικές επιλογές επηρεάζουν την ακρίβεια, τη σταθερότητα και τη συνολική απόδοση της πλοήγησης. Για τον σκοπό αυτό αναπτύχθηκε ένας βασικός vision-based αλγόριθμος, ο οποίος αξιοποιεί εικόνα από κάμερα, τεχνικές επεξεργασίας εικόνας, υπολογισμό της θέσης της γραμμής και διορθωτικές εντολές κίνησης. Πάνω στον βασικό αυτό αλγόριθμο υλοποιήθηκαν και συγκρίθηκαν διαφορετικές παραλλαγές του, όπως η χρήση Dynamic ROI και διαφορετικές προσεγγίσεις κατωφλίωσης, ενώ παράλληλα αναπτύχθηκε και ένα IR sensor-based σύστημα ως baseline για σκοπούς σύγκρισης. Η αξιολόγηση πραγματοποιήθηκε σε κοινή πίστα line-following, η οποία περιλάμβανε τμήματα διαφορετικού βαθμού δυσκολίας, και σε διαφορετικές ταχύτητες κίνησης. Για τη σύγκριση των μεθόδων χρησιμοποιήθηκαν μετρικές όπως το μέσο πλευρικό σφάλμα, ο αριθμός αποτυχημένων ανιχνεύσεων γραμμής, ο μέσος χρόνος ανάκαμψης, ο χρόνος ολοκλήρωσης της διαδρομής και ο αριθμός επιτυχημένων δοκιμών. Τα αποτελέσματα έδειξαν ότι ένα vision-based σύστημα μπορεί να υποστηρίξει ικανοποιητική line-following πλοήγηση σε πραγματική πλατφόρμα χαμηλού κόστους, κυρίως σε χαμηλές και μεσαίες ταχύτητες. Ωστόσο, η απόδοσή του επηρεάζεται σημαντικά από την ποιότητα της εικόνας, τη θόλωση, την επιλογή της περιοχής ενδιαφέροντος και τη μέθοδο κατωφλίωσης. Από τις vision-based παραλλαγές, η μέθοδος Dynamic ROI παρουσίασε την καλύτερη συνολική συμπεριφορά, καθώς συνέβαλε στη διατήρηση πιο σχετικής οπτικής πληροφορίας κατά την παρακολούθηση της γραμμής. Αντίθετα, η Adaptive Threshold μέθοδος δεν απέδωσε καλύτερα από το σταθερό thresholding στη συγκεκριμένη υλοποίηση, λόγω ασυνεχειών που εμφανίστηκαν στη δυαδική εικόνα. Η πειραματική Dynamic Threshold εκδοχή παρουσίασε βελτιωμένη συμπεριφορά σε σχέση με την Adaptive Threshold, χωρίς όμως να ξεπεράσει συνολικά τις παραλλαγές που βασίστηκαν στο σταθερό thresholding. Συμπερασματικά, η εργασία δείχνει ότι η απόδοση ενός vision-based line-following συστήματος δεν εξαρτάται μόνο από τη χρήση κάμερας, αλλά και από τις επιμέρους σχεδιαστικές επιλογές του vision pipeline. Παράλληλα, αναδεικνύεται η δυνατότητα αξιοποίησης τέτοιων συστημάτων σε εφαρμογές εκπαιδευτικής ρομποτικής και αυτόνομης πλοήγησης χαμηλού κόστους. ENGLISH ABSTRACT This thesis aims to develop and experimentally evaluate a vision-based line-following system on a real robotic platform, with emphasis on investigating how specific algorithmic choices affect the accuracy, stability and overall performance of navigation. For this purpose, a basic vision-based algorithm was developed, using camera input, image processing techniques, line position estimation and corrective motion commands. Based on this algorithm, different variants were implemented and compared, including the use of Dynamic ROI and different thresholding approaches. In addition, an IR sensor-based system was developed as a baseline for comparison. The evaluation was carried out on the same line-following track for all methods. The track included sections of different difficulty levels and the tests were conducted at different driving speeds. The methods were compared using metrics such as mean lateral error, number of failed line detections, average recovery time, route completion time and number of successful trials. The results showed that a vision-based system can support satisfactory line-following navigation on a real low-cost platform, mainly at low and medium speeds. However, its performance is significantly affected by image quality, motion blur, the selection of the region of interest and the thresholding method. Among the vision-based variants, the Dynamic ROI method achieved the best overall performance, as it helped maintain more relevant visual information during line tracking. In contrast, the Adaptive Thresholding method did not perform better than fixed thresholding in this implementation, due to discontinuities that appeared in the binary image. The experimental Dynamic Thresholding variant showed improved behavior compared to Adaptive Thresholding, but did not overall outperform the variants based on fixed thresholding. In conclusion, this thesis shows that the performance of a vision-based line-following system does not depend only on the use of a camera, but also on the specific design choices of the vision pipeline. At the same time, it highlights the potential of such systems for educational robotics and low-cost autonomous navigation applications. 2026-05-01T00:00:00Z http://hdl.handle.net/11728/13552 Ανάπτυξη και Αξιολόγηση Παιχνιδιού Τρόμου Λήψης Αποφάσεων με Δυναμική Αφήγηση και Προσαρμοστικούς Μη Παικτικούς Χαρακτήρες στην Unreal Engine 5 Ανδρέου, Χρύσης Η παρούσα εργασία αφορά τον σχεδιασμό, την ανάπτυξη και την αξιολόγηση ενός τρισδιάστατου παιχνιδιού τρόμου πρώτου προσώπου στην Unreal Engine 5, με έμφαση στη δυναμική αφήγηση, τη λήψη αποφάσεων και την προσαρμοστική τεχνητή νοημοσύνη μη παικτικών χαρακτήρων. Η υλοποίηση βασίστηκε στα Blueprints και περιλαμβάνει Σύστημα Στατιστικών Παίκτη, μηχανισμούς διατήρησης δεδομένων μεταξύ επιπέδων, δέντρα συμπεριφοράς για τους εχθρούς, διακλαδούμενη αφηγηματική λογική και εναλλακτικές καταλήξεις. Παράλληλα, αξιοποιήθηκαν τεχνικές ατμόσφαιρας, όπως ο δυναμικός φωτισμός Lumen, ο χωρικός ήχος και τα γεγονότα τρόμου, ώστε η εμπειρία να μεταβάλλεται ανάλογα με τις ενέργειες του παίκτη. Η αξιολόγηση πραγματοποιήθηκε μέσω τεχνικών ελέγχων και δοκιμών με χρήστες, με ερωτηματολόγια βασισμένα στα SUS, GEQ και IMI. Τα αποτελέσματα έδειξαν ότι οι βασικοί μηχανισμοί λειτούργησαν σταθερά μετά τις διορθώσεις, ενώ οι χρήστες αξιολόγησαν θετικά τη χρηστικότητα, την εμβύθιση, την ατμόσφαιρα φόβου και την αίσθηση αυτενέργειας. Οι συμμετέχοντες αναγνώρισαν ότι οι επιλογές τους επηρέαζαν το περιβάλλον, τη συμπεριφορά των εχθρών και τις πιθανές καταλήξεις. Συνολικά, η εργασία προτείνει ένα λειτουργικό πλαίσιο σύνδεσης αφήγησης, στατιστικών και τεχνητής νοημοσύνης, προσφέροντας βάση για μελλοντική επέκταση προσαρμοστικών, επαναλήψιμων και περισσότερο εξατομικευμένων ψηφιακών εμπειριών τρόμου. ENGLISH ABSTRACT This thesis presents the design, development, and evaluation of a 3D first-person horror game in Unreal Engine 5, focusing on dynamic narrative, decision-making, and adaptive artificial intelligence for non-playable characters. The implementation was developed through Blueprints and includes a Player Stats System, data persistence between levels, Behavior Tree based enemy logic, branching narrative mechanisms, and multiple endings. Atmospheric techniques such as Lumen dynamic lighting, spatial audio, and scripted horror events were integrated to create a game experience that responds to the player’s actions and progression. The prototype was evaluated through technical testing and user trials using questionnaires based on SUS, GEQ, and IMI dimensions. The results indicated positive usability, strong immersion, effective horror atmosphere, and a clear sense of player agency, as participants recognized that their choices influenced the environment, enemy behavior, and narrative outcomes. Although the evaluation was conducted with a small sample and should be interpreted as an initial assessment rather than a full validation, the findings suggest that the proposed design successfully connects narrative, player statistics, and AI behavior within a coherent horror experience. Overall, the thesis contributes a functional framework for developing adaptive horror games that personalize tension, progression, and narrative feedback according to player interaction. 2026-05-20T00:00:00Z http://hdl.handle.net/11728/13403 Ανθρωποκεντρική και Ηθική Ενσωμάτωση Τεχνητής Νοημοσύνης στη Διαχείριση Έργων: Ανάπτυξη Εννοιολογικού Πλαισίου Χατζησοφοκλέους, Μυριάνθη Η ραγδαία ενσωμάτωση της Τεχνητής Νοημοσύνης (ΤΝ) στη διαχείριση πληροφοριακών έργων έχει μετασχηματίσει τον τρόπο με τον οποίο τα έργα σχεδιάζονται, παρακολουθούνται και υλοποιούνται, ενισχύοντας την αποδοτικότητα, την πρόβλεψη κινδύνων και τη λήψη αποφάσεων. Παρά τα πολλά οφέλη που προσφέρει η ΤΝ, η χρήση της εγείρει πολύπλευρα ηθικά, κοινωνικά και οργανωσιακά ζητήματα. Θέματα όπως η αλγοριθμική προκατάληψη, η διαφάνεια, η λογοδοσία, η προστασία δεδομένων και η εξάρτηση από αυτοματοποιημένα συστήματα καθιστούν αναγκαία την ανάπτυξη ενός πλαισίου υπεύθυνης εφαρμογής της. Η παρούσα έρευνα επιδιώκει να καλύψει το υφιστάμενο ερευνητικό κενό που αφορά τις ανθρωποκεντρικές, ηθικές και διακυβερνητικές διαστάσεις της ενσωμάτωσης της ΤΝ στη διαχείριση έργων. Ενώ η υπάρχουσα βιβλιογραφία επικεντρώνεται κυρίως στις τεχνικές και λειτουργικές πτυχές της, απουσιάζει μια ολοκληρωμένη προσέγγιση που να εξετάζει τις επιπτώσεις της στην κουλτούρα των οργανισμών, στους ρόλους των διαχειριστών έργων και στις διαδικασίες λήψης αποφάσεων. Στόχος της εργασίας είναι η ανάπτυξη ενός εννοιολογικού και καθοδηγητικού πλαισίου (conceptual and guidance framework) για την υπεύθυνη, διαφανή και αποτελεσματική ενσωμάτωση εργαλείων ΤΝ στη διαχείριση πληροφοριακών έργων. Το προτεινόμενο πλαίσιο επιδιώκει να βοηθήσει οργανισμούς και project managers να αναγνωρίσουν τους ηθικούς, νομικούς και οργανωσιακούς κινδύνους της ΤΝ, να καθορίσουν τις αναγκαίες προϋποθέσεις για ασφαλή και ώριμη υιοθέτηση, να επιτύχουν ισορροπία μεταξύ ανθρώπινης και αλγοριθμικής λήψης αποφάσεων και να διαμορφώσουν πολιτικές και πρακτικές που θα ενισχύσουν την υπεύθυνη χρήση της τεχνολογίας. Η συμβολή αυτής της μελέτης εστιάζει στην ενίσχυση της κατανόησης και της πρακτικής εφαρμογής της Τεχνητής Νοημοσύνης στη διαχείριση έργων, μέσα από την ανάπτυξη ενός πλαισίου που ευθυγραμμίζει την τεχνολογία με τον ανθρώπινο παράγοντα, βελτιώνοντας τη διαφάνεια, την εμπιστοσύνη και την ηθική οργανωσιακή κουλτούρα. Η μεθοδολογία βασίζεται σε βιβλιογραφική ανασκόπηση και μελέτη περιπτώσεων οργανισμών οι οποίοι έχουν υιοθετήσει συστήματα Τεχνητής Νοημοσύνης. 2026-02-01T00:00:00Z