Σύγκριση μεθόδων μηχανικής μάθησης για τον εντοπισμό φθορών σε μνημεία

Χρυσογόνος, Νικόλαος; Chrysogonos, Nikolaos

dc.contributor.author	Χρυσογόνος, Νικόλαος	el
dc.contributor.author	Chrysogonos, Nikolaos	en
dc.date.accessioned	2023-01-19T10:56:41Z
dc.date.available	2023-01-19T10:56:41Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/56783
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.24481
dc.rights	Αναφορά Δημιουργού-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nd/3.0/gr/	*
dc.subject	Μηχανική Μάθηση	el
dc.subject	Συνελικτικά Νευρωνικά Δίκτυα	el
dc.subject	Ομαδοποίηση	el
dc.subject	Φθορές	el
dc.subject	Παρακολούθηση Δομικής Ακεραιότητας	el
dc.subject	Προστασία Μνημείων	el
dc.subject	Machine Learning	en
dc.subject	Convolutional Neural Networks	en
dc.subject	Clustering	en
dc.subject	Deterioration	en
dc.subject	Structural Health Monitoring	en
dc.subject	Monument Protection	en
dc.title	Σύγκριση μεθόδων μηχανικής μάθησης για τον εντοπισμό φθορών σε μνημεία	el
heal.type	bachelorThesis
heal.classification	Τηλεπισκόπηση	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2022-10-21
heal.abstract	Καθώς η κλιματική αλλαγή επιφέρει ακραίες συνθήκες στον πλανήτη, ερευνάται η κατάστρωση στρατηγικής για την προστασία των μνημείων, με πρώτο στάδιο τον αυτόματο εντοπισμό παλαιών και νέων φθορών τους. Στο πλαίσιο αυτό, η παρούσα εργασία εξετάζει την εφαρμογή αλγορίθμων μηχανικής μάθησης σε εικόνες μνημείου με φθορές και επιχειρείται η σύγκριση μεθόδων επιβλεπόμενης και μη επιβλεπόμενης μάθησης. Συγκεκριμένα, εξετάζεται η αποτελεσματικότητα ενός μοντέλου συνελικτικού νευρωνικού δικτύου VGG-16 εκπαιδευμένου σε φασματικές εικόνες RGB, ενός μοντέλου συνελικτικού δικτύου VGG-16 εκπαιδευμένου σε φασματικές εικόνες με 3 κανάλια εγγύς υπέρυθρου και ενός αλγορίθμου ομαδοποίησης K-means στον εντοπισμό φθορών πάνω σε εικόνες του φρουρίου Αγίου Νικολάου στη Ρόδο. Η σύγκριση των αποτελεσμάτων γίνεται τόσο με δείκτες ορθότητας, ανάκλησης, ακρίβειας και F1, όσο και οπτικά, συγκρίνοντας τα αποτελέσματα του Class Activation Mapping των συνελικτικών δικτύων και την οπτικοποίηση του αλγορίθμου ομαδοποίησης με τις εικόνες επισημάνσεων φθορών. Τα μοντέλα νευρωνικών δικτύων VGG φαίνεται να έχουν μεγάλο δείκτη ορθότητας στα δεδομένα εκπαίδευσης και επικύρωσης, 85% για το μοντέλο εκπαιδευμένο σε RGB φασματικά κανάλια και 92% για το μοντέλο εκπαιδευμένο σε εγγύς υπέρυθρα φασματικά κανάλια, συγκριτικά με το 61% δείκτη ορθότητας της ομαδοποίησης K-means, οπτικά ωστόσο τα αποτελέσματα του Class Activation Mapping εντοπίζουν μόνο έναν συγκεκριμένο τύπο φθορών, ενώ εμφανίζουν έντονες λανθασμένες ενεργοποιήσεις στα όρια των παραθύρων εκπαίδευσης. Τέλος, προτείνονται εναλλακτικές επιλογές φασματικών καναλιών αλλά και αρχιτεκτονικών νευρωνικών δικτύων για περαιτέρω διερεύνηση, ώστε με πιθανή καλύτερη αξιοποίηση των στοιχείων των δεδομένων χωρίς την απώλεια πληροφορίας να επιτευχθεί η εξαγωγή καλύτερων αποτελεσμάτων στον εντοπισμό φθορών.	el
heal.abstract	As climate change causes extreme conditions on the planet, research focuses on constructing a strategy for the protection of monuments, starting with the automatic detection of past and ongoing deterioration. In this context, this thesis examines the application of Machine Learning Algorithms on images of a monument with present deterioration, while attempting to compare the effectiveness of supervised and unsupervised learning techniques. Specifically, the thesis compares the effectiveness of a VGG-16 convolutional neural network trained on images with only RGB bands, a VGG-16 convolutional neural network trained on hyperspectral images with 3 near infrared spectral bands, and, finally, a K-means clustering algorithm, on locating wears in images of the Saint Nicholas Fortress in Rhodes. The comparison is performed both by metrics, namely accuracy, recall, precision and F1, and visually, by comparing the results of Class Activation Mapping on the convolutional neural networks and the visualization of the clustering algorithm with the annotated images of damages. The VGG Network models seem to achieve high accuracy on the training and validation data, 85% for the RGB trained model and 92% for the near infrared model, compared to the 61% accuracy of the K-means clustering model, although visually the Class Activation Mapping seems to only locate one type of damage, while having multiple errors on the borders of the training segments. Finally, the thesis proposes alternative spectral band and architecture choices for additional research, so that the better possible utilization of the available data, without the loss of information, can lead to better results on the task of locating deterioration.	en
heal.advisorName	Δουλάμης, Αναστάσιος	el
heal.committeeMemberName	Γεωργόπουλος, Ανδρέας	el
heal.committeeMemberName	Στρατηγέα, Αναστασία	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Αγρονόμων και Τοπογράφων Μηχανικών. Τομέας Τοπογραφίας	el
heal.academicPublisherID	ntua
heal.numberOfPages	166 σ.	el
heal.fullTextAvailability	false