dc.contributor.author |
Φλωρόπουλος, Δημήτριος
|
el |
dc.contributor.author |
Floropoulos, Dimitrios
|
en |
dc.date.accessioned |
2024-04-15T08:59:51Z |
|
dc.date.available |
2024-04-15T08:59:51Z |
|
dc.identifier.uri |
https://dspace.lib.ntua.gr/xmlui/handle/123456789/59171 |
|
dc.identifier.uri |
http://dx.doi.org/10.26240/heal.ntua.26867 |
|
dc.rights |
Default License |
|
dc.subject |
Artificial intelligence |
en |
dc.subject |
Deep learning |
en |
dc.subject |
Computer vision |
en |
dc.subject |
Unmanned aerial vehicles (UAVs) |
en |
dc.subject |
Τεχνητή νοημοσύνη |
el |
dc.subject |
Βαθιά μάθηση |
el |
dc.subject |
Όραση υπολογιστών |
el |
dc.subject |
Μη επανδρωμένα ιπτάμενα αντικείμενα |
el |
dc.subject |
Επίπεδο εξυπηρέτησης |
el |
dc.subject |
Level of service |
en |
dc.title |
Ανάπτυξη μεθοδολογίας εξαγωγής κυκλοφοριακών δεδομένων μέσω τεχνικών Παρακολούθησης Πολλαπλών Αντικειμένων από UAV |
el |
dc.title |
Extracting traffic data through Multiple Object Tracking from UAV video data |
en |
heal.type |
bachelorThesis |
|
heal.classification |
Transportation Engineering |
en |
heal.classification |
Computer Science |
en |
heal.classification |
Συγκοινωνιακή Τεχνική |
el |
heal.classification |
Επιστήμη Υπολογιστών |
el |
heal.classification |
Τηλεπισκόπηση |
el |
heal.classification |
Remote Sensing |
en |
heal.language |
el |
|
heal.access |
free |
|
heal.recordProvider |
ntua |
el |
heal.publicationDate |
2023-09 |
|
heal.abstract |
Εν έτει 2023 η Τεχνητή Νοημοσύνη έχει σημειώσει σημαντική πρόοδο ώστε να καταφέρει να συμβάλει αξιόλογα σε πεδία εφαρμογών κάθε επιστημονικού τομέα, συμπεριλαμβανομένης της Μηχανικής Μεταφορών. Στην παρούσα Διπλωματική Εργασία αναπτύχθηκε μια δισκελής μεθοδολογία, με τελικό στόχο την αξιολόγηση του επιπέδου εξυπηρέτησης αστικών ισόπεδων οδικών κόμβων. Στο πρώτο της στάδιο, η εν λόγω μεθοδολογία αποτελούνταν από ένα σύστημα τεχνικών Βαθιάς Μάθησης με υλοποιήσεις ανοιχτού κώδικα του οργανισμού OpenMMLab, το οποίο έφερε σε πέρας την εφαρμογή του αλγόριθμου Παρακολούθησης Πολλαπλών Αντικειμένων «DeepSORT» σε κυκλοφοριακές λήψεις βίντεο από UAVs, ορίζοντας τα κινούμενα οχήματα ως στόχους ενδιαφέροντος, υπό ταξινόμηση σε τέσσερις κατηγορίες. Έπειτα, στο δεύτερό της στάδιο, οι εξαγόμενες τροχιές των οχημάτων αξιοποιήθηκαν από προσαρμοσμένους προγραμματιστικούς μηχανισμούς οι οποίοι καταμετρούσαν τις διελεύσεις με πληροφορία προέλευσης – προορισμού, ώστε να προκύπτει ανάθεση κυκλοφοριακού φόρτου ζήτησης στα εκάστοτε ρεύματα κυκλοφορίας. Με διαθέσιμη την «κατανεμημένη» εκτίμηση της ζήτησης, ακολουθήθηκε εκτέλεση του τυπολογίου λειτουργικής ανάλυσης κατά Highway Capacity Manual 2010, για τον τελικό χαρακτηρισμό των επιπέδων εξυπηρέτησης. Τα παραπάνω εφαρμόστηκαν στα UAV πλάνα του Suncity Dataset, προερχόμενα από περιοχές πολυσύχναστων οδικών κόμβων στη συνοικία Ηλιούπολη Αττικής. Συμπερασματικά, τα ενθαρρυντικά αποτελέσματα στις ποσοτικές μετρικές του MOT Benchmark, στους συντιθέμενους δείκτες κυκλοφοριακού φόρτου, αλλά και στους ποιοτικούς ελέγχους που πραγματοποιήθηκαν, επικύρωσαν την τεχνική βιωσιμότητα της χρήσης UAV μέσων στο πεδίο των μετρήσεων συγκοινωνιακών μελετών. Μάλιστα, διακρίθηκαν σημαντικά συγκριτικά πλεονεκτήματα που την καθιστούν ιδιαίτερα ανταγωνιστική μεταξύ άλλων καθιερωμένων μεθόδων. |
el |
heal.abstract |
In the year 2023, Artificial Intelligence has made significant progress to achieve remarkable contributions to fields of application in every scientific field, including Transportation Engineering. In this Diploma Thesis a two-stage methodology was developed, with the final objective of evaluating the level of service at urban level crossings. At its first stage, the methodology was consisted of a Deep Learning techniques system with open-source implementations by the OpenMMLab organization, which carried out the application of the "DeepSORT" Multiple Object Tracking algorithm in traffic video captures from UAVs, defining moving vehicles as targets of interest, classified into four categories. Then, at its second stage, the extracted vehicle trajectories were exploited by customized programming mechanisms that counted the crossings with origin-destination information to derive traffic demand assignments to the respective traffic streams. With the assessment of the "allocated" demand available, the operational analysis template of the Highway Capacity Manual 2010 was executed, for the final designations of the levels of service. The above were applied to the UAV footages of the Suncity Dataset, derived from areas of busy road junctions in the Ilioupolis district of Attica. Concluding, the encouraging results in the quantitative metrics of the MOT Benchmark, in the synthesized traffic volume indicators, as well as in the qualitative supervision carried out, validated the technical viability of the use of UAVs in the field of transportation survey measurements. In fact, significant comparative advantages were distinguished that make it highly competitive amongst other established methods. |
en |
heal.advisorName |
Καράντζαλος, Κωνσταντίνος |
el |
heal.advisorName |
Σπυροπούλου, Ιωάννα |
el |
heal.committeeMemberName |
Καράντζαλος, Κωνσταντίνος |
el |
heal.committeeMemberName |
Σπυροπούλου, Ιωάννα |
el |
heal.committeeMemberName |
Κεπαπτσόγλου, Κωνσταντίνος |
el |
heal.academicPublisher |
Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Αγρονόμων και Τοπογράφων Μηχανικών. Τομέας Τοπογραφίας. Εργαστήριο Τηλεπισκόπησης |
el |
heal.academicPublisherID |
ntua |
|
heal.numberOfPages |
135 σ. |
el |
heal.fullTextAvailability |
false |
|