Τεχνικές βαθιάς συσταδοποίησης  για ταξινόμηση δραστηριοτήτων από θερμικά δεδομένα

Κοτζιά, Ειρήνη; Kotzia, Eirini

dc.contributor.author	Κοτζιά, Ειρήνη	el
dc.contributor.author	Kotzia, Eirini	en
dc.date.accessioned	2020-12-02T09:18:12Z
dc.date.available	2020-12-02T09:18:12Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/52159
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.19857
dc.rights	Default License
dc.subject	Βαθιά μηχανική μάθηση	el
dc.subject	Υποδομές	el
dc.subject	Critical infrastructures	en
dc.subject	Deep learning	en
dc.subject	Lstm	en
dc.subject	Cnn	en
dc.subject	Neural networks	en
dc.subject	Θερμικά δεδομένα	el
dc.subject	Νευρωνικά δίκτυα	el
dc.subject	Συσταδοποίηση	el
dc.title	Τεχνικές βαθιάς συσταδοποίησης για ταξινόμηση δραστηριοτήτων από θερμικά δεδομένα	el
heal.type	bachelorThesis
heal.classification	Μηχανική εκμάθηση	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2020-03-27
heal.abstract	Τεχνικές Βαθιάς Συσταδοποίησης για ταξινόμηση δραστηριοτήτων από θερμικά δεδομένα Διπλωματική Εργασία Ειρήνη Κοτζιά Αθήνα 2020 3 4 Ευχαριστίες Αρχικά θα ήθελα να ευχαριστήσω τον επιβλέποντα καθηγητή της διπλωματικής μου εργασίας Τμήματος Αγρονόμων Τοπογράφων Μηχανικών, κύριο Νικόλαο Δουλάμη, για την καθοδήγηση και την εμπιστοσύνη που μου έδειξε. Θα ήθελα να προσθέσω πόσο σημαντική ήταν η συμβολή του στην προσπάθεια μου να στραφώ σε τομείς όπως η Τεχνητή μάθηση. Στη συνέχεια θα ήθελα να ευχαριστήσω θερμά τους υποψήφιους Διδάκτορες Νικόλαο Μπάκαλο και Ευτύχιο Πρωτοπαπαδάκη για τον χρόνο και τις πολύτιμες γνώσεις που μου προσέφεραν σε όλη τη διαδικασία της εκπόνησης της διπλωματικής εργασίας. Τέλος θα ήθελα να ευχαριστήσω την Οδέττη Σιγάλα, καθώς χωρίς την βοήθειά της η παρουσίαση της διπλωματικής εργασίας θα ήταν αδύνατη. 5 6 Περίληψη Αυτή η διπλωματική στηρίχθηκε σε μια πραγματική ανάγκη για μελέτη νέων τρόπων επίβλεψης και προστασίας κρίσιμων υποδομών. Ο κλάδος της μηχανικής μάθησης εξελίσσεται με ραγδαίο ρυθμό και έχει συμβάλει σε πολλά διαφορετικά επιστημονικά πεδία. Αυτός ο κλάδος, δίνει τη δυνατότητα στον υπολογιστή να μαθαίνει και κατά συνέπεια να προβλέπει μέσα από πολύπλοκα μοντέλα. Από την άλλη πλευρά, οι κρίσιμες υποδομές ανά κράτος καθώς και σε παγκόσμιο επίπεδο απαιτούν πλήρη προσοχή καθώς όπως ορίζει το ίδιο το όνομα τους είναι ζωτικής σημασίας για την εύρυθμη λειτουργία της κοινωνίας. Είναι αναγκαία επομένως η κατανόηση και ο ορισμός αυτών ώστε να μπορούν εν συνεχεία να οριστούν και οι τρόποι προστασίας τους. Στην παρούσα διπλωματική σκοπός ήταν η αξιοποίηση τεχνικών βαθιάς μηχανικής εκμάθησης για την ταξινόμηση δεδομένων θερμικής κάμερας. Αυτό ορίστηκε ως ρεαλιστικό πρόβλημα και πιθανή εφαρμογή σε μία κρίσιμη υποδομή. Στην διάθεση μου είχα ένα σετ δεδομένων από την θερμική κάμερα η οποία είχε τοποθετηθεί σε ένα εργοστάσιο ύδρευσης. Το σετ χωρίστηκε σε δύο κατηγορίες δηλαδή στα καρέ όπου ο χώρος βρισκόταν σε ασφαλή κατάσταση και σε καρέ όπου ο χώρος κινδύνευε από κάποιον πιθανό παραβάτη. Στόχος της εργασίας ήταν να εκπαιδευθεί ο υπολογιστής ώστε να αναγνωρίζει πότε εμφανίζεται κίνδυνος (ανθρώπινη παρουσία) στον χώρο και πότε όχι. Με αυτόν τον τρόπο μπορούν να παρακολουθούνται πολλοί χώροι ταυτόχρονα και απομακρυσμένα με αυτόματο τρόπο. Για τον σκοπό αυτό δημιουργήθηκαν δύο νευρωνικά δίκτυα βαθιάς εκμάθησης. Ένα Βαθύ Συνελικτικό Νευρωνικό Δίκτυο και μια πολύπλοκη μορφή Ανατροφοδοτούμενου Νευρωνικού Δικτύου, το LSTM. Η εφαρμογή έδειξε πώς το Βαθύ Συνελικτικό Νευρωνικό Δίκτυο είχε μεγάλη επιτυχία και ικανότητα στο να αναγνωρίζει τις δύο περιπτώσεις που προαναφέρθηκαν. Ωστόσο το δίκτυο LSTM δεν είχε αξιόπιστα αποτελέσματα γεγονός που αναμενόταν καθώς αυτή η κατηγορία αφορά και είναι χρήσιμη σε δεδομένα που έχουν μία αλληλουχία που στην περιπτωσή μας δεν έχουν.	el
heal.abstract	This thesis was based on a real need to study new ways of supervision and protecting critical infrastructure. The field of machine learning is evolving rapidly and has contributed to many different scientific fields. Machine Learning enables the computer to learn and thus predict through complex models. On the other hand, Critical Infrastructures in each state as well as globally require full attention are vital for the society in order to function properly. It is therefore necessary to understand and define them so that their ways of protection can then be found. This thesis purpose was to utilize deep machine learning techniques for the classification of thermal images. This was defined as a realistic problem and my proposal as a possible implementation in a critical infrastructure. I had a set of data at my disposal taken from a thermal camera which had been installed in a water plant. The set was divided into two categories, namely the frames where the area-room was safe and the frames where the area-room was endangered by a potential offender. The purpose of the project was to train the computer to recognize when danger (human presence) occurs. This allows multiple areas to be monitored simultaneously, remotely and automatically. For this purpose, two deep neural networks were created. A Deep Convolutional Neural Network and a complex form of Recurrent Neural Network, the LSTM. The results showed that the Deep Convolutional Neural Network had great success and ability to recognize the two cases mentioned above. However the LSTM network did not have reliable results as expected as this method is useful for applications where the data have a sequence which in our case is not the story.	en
heal.advisorName	Δουλάμης, Νικόλαος	el
heal.committeeMemberName	Δουλάμης, Αναστάσιος	el
heal.committeeMemberName	Βεσκούκης, Βασίλειος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Αγρονόμων και Τοπογράφων Μηχανικών. Τομέας Τοπογραφίας. Εργαστήριο Φωτογραμμετρίας	el
heal.academicPublisherID	ntua
heal.numberOfPages	108 σ.	el
heal.fullTextAvailability	false