Μηχανική όραση για ανίχνευση ανωμαλιών σε οδικές υποδομές με χρήση νευρωνικών δικτύων

Καλανίδης, Δαμιανός; Kalanidis, Damianos

dc.contributor.author	Καλανίδης, Δαμιανός	el
dc.contributor.author	Kalanidis, Damianos	en
dc.date.accessioned	2022-06-10T10:06:18Z
dc.date.available	2022-06-10T10:06:18Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/55263
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.22961
dc.description	Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) “Τεχνο-οικονομικά συστήματα”	el
dc.rights	Default License
dc.subject	Μηχανική όραση	el
dc.subject	Επεξεργασία εικόνας	el
dc.subject	Νευρωνικά δίκτυα	el
dc.subject	Προηγμένα συστήματα υποβοήθησης οδηγού	el
dc.subject	Οδικές υποδομές	el
dc.subject	Computer Vision	en
dc.subject	Image processing	en
dc.subject	Neural networks	en
dc.subject	Road infrastructure	en
dc.subject	ADAS	en
dc.title	Μηχανική όραση για ανίχνευση ανωμαλιών σε οδικές υποδομές με χρήση νευρωνικών δικτύων	el
heal.type	bachelorThesis
heal.secondaryTitle	Machine vision for defect detection in road infrastructures using neural networks	el
heal.classification	Computer Vision	el
heal.classification	Image processing	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2022-02
heal.abstract	Οι ανωμαλίες σε οδικές υποδομές είναι ένα αρκετά συχνό φαινόμενο. Με την ανίχνευση μέσω της μηχανικής όρασης μπορούμε να ανιχνεύουμε και να κατηγοριοποιούμε αυτές τις ανωμαλίες με έναν συστηματικό και αυτοματοποιημένο τρόπο. Αυτό θα βοηθούσε στην καλύτερη συντήρηση των οδικών υποδομών αλλά και στα συστήματα ADAS (Advanced Driving Assistance Systems) των οχημάτων για την αποφυγή αυτών των ανωμαλιών. Στην παρούσα εργασία γίνεται μια συνοπτική περιγραφή βασικών ορολογιών της μηχανικής όρασης και της αναγνώρισης προτύπων, των βαθιών νευρωνικών δικτύων καθώς και των ανωμαλιών οδοστρωμάτων. Στην συνέχεια μια περιγραφή του framework YOLO, της μεθοδολογίας για την διεξαγωγή πειραματικών μετρήσεων με το framework αυτό καθώς και παρουσίαση των παραγόμενων αποτελεσμάτων. Τέλος γίνεται μια συνοπτική τεχνο-οικονομική ανάλυση σχετικά με τις επίδραση των φθορών των οδοστρωμάτων καθώς και τη εφαρμογή των συστημάτων ανίχνευσης ανωμαλιών.	el
heal.abstract	Irregularities in road infrastructure are a fairly common phenomenon. By detecting through mechanical vision, we can detect and categorize these abnormalities in a systematic and automated way. This would help in the better maintenance of the road infrastructure but also in the ADAS (Advanced Driving Assistance Systems) of the vehicles to avoid these anomalies. In the present work, a brief description of the basic terminology of mechanical vision and pattern recognition, deep neural networks as well as road irregularities is given. Following is a description of the YOLO framework, the methodology for conducting experimental measurements with this framework as well as a presentation of the results produced. Finally, a brief techno-economic analysis is made regarding the effect of road damage as well as the application of anomaly detection systems.	en
heal.advisorName	Doulamis, Anastasios	en
heal.advisorName	Δουλάμης, Αναστάσιος	el
heal.committeeMemberName	Δουλάμης, Αναστάσιος	el
heal.committeeMemberName	Δουλάμης, Νικόλαος	el
heal.committeeMemberName	Βαρβαρίγου, Θεοδώρα	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	63 σ.	el
heal.fullTextAvailability	false