(1) ΓΕΝΙΚΑ
| ΣΧΟΛΗ | Μηχανικών Παραγωγής και Διοίκησης | ||
| 2η ΣΧΟΛΗ | |||
| ΕΠΙΠΕΔΟ ΣΠΟΥΔΩΝ | Προπτυχιακό | ||
| ΚΩΔΙΚΟΣ ΜΑΘΗΜΑΤΟΣ | ΜΠΔ 525 | ΕΞΑΜΗΝΟ ΣΠΟΥΔΩΝ | 8ο |
| ΑΥΤΟΤΕΛΕΙΣ ΔΙΔΑΚΤΙΚΕΣ ΔΡΑΣΤΗΡΙΟΤΗΤΕΣ | ΕΒΔΟΜΑΔΙΑΙΕΣ ΩΡΕΣ ΔΙΔΑΣΚΑΛΙΑΣ | ΠΙΣΤΩΤΙΚΕΣ ΜΟΝΑΔΕΣ | |
| Διαλέξεις | 3 | ||
| Σύνολο | 3 | 4 | |
| ΤΥΠΟΣ ΜΑΘΗΜΑΤΟΣ | Γενικού υποβάθρου | ||
| ΠΡΟΑΠΑΙΤΟΥΜΕΝΑ ΜΑΘΗΜΑΤΑ | |||
| ΓΛΩΣΣΑ ΔΙΔΑΣΚΑΛΙΑΣ και ΕΞΕΤΑΣΕΩΝ | Ελληνικά | ||
| ΤΟ ΜΑΘΗΜΑ ΠΡΟΣΦΕΡΕΤΑΙ ΣΕ ΦΟΙΤΗΤΕΣ ERASMUS | Όχι | ||
| ΗΛΕΚΤΡΟΝΙΚΗ ΣΕΛΙΔΑ ΜΑΘΗΜΑΤΟΣ (URL) | |||
(2) ΜΑΘΗΣΙΑΚΑ ΑΠΟΤΕΛΕΣΜΑΤΑ
| Μαθησιακά Αποτελέσματα |
Με την επιτυχή ολοκλήρωση του μαθήματος ο φοιτητής/τρια θα είναι σε θέση να:
|
| Γενικές Ικανότητες |
|
(3) ΠΕΡΙΕΧΟΜΕΝΟ ΜΑΘΗΜΑΤΟΣ
| Το μάθημα της Τεχνητής Όρασης εισάγει τους φοιτητές στις βασικές αρχές και τεχνολογίες που επιτρέπουν στους υπολογιστές να αναλύουν και να κατανοούν οπτική πληροφορία από εικόνες και βίντεο. Αρχικά παρουσιάζονται οι θεμελιώδεις έννοιες της ψηφιακής εικόνας, όπως τα ιστογράμματα, τα φίλτρα επεξεργασίας εικόνας, η συνέλιξη (convolution) καθώς και βασικές τεχνικές ανίχνευσης ακμών (Sobel, Canny) και εξαγωγής χαρακτηριστικών (SIFT, ORB). Στη συνέχεια εξετάζονται οι γεωμετρικές αρχές της υπολογιστικής όρασης, όπως τα μοντέλα καμερών, οι μέθοδοι βαθμονόμησης, η στερεοσκοπική όραση και οι τεχνικές ανακατασκευής τρισδιάστατης σκηνής (Structure from Motion). Το μάθημα επεκτείνεται στη χρήση σύγχρονων μεθόδων μηχανικής μάθησης και βαθιάς μάθησης για την ανάλυση εικόνας, συμπεριλαμβανομένης της ταξινόμησης εικόνων, της ανίχνευσης αντικειμένων με δίκτυα όπως YOLO και Faster R-CNN, της σημασιολογικής τμηματοποίησης και της μεταφοράς μάθησης. Παράλληλα παρουσιάζονται και οι νεότερες προσεγγίσεις πολυτροπικής τεχνητής νοημοσύνης, όπως τα Vision-Language Models (VLMs), τα οποία συνδυάζουν οπτική πληροφορία με φυσική γλώσσα και επιτρέπουν λειτουργίες όπως η κατανόηση σκηνών, η περιγραφή εικόνων και η αλληλεπίδραση με οπτικά δεδομένα μέσω γλωσσικών εντολών. Τέλος, παρουσιάζονται εφαρμογές της τεχνητής όρασης στη βιομηχανία, όπως ο αυτοματοποιημένος ποιοτικός έλεγχος, η ανίχνευση επιφανειακών ελαττωμάτων, η οπτική μετρολογία και η καθοδήγηση ρομποτικών συστημάτων μέσω όρασης. Παράλληλα, στο φροντιστηριακό μέρος του μαθήματος οι φοιτητές εξοικειώνονται με πρακτικά παραδείγματα και ασκήσεις υλοποίησης χρησιμοποιώντας εργαλεία όπως MATLAB, Python, OpenCV, PyTorch και TensorFlow, εφαρμόζοντας τις θεωρητικές έννοιες σε πραγματικά προβλήματα ανάλυσης εικόνας και ανάπτυξης απλών συστημάτων τεχνητής όρασης. Ψηφιακή εικόνα και βασικές έννοιες – Ιστογράμματα εικόνας – Φίλτρα επεξεργασίας εικόνας – Συνέλιξη (Convolution) – Ανίχνευση ακμών (Sobel, Canny) – Εξαγωγή χαρακτηριστικών (SIFT, ORB) – Γεωμετρικές αρχές υπολογιστικής όρασης – Μοντέλα καμερών – Μέθοδοι βαθμονόμησης – Στερεοσκοπική όραση – Ανακατασκευή τρισδιάστατης σκηνής (Structure from Motion) – Μηχανική μάθηση και βαθιά μάθηση στην ανάλυση εικόνας – Ταξινόμηση εικόνων – Ανίχνευση αντικειμένων (YOLO, Faster R-CNN) – Σημασιολογική τμηματοποίηση – Μεταφορά μάθησης – Vision-Language Models (VLMs) και πολυτροπικά μοντέλα για κατανόηση και περιγραφή εικόνων – Βιομηχανικές εφαρμογές τεχνητής όρασης – Ανίχνευση επιφανειακών ελαττωμάτων – Οπτική μετρολογία – Καθοδήγηση ρομποτικών συστημάτων μέσω όρασης – Εφαρμογές με Matlab, Python, OpenCV, PyTorch και TensorFlow. (Εξέταση μέσω εργασιών σε γλώσσα προγραμματισμού) |
(4) ΔΙΔΑΚΤΙΚΕΣ ΚΑΙ ΜΑΘΗΣΙΑΚΕΣ ΜΕΘΟΔΟΙ – ΑΞΙΟΛΟΓΗΣΗ
| ΤΡΟΠΟΣ ΠΑΡΑΔΟΣΗΣ | Πρόσωπο με πρόσωπο | ||||
| ΧΡΗΣΗ ΤΕΧΝΟΛΟΓΙΩΝ ΠΛΗΡΟΦΟΡΙΑΣ ΚΑΙ ΕΠΙΚΟΙΝΩΝΙΩΝ | |
| Στη Διδασκαλία: | - Χρήση λογισμικού παρουσιάσεων, παραδειγμάτων κώδικα, διαδραστικών notebooks και οπτικοποιήσεων αλγορίθμων μηχανικής όρασης. |
| Στην Εργαστηριακή Εκπαίδευση: | - Χρήση λογισμικού επεξεργασίας εικόνας και ανάπτυξης εφαρμογών μηχανικής όρασης, όπως Python, OpenCV, PyTorch, TensorFlow και MATLAB όπου απαιτείται. |
| Στην Επικοινωνία με τους φοιτητές: | - Ανακοινώσεις, σημειώσεις, βοηθητικό υλικό, εκφωνήσεις εργασιών και ενδεικτικές λύσεις μέσω της πλατφόρμας eClass. Επικοινωνία μέσω ηλεκτρονικού ταχυδρομείου και τηλεδιάσκεψης όπου απαιτείται. |
| ΟΡΓΑΝΩΣΗ ΔΙΔΑΣΚΑΛΙΑΣ | |
| Διαλέξεις | 39.0 ώρες |
| Εργαστήρια/Φροντιστηριακές Ασκήσεις | 13.0 ώρες |
| Εκπόνηση Ατομικής Εργασίας | 20.0 ώρες |
| Αυτοτελής μελέτη | 20.0 ώρες |
| Μελέτη και ανάλυση Βιβλιογραφίας | 20.0 ώρες |
| Σύνολο | 112 ώρες |
Διδακτέα Ύλη ανά Εβδομάδα (13 εβδομάδες) :
1η εβδομάδα: Εισαγωγή στη Μηχανική και Υπολογιστική Όραση. Πεδία εφαρμογών. Ψηφιακή εικόνα, pixels, ανάλυση εικόνας, χρωματικοί χώροι RGB, HSV, grayscale.
2η εβδομάδα: Βασικές τεχνικές επεξεργασίας εικόνας. Ιστογράμματα, μετασχηματισμοί φωτεινότητας και αντίθεσης, ισοστάθμιση ιστογράμματος, αποθορυβοποίηση και βασικά φίλτρα.
3η εβδομάδα: Συνέλιξη και φίλτρα εικόνας. Χωρικά φίλτρα, γραμμικά και μη γραμμικά φίλτρα, Gaussian filtering, median filtering
4η εβδομάδα: Ανίχνευση ακμών και εξαγωγή χαρακτηριστικών. Sobel, Prewitt, Laplacian, Canny, Harris corner detector, SIFT, SURF, ORB και αντιστοίχιση χαρακτηριστικών.
5η εβδομάδα: Γεωμετρία υπολογιστικής όρασης. Μοντέλα καμερών, pinhole camera model, εσωτερικές και εξωτερικές παράμετροι κάμερας, βαθμονόμηση κάμερας και παραμορφώσεις φακού.
6η εβδομάδα: Στερεοσκοπική όραση και τρισδιάστατη αντίληψη. Epipolar geometry, stereo matching, disparity maps, depth estimation, point clouds και βασικές αρχές τρισδιάστατης ανακατασκευής.
7η εβδομάδα: Μηχανική μάθηση για ανάλυση εικόνων. Αναπαράσταση χαρακτηριστικών, ταξινόμηση εικόνων, supervised learning, βασικές μετρικές αξιολόγησης, σύνολα δεδομένων και προβλήματα γενίκευσης.
8η εβδομάδα: Βαθιά μάθηση και Συνελικτικά Νευρωνικά Δίκτυα. CNNs, convolutional layers, pooling, fully connected layers, training, overfitting, data augmentation και transfer learning.
9η εβδομάδα: Ανίχνευση και παρακολούθηση αντικειμένων. R-CNN, Fast R-CNN, Faster R-CNN, SSD, YOLO, βασικές μετρικές αξιολόγησης object detection και εφαρμογές σε πραγματικά προβλήματα.
10η εβδομάδα: Τμηματοποίηση εικόνας. Semantic segmentation, instance segmentation, U-Net, Mask R-CNN, αξιολόγηση segmentation και εφαρμογές σε βιομηχανικά και τεχνικά προβλήματα.
11η εβδομάδα: Σύγχρονες αρχιτεκτονικές τεχνητής όρασης. Vision Transformers, attention mechanisms, DETR, Foundation Models, Segment Anything και σύγχρονες τάσεις στη μηχανική όραση.
12η εβδομάδα: ΑΣΚΗΣΕΙΣ.
13η εβδομάδα: Βιομηχανικές εφαρμογές μηχανικής όρασης και ανακεφαλαίωση. Επαναληπτικές ασκήσεις
Αλλα Σχόλια για την Οργάνωση της Διδασκαλίας :
Ενδεικτικές Φροντιστηριακές / Πρακτικές Ασκήσεις
Εισαγωγή σε Python, OpenCV και βασική ανάγνωση/επεξεργασία εικόνων.
Ιστογράμματα, φίλτρα και βελτίωση εικόνας.
Ανίχνευση ακμών και εξαγωγή χαρακτηριστικών.
Camera calibration και βασικές γεωμετρικές πράξεις.
Ταξινόμηση εικόνων με CNN.
Transfer learning με προεκπαιδευμένα μοντέλα.
Ανίχνευση αντικειμένων με YOLO.
Σημασιολογική τμηματοποίηση εικόνων.
Εφαρμογή Vision Transformer ή Foundation Model.
Εφαρμογή Vision-Language Model για περιγραφή ή κατανόηση εικόνων.
Βιομηχανική εφαρμογή ανίχνευσης ελαττωμάτων.
Ανάπτυξη τελικής εργασίας.
Παρουσίαση και αξιολόγηση τελικής εργασίας.
(5) ΑΞΙΟΛΟΓΗΣΗ ΦΟΙΤΗΤΩΝ
| Αθροιστική/Συμπερασματική (για βαθμό φοιτητή) Αξιολόγηση | ||||
| Ατομική Εργασία | 100% | (Δημόσια Παρουσίαση) | ||
(6) ΣΥΝΙΣΤΩΜΕΝΗ-ΒΙΒΛΙΟΓΡΑΦΙΑ
Διδακτικές σημειώσεις, παρουσιάσεις, παραδείγματα κώδικα, notebooks και συνοδευτικό υλικό που διατίθενται μέσω της ηλεκτρονικής σελίδας του μαθήματος.
Προτεινόμενο Σύγγραμα
Α. Γαστεράτος, Β. Μπαλάσκα, Μηχανική Όραση, Εκδόσεις Τσότρας
Ενδεικτικά Βιβλία
R. Szeliski, Computer Vision: Algorithms and Applications, Springer.
R. C. Gonzalez and R. E. Woods, Digital Image Processing, Pearson.
D. A. Forsyth and J. Ponce, Computer Vision: A Modern Approach, Pearson.
I. Goodfellow, Y. Bengio and A. Courville, Deep Learning, MIT Press.
A. Géron, Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, O’Reilly.
A. Voulodimos et al., Deep Learning for Computer Vision: A Brief Review, computational intelligence applications.
B. Siciliano and O. Khatib, Springer Handbook of Robotics, Springer, για εφαρμογές όρασης στη ρομποτική.
Συναφή Επιστημονικά Περιοδικά
International Journal of Computer Vision
IEEE Transactions on Pattern Analysis and Machine Intelligence
IEEE Transactions on Image Processing
IEEE Transactions on Multimedia
Computer Vision and Image Understanding
Pattern Recognition
Image and Vision Computing
Machine Vision and Applications
Robotics and Computer-Integrated Manufacturing
Journal of Intelligent Manufacturing
Engineering Applications of Artificial Intelligence