Αυτόµατη ανίχνευση δασικών πυρκαγιών από οπτικά δεδοµένα ϐίντεο σταθερής κάµερας µε µεθόδους Βαθιάς Μάθησης

Παπαγεωργίου, Δημήτριος; Papageorgiou, Dimitrios

dc.contributor.author	Παπαγεωργίου, Δημήτριος	el
dc.contributor.author	Papageorgiou, Dimitrios	en
dc.date.accessioned	2023-05-10T09:54:50Z
dc.date.available	2023-05-10T09:54:50Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/57666
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.25363
dc.description	Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) "Επιστήμη Δεδομένων και Μηχανική Μάθηση"	el
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	Συνελικτικά Νευρωνικά ∆ίκτυα	el
dc.subject	Βαθιά Μάθηση	el
dc.subject	΄Οραση Υπολογιστών	el
dc.subject	Ανίχνευση Πυρκαγιάς	el
dc.subject	Ανίχνευση καπνού	el
dc.subject	Σηµασιολογική Κατάτµηση	el
dc.subject	Συνδυαστική Μάθηση	el
dc.subject	Τµηµατοποίηση εικόνας	el
dc.subject	Ταξινοµητές	el
dc.subject	Convolutional Neural Networks	en
dc.subject	Deep Learning	en
dc.subject	Computer Vision	en
dc.subject	Fire Detection	en
dc.subject	Smoke Detection	en
dc.subject	Semantic Segmentation	en
dc.subject	Ensemble Learning	en
dc.subject	Tiles	en
dc.subject	Classifiers	en
dc.subject	RGB	en
dc.title	Αυτόµατη ανίχνευση δασικών πυρκαγιών από οπτικά δεδοµένα ϐίντεο σταθερής κάµερας µε µεθόδους Βαθιάς Μάθησης	el
dc.title	Automated detection of wildfires from fixed optical video cameras with Deep Learning	en
heal.type	masterThesis
heal.classification	Βαθιά Μάθηση	el
heal.classification	Όραση Υπολογιστών	el
heal.classification	Deep Learning	en
heal.classification	Computer Vision	en
heal.language	el
heal.access	campus
heal.recordProvider	ntua	el
heal.publicationDate	2023-03-21
heal.abstract	Το πρόβλημα της έγκαιρης ανίχνευσης δασικών πυρκαγιών απασχολεί πολλές ερευνητικές ομάδες σε πυρρόπληκτες περιοχές ανά τον κόσμο. Το βασικό ζήτημα που προκύπτει από την ανίχνευση στο οπτικό φάσμα είναι η επίτευξη υψηλής ακρίβειας προβλέψεων ενώ ταυτόχρονα επιθυμούμε να ελαχιστοποιηθούν οι λανθασμένες προβλέψεις. Οι προσεγγίσεις που υπάρχουν αυτή τη στιγμή στη βιβλιογραφία αφορούν την εκπαίδευση μεμονομένων μοντέλων, χρησιμοποιώντας μεθοδολογίες όπως Object Detection,Semantic Segmentation, Classification ή Instance Segmentation. Έχουν ως σκοπό αφενός την αναγνώριση και κατάδειξη της θέσης των εστιών φωτιάς, αφετέρου την κατάδειξη του περιγράμματος των στιγμιοτύπων των καπνών. Φαίνεται να υπάρχει όμως λιγοστή έρευνα σχετικά με τους τρόπους συνδυασμού των μεθόδων αυτών ή την εκμετάλλευση της κίνησης των καπνών στη διάρκεια του χρόνου. Στόχος της διπλωματικής εργασίας είναι η μελέτη, η σχεδίαση και η υλοποίηση ενός συστήματος που ανιχνεύει αξιόπιστα καπνούς και εστίες φωτιάς στο οπτικό φάσμα. Επιπρόσθετα, στόχο αποτελεί η αξιοποίηση πολλαπλών υποσυστημάτων και αλγορίθμων ανίχνευσης, εξασφαλίζοντας έτσι την απαραίτητη διακύμανση, ουσιαστική για την επίτευξη του παραπάνω σκοπού. Τέλος, παράλληλος στόχος είναι ο επιτυχής συνδυασμός όλων των αλγορίθμων που συμμετέχουν, για την παραγωγή προβλέψεων τόσο σε μεμονωμένα καρέ όσο και σε βίντεο.	el
heal.abstract	Wildfire and smoke detection in a timely manner is a prominent research topic across research teams around the world. A major challenge that arises from applying smoke detection in visible spectrum is achieving high-accuracy predictions while maintaining a low number of false-positive detections. Currently available fire and smoke detection solutions rely on training individual models, making use of the principles of Object Detection, Semantic Segmentation, Classification or Instance Segmentation. They aim to identify and locate the position of possible fire hot spots as well as specify the shape of all instances of smoke within the available imagery. However, there seems to be a shortage of research effort concerning ways of combining detection methods to a unified solution or taking advantage of smoke movement and displacement through the course of time. This diploma thesis aims to the research, design and development of a system capable of reliably detecting smoke and fire in visible spectrum. Moreover, it aims to utilize multiple subsystems and detection algorithms, thus making use of the generated variance, a key compoment to achieve the aforementioned goal. Finally, a parallel objective is building a system that combines all techniques and algorithms included in the group in order to produce predictions on still frames as well as video sequences.	en
heal.advisorName	Καράντζαλος, Κωνσταντίνος	el
heal.advisorName	Karantzalos, Konstantinos	en
heal.committeeMemberName	Στάµου, Γιώργος	el
heal.committeeMemberName	Βουλόδηµος, Αθανάσιος	el
heal.committeeMemberName	Voulodimos, Athanasios	en
heal.committeeMemberName	Stamou, Giorgos	en
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	154 σ.	el
heal.fullTextAvailability	false