Εντοπισμός θαλάσσιων ρύπων μέσω δορυφορικών εικόνων με χρήση τεχνικών βαθιάς μηχανικής μάθησης

Alen, Chatsikian; Αλέν, Χατσικιάν

dc.contributor.author	Alen, Chatsikian	en
dc.contributor.author	Αλέν, Χατσικιάν	el
dc.date.accessioned	2022-11-10T08:44:47Z
dc.date.available	2022-11-10T08:44:47Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/56112
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.23810
dc.rights	Αναφορά Δημιουργού 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by/3.0/gr/	*
dc.subject	Semantic Segmentation	en
dc.subject	Σημειακή Τμηματοποίηση	el
dc.subject	Θαλάσσια Ρύπανση	el
dc.subject	Seawater Pollution	en
dc.subject	Τεχνητά νευρωνικά δίκτυα	el
dc.subject	Artificial Neural Networks	en
dc.subject	Remote sensing	en
dc.subject	Τηλεπισκόπηση	el
dc.subject	Deep learning	en
dc.subject	Βαθιά μάθηση	el
dc.title	Εντοπισμός θαλάσσιων ρύπων μέσω δορυφορικών εικόνων με χρήση τεχνικών βαθιάς μηχανικής μάθησης	el
heal.type	masterThesis
heal.secondaryTitle	Detecting marine debris with deep learning in satellite data	en
heal.generalDescription	Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία	el
heal.classification	Βαθιά μάθηση	el
heal.classification	Deep learning	en
heal.classification	Δορυφορική Τηλεπισκόπηση	el
heal.classification	Remote Sensing	en
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2022-09-16
heal.abstract	Το ϑαλάσσιο περιβάλλον, έχει υποστεί σημαντικές πιέσεις που οφείλονται στην ανθρώπινη δρατηριότητα. Τα ϑαλάσσια απορρίμματα, οι πετρελαιοκηλίδες, άλλες χημικές ουσίες, ο ευτροφισμός και ο ϑόρυβος αποτελούν τα κύρια είδη ϱύπανσης που επιβαρύνουν το ϑαλάσσιο οικοσύστημα. Τα τελευταία χρόνια υπάρχει ανάγκη πρόληψης και ταχύτερης αντιμετώπισης των ϕαινομένων ϱύπανσης, με την χρήση καινοτομιών. Η τηλεπισκόπηση, που αφορά την επιστήμη παρατήρησης και μελέτης των χαρακτηριστικών της επιφάνειας της γής από απόσταση, παρέχει ψηφιακές εικόνες που έπειτα απο επεξεργασία μπορούν να τροφοδοτηϑούν σε μοντέλα τεχνητής νοημοσύνης για την παρακολούθηση και τον ταχύ εντοπισμό της ϑαλάσσιας ϱύπανσης. Το τηλεσκοπικό σύνολο δεδομένων MARIDA, αποτελεί μία σημαντική πηγή γεωδεδομένων απο τον δορυφόρο Sentinel-2, με τα οποία μπορούμε να αξιολογήσουμε και να αναπτύξουμε μοντέλα και τεχνικές αναγνώρισης για τον εντοπισμό ϑαλάσσιων απορριμμάτων και τον διαχωρισμό τους από τα υπόλοιπα επιπλέοντα υλικά. Στην παρούσα εργασία, αναπτύσονται και αξιολογούνται μοντέλα ϐαθιάς μάθησης που ϐασίζονται σε συνελικτικά νευρωνικά δίκτυα, τα οποία τα τελυταία χρόνια εμφανίζουν εξαιρετικά αποτελέσματα στην επίλυση προβλημάτων αναγνώρισης. Στόχος της διπλωματικής είναι η εύρεση ενός κατάλληλου μοντέλου για την ταξινόμηση - σημασιολογική τμηματοποίηση των διαφόρων επιπλέοντων ϑαλάσσιων υλικών. Τα συνελικτικά μοντέλα που χρησιμοποιήθηκαν είναι τα DeepLabV3+ και U-Net, επιπροσθέτως αναπτύχθηκε ένα μοντέλο με περιορισμένο οπτικό πεδίο, σχεδιασμένο για την καλύτερη αντιμετώπιση του συγκεκριμένου προβλήματος ταξινόμησης. Για κάθε αρχιτεκτονική παραϑέτουμε, πίνακες παραμέτρων που χρησιμοποιήθηκαν για την ϐέλτιστη αποτελεσματικότητα του εκάστοτε μοντέλου, γραφικές παραστάσεις και αποτελέσματα για τις διαδικασίες εκπαίδευσης και ελέγχου και προβλέψεις σε εικόνες των δεδομένων ελέγχου. Τέλος, για το καλύτερο μοντέλο χρησιμοποιήθηκαν τεχνικές για την ερμηνεία των αποτελεσμάτων με απεικονίσεις για τον τρόπο λειτουργίας του.	el
heal.abstract	The marine environment has suffered significant pressures due to human activity. Marine litter, oil spills, other chemicals, eutrophication and noise are the main types of pollution affecting the marine ecosystem. In recent years, there has been a need to prevent and deal more quickly with pollution phenomenon, with the appliance of innovations. Remote sensing, refers to the process of observing and studying features of the earth’s surface from a long distance. Special cameras collect remotely sensed images, which are processed and fed into artificial intelligence (AI) models. The MARIDA telescope dataset is a source of geodata by Sentinel-2 satellite, wherewith we can evaluate and develop models and identification techniques to detect marine debris. Deep learning models, based on convolutional neural networks, are mainly used to solve recognition problems, since they export features based on the data we provide them. Our goal is to find an appropriate model for classification - semantic segmentation with respect to our input data. The convolutional models we utilized are, DeepLabV3+, U-Net and a convolutional model built from scratch with restricted receptive field. For each architecture we provide tables of used parameters to optimize the effectiveness of each model, graphs and results for the training and testing processes, and predictions over images out of test data. Finally, for the best model, we used techniques to interpret the results with illustrations over the operating principle.	en
heal.advisorName	Κωνσταντίνος, Καράντζαλος	el
heal.committeeMemberName	Αθανάσιος, Βουλόδημος	el
heal.committeeMemberName	Διονύσης, Ραΐτσος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Εφαρμοσμένων Μαθηματικών και Φυσικών Επιστημών	el
heal.academicPublisherID	ntua
heal.numberOfPages	81 σ.
heal.fullTextAvailability	false