Ανίχνευση Φωτιάς σε εικόνα από εναέριο μη επανδρωμένο όχημα UAV με τεχνικές βαθιάς μάθησης

Λυκογιάννη, Γεωργία; Licoyanni, Georgia

dc.contributor.author	Λυκογιάννη, Γεωργία	el
dc.contributor.author	Licoyanni, Georgia	en
dc.date.accessioned	2022-10-10T07:37:32Z
dc.date.available	2022-10-10T07:37:32Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/55879
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.23577
dc.rights	Αναφορά Δημιουργού 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by/3.0/gr/	*
dc.subject	Εναέρια Μη Επανδρωμένα Οχήματα	el
dc.subject	Ανίχνευση Πυρκαγιάς	el
dc.subject	Ταξινόμηση Εικόνων	el
dc.subject	Machine Learning	en
dc.subject	Συνελικτικά Νευρωνικά Δίκτυα	el
dc.subject	Μηχανική Μάθηση	el
dc.subject	Convolutional Neural Networks	en
dc.subject	Transfer Learning	en
dc.subject	Classification	en
dc.subject	Fire	en
dc.title	Ανίχνευση Φωτιάς σε εικόνα από εναέριο μη επανδρωμένο όχημα UAV με τεχνικές βαθιάς μάθησης	el
heal.type	bachelorThesis
heal.classification	Μηχανική Μάθηση	el
heal.classification	Machine Learning	en
heal.language	el
heal.access	campus
heal.recordProvider	ntua	el
heal.publicationDate	2022-06-09
heal.abstract	Σκοπός της παρούσας διπλωματικής εργασίας είναι η αντιμετώπιση του φαινομένου της πυρκαγιάς μέσω της έγκαιρης ανίχνευσης της, πριν βγουν εκτός ελέγχου, προκειμένου να ελαχιστοποιηθούν οι επιπτώσεις. Το πρόβλημα των συνεχών δασικών πυρκαγιών, κυρίως κατά τη θερινή περίοδο, αποτελεί ένα σύγχρονο φαινόμενο σε όλο τον κόσμο. Ιδίως, στις χώρες με μεσογειακό κλίμα, όπως η χώρα μας, η κατάσβεση μιας πυρκαγιάς είναι ένα πολύ δύσκολο εγχείρημα. Εχουν γίνει πολλές προσπάθειες για την επίλυση του συγκεκριμένου προβλήματος. Μερικές από αυτές περιλαμβάνουν τη χρήση αισθητήρων και δορυφορικών εικόνων που λόγω υψηλού κόστους και χρονικής καθυστέρησης δεν ενδείκνυνται ως λύσεις. Μία από τις αναδυόμενες τεχνολογίες για την παρακολούθηση πυρκαγιών αποτελούν τα Μη Επανδρωμένα Εναέρια Οχήματα. Για να υλοποιηθεί ένα τέτοιο σύστημα πυρανίχνευσης απαιτούνται γρήγοροι και υψηλής ακρίβειας αλγόριθμοι επεξεργασίας εικόνας. Με τη ραγδαία πρόοδο της τεχνολογίας, έχει έρθει στο προσκήνιο, η έρευνα με μεθόδους Τεχνητής Νοημοσύνης. Τέτοιου είδους τεχνικές περιλαμβάνουν την εξαγωγή χαρακτηριστικών από εικόνες και βίντεο και τη χρήση βαθύτερων αρχιτεκτονικών, όπως είναι τα σύγχρονα Συνελικτικά Νευρωνικά Δίκτυα. Αρκετές μελέτες έχουν δείξει ότι η χρήση συνελικτικών τεχνικών είναι στη στάθμη της τεχνικής. Από αυτή την άποψη, προτείνουμε τη χρήση δυο προεκπαιδευμένων αρχιτεκτονικων Xception και MobileNetV2 με μάθηση μέσω μεταφοράς. Ακόμη υλοποιήθηκαν και δυο αρχιτεκτονικές κατασκευασμένες από την αρχή που είχαν σαφώς χαμηλότερα αποτελέσματα. Τα αποτελέσματα των δοκιμών δείχνουν ότι η αρχιτεκτονική Xception πετυχαίνει την υψηλότερη ακρίβεια ταξινόμησης των εικόνων στις δύο κλάσεις Πυρκαγιά/Μη-Πυρκαγιά.	el
heal.abstract	The purpose of this dissertation is to deal with the phenomenon of fire by detecting it on time, before it gets out of control, in order to prevent the consequences. The problem of continuous forest fires prevails all over the world, especially during the summer season. Especially, in countries with a Mediterranean climate, like Greece, fire extinguishing is a very difficult task. Many efforts have been made to solve this problem. Some of these include the use of sensors and satellite images that are not the best solutions, due to high cost and time delay. One of the emerging technologies for fire monitoring is the use of Unmanned Aerial Vehicles (UAVs). In order for a system to do fire detection, fast and high-precision image processing algorithms are required. With the technology evolution, research is being done with methods of Artificial Intelligence. These techniques include extracting features from images and videos and using deeper architectures, such as Convolutional Neural Networks. Several studies have shown that the use of convolutional techniques is the current state of the art. From this point of view, we recommend the use of two pre-trained architectures Xception and MobileNetV2 for transfer learning. Moreover, two architectures are built from scratch and they have clearly lower results. The test results show that the Xception architecture achieves the highest image classification accuracy in the two classes Fire / No − Fire.	en
heal.advisorName	Σταφυλοπάτης, Ανδρέας-Γεώργιος	el
heal.committeeMemberName	Κόλλιας, Στέφανος	el
heal.committeeMemberName	Στάμου, Γεώργιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	88 σ.	el
heal.fullTextAvailability	false