Τεχνικές Βαθιάς Μάθησης για Σημασιολογική Κατάτμηση Εικόνων με 3 Κανάλια

Τσαρπαλής, Ηλίας; Tsarpalis, Ilias

dc.contributor.author	Τσαρπαλής, Ηλίας	el
dc.contributor.author	Tsarpalis, Ilias	en
dc.date.accessioned	2022-04-11T09:10:10Z
dc.date.available	2022-04-11T09:10:10Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/55058
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.22756
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Νευρωνικά Δίκτυα	el
dc.subject	Neural Networks	en
dc.subject	Σημασιολογική Κατάτμιση	el
dc.subject	Segmentation	en
dc.subject	Ανίχνευση Διαβρώσεων	el
dc.subject	Corrosion Detection	en
dc.subject	Πλήρως Συνελικτικό Δίκτυο	el
dc.subject	Fully Convolutional Network	en
dc.subject	Μνημείο Πολιτιστικής Κληρονομιάς	el
dc.subject	Cultural Heritage Monument	en
dc.title	Τεχνικές Βαθιάς Μάθησης για Σημασιολογική Κατάτμηση Εικόνων με 3 Κανάλια	el
dc.title	Deep Learning Techniques for 3 Channel Image Segmentation	en
heal.type	bachelorThesis
heal.classification	Γεωπληροφορική - Λογισμικό	el
heal.classification	Geoinformation - Software	en
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2021-10-18
heal.abstract	Η ανάπτυξη τεχνικών βαθιάς μάθησης νευρωνικών δικτύων σημειώνει ραγδαία ανάπτυξη την τελευταία δεκαετία βρίσκοντας εφαρμογή σε πολλούς επιστημονικούς κλάδους. Η δημιουργία τεράστιων βάσεων δεδομένων και η εύκολη πρόσβαση σε αυτά επιτρέπει την αποτελεσματική εκπαίδευση νευρωνικών δικτύων με υψηλές ακρίβειες. Τα αυτοκινούμενα οχήματα, η ανίχνευση και η αξιολόγηση ιατρικών δεδομένων και η παρακολούθηση παραμορφώσεων σε υφιστάμενες κατασκευές είναι μόνο μερικά από τα προβλήματα που μπορούν να αντιμετωπιστούν με πολύ καλές αποδόσεις από τα νευρωνικά δίκτυα. Η συγκεκριμένη εργασία με τίτλο «Τεχνικές Βαθιάς Μάθησης για Σημασιολογική Κατάτμηση Εικόνων με 3 Κανάλια», αφορά την ανίχνευση διαβρωμένων λίθων σε κομμάτι τείχους που βρίσκεται στο φρούριο του Αγίου Νικολάου στην Ρόδο. Η σημασιολογική κατάτμηση έγινε με την χρήση ενός νέου τύπου Πλήρως Συνελικτικού Νευρωνικού Δικτύου που κάνει χρήση των Residual Blocks και της Προσοχής (Attention), το Residual Attention U-Net. Στα πρώτα κεφάλαια γίνεται ανάλυση όλων των παραπάνω όρων και γενικότερα βασικών εννοιών που η γνώση τους θεωρήθηκε απαραίτητη για την πλήρη κατανόηση του προβλήματος και της προτεινόμενης λύσης του. Στην συνέχεια περιγράφεται η δομή του προτεινόμενου μοντέλου, καθώς και η διαδικασία πρόβλεψης της σημασιολογικής κατάτμησης των 3-κάναλων εικόνων. Τα δεδομένα συλλέχθηκαν με την βοήθεια του συστήματος HyperView που επιτρέπει την λήψη και την εξαγωγή ένωσης πραγματικών εικόνων και εικόνων υπέρυθρης ακτινοβολίας. Οι εικόνες αυτές ύστερα από κατάλληλη επεξεργασία, εισήλθαν στο νευρωνικό σαν δεδομένα για την εκπαίδευση και την εξαγωγή προβλέψεων σημασιολογικών μασκών σε περιβάλλον Python 3. Η αξιολόγηση των προβλέψεων έγινε με την χρήση των μεταβλητών accuracy, precision, recall και F1-score. Στην παρούσα διπλωματική εργασία έγινε προσπάθεια βέλτιστης πρόβλεψης των διαβρωμένων λίθων του υπό εξέταση τείχους, χρησιμοποιώντας στο σύνολο 11 εικόνες για την εκπαίδευση και την αξιολόγηση του νευρωνικού δικτύου. Παρά τον περιορισμένο αριθμό δεδομένων, το καινοτόμο δίκτυο Residual Attention U-Net ήταν ικανό να προβλέψει με επάρκεια το ποσοστό διάβρωσης του τείχους, γεγονός που το καθιστά ένα πολλά υποσχόμενο εργαλείο Μηχανικού για τον συνεχή έλεγχο βλαβών και μετατοπίσεων σε υφιστάμενες κατασκευές. Ωστόσο, θα πρέπει να τονιστεί ότι παρόλο που οι 11 εικόνες αρκούσαν για τη σωστή πρόβλεψη της ποσοστιαίας διάβρωσης, υψηλότερη ακρίβεια θα μπορούσε να επιτευχθεί με τη χρήση μεγαλύτερης βάσης δεδομένων.	el
heal.abstract	The development of new deep learning techniques is being prolific the last decade, with countless applications on a variety of scientific problems. Recently, big datasets are employed to train neural networks more efficiently and make predictions with high accuracy. Self-driving cars, medical imaging, and remote corrosion control on existing structures are only few of the problems that a neural network can deal with. This thesis, with title “Deep Learning Techniques for 3 Channel Image Segmentation”, is dealing with the problem of corrosion detection on part of a wall at the Agios Nikolaos for-tress of Rhodes. In order to complete this task, a Fully Convolutional Neural Network architecture is proposed, which makes use of the Residual Blocks and Attention, called Residual Attention U-Net. The aforementioned terms and the theoretical concepts are explained in the first chapter of the thesis, which are considered necessary to fully understand the nature of the problem and the proposed solution. Afterwards, the architecture of the proposed network is described, as the method to predict the image segmentation. The data was first collected using the HyperView system, which can take both Visual and Near-infrared Images and then they were combined to produce a 3-channel Image. After the post-processing procedure, the images and their binary masks, are used to train the model and make prediction on them using a software application realized in Python3. To evaluate the results of the predictions, the accuracy, precision, recall, and F1 scores have been used. Herein, an attempt of best prediction on the corroded stones of the wall was made, despite the small size of the data set, being 11 pictures in total. Nevertheless, the new deep learning technique of ResAttUNet (Residual Attention U-Net) could adequately predict the percentage of corroded stones on the wall, fact that makes it a great tool for the engineers for problems related to corrosion detection and displacement remote control. However, it is important to understand that although the neural network was able to predict well the percentage corrosion of the wall, more refined results could be achieved using a bigger data size.	en
heal.advisorName	Δουλάμης, Νικόλαος	el
heal.committeeMemberName	Γεωργόπουλος, Ανδρέας	el
heal.committeeMemberName	Ιωαννίδης, Χαράλαμπος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Αγρονόμων και Τοπογράφων Μηχανικών. Τομέας Τοπογραφίας. Εργαστήριο Φωτογραμμετρίας	el
heal.academicPublisherID	ntua
heal.numberOfPages	72 σ.	el
heal.fullTextAvailability	false