Τεχνικές μηχανικής μάθησης και τεχνολογίες γεωπληροφορικής στην επιτήρηση κρίσιμων εγκαταστάσεων από δεδομένα μη επανδρωμένων αεροσκαφών

Λάππας, Ανδρέας; Lappas, Andreas

dc.contributor.author	Λάππας, Ανδρέας	el
dc.contributor.author	Lappas, Andreas	en
dc.date.accessioned	2025-03-07T09:31:51Z
dc.date.available	2025-03-07T09:31:51Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/61271
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.28967
dc.rights	Default License
dc.subject	Συστήματα μη επανδρωμένων αεροσκαφών	el
dc.subject	Τεχνητή νοημοσύνη	el
dc.subject	Όραση υπολογιστών	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Βαθιά μάθηση	el
dc.title	Τεχνικές μηχανικής μάθησης και τεχνολογίες γεωπληροφορικής στην επιτήρηση κρίσιμων εγκαταστάσεων από δεδομένα μη επανδρωμένων αεροσκαφών	el
dc.title	Machine learning techniques and geoinformatics technologies in the surveillance of critical facilities from unmanned aircraft data	en
heal.type	bachelorThesis
heal.classification	Γεωπληροφορική	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2024-10-16
heal.abstract	Η τεχνητή νοημοσύνη είναι ένας κλάδος της πληροφορικής, της οποίας οι τομείς εφαρμόζονται σε ένα πλήθος εργασιών που αφορά δραστηριότητες στην ερευνητική, αλλά και στην απλή καθημερινή κοινότητα. Μερικοί βασικοί της τομείς είναι η μηχανική μάθηση, η όραση υπολογιστών και η βαθιά μηχανική μάθηση. Ένα από τα σημαντικότερα πεδία μελέτης όπου εφαρμόζονται διάφορες τεχνικές αυτών των τομέων είναι η παρακολούθηση υποδομών. Στο συγκεκριμένο πεδίο μελέτης βασικότερο παράγοντα αποτελεί η εφαρμογή της όρασης υπολογιστών, της οποίας η επίτευξη πραγματοποιείται μέσω 3 μεθόδων. Στη συγκεκριμένη διπλωματική εργασία, η μέθοδος που χρησιμοποιείται και αξιολογείται είναι αυτή της αναγνώρισης αντικειμένων με τη χρήση οπτικών δεδομένων. Γενικότερα, η μέθοδος αυτή έχει λάβει μεγάλη προσοχή λόγω της συνδυασμένης εφαρμογής της, με μοντέλα βαθιάς μηχανικής μάθησης. Στην παρούσα εργασία το μοντέλο βαθιάς μηχανικής μάθησης που εφαρμόστηκε για την αναγνώριση αντικειμένων, ήταν το μοντέλο YOLOv8 σε όλες τις εκδόσεις του. Το μοντέλο αυτό αξιοποίησε δύο ομάδες δεδομένων, οι οποίες αφορούσαν η μεν, εικόνες που απεικονίζουν μια γέφυρα επί του εθνικού οδικού δικτύου και η δε, εικόνες που παρουσιάζουν μία αποθήκη επί λιμένα στο εξωτερικό. Για την κάθε ομάδα δεδομένων ορίστηκαν συγκεκριμένες κλάσεις που αφορούσαν τα αντίστοιχα αντικείμενα ενδιαφέροντος. Στη συνέχεια σε κατάλληλο λογισμικό επισημάνθηκαν τα αντικείμενα με τη σχεδίαση ορθογωνίων περιοχής. Μετά τη σχεδίαση των ορθογωνίων περιοχής, εφαρμόστηκε το μοντέλο βαθιάς μηχανικής μάθησης YOLOv8, σε δύο στάδια. Σε αυτό της εκπαίδευσης και σε αυτό της δοκιμής. Έτσι εξήχθησαν οι μετρήσεις απόδοσης της κάθε έκδοσης του μοντέλου, οι οποίες αποτέλεσαν τα βασικά κριτήρια αξιολόγησης της κάθε έκδοσης ως προς την αποδοτικότητας τους. Με την εφαρμογή όλων των παραπάνω εργαλείων και μετά το πέρας της εργασίας, εξήχθησαν χρήσιμα συμπεράσματα στον τομέα της ανίχνευσης αντικειμένων για την αποδοτικότερη παρακολούθηση υποδομών. Επίσης εντοπίστηκαν οι αντίστοιχες αδυναμίες του μοντέλου και σχεδιάστηκαν μελλοντικές δραστηριότητες και διαδικασίες ως προς την βελτίωσή του.	el
heal.advisorName	Δουλάμης, Νικόλαος	el
heal.committeeMemberName	Ιωαννιδής, Χαράλαμπος	el
heal.committeeMemberName	Βεσκούκης, Βασίλειος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Αγρονόμων και Τοπογράφων Μηχανικών. Τομέας Τοπογραφίας	el
heal.academicPublisherID	ntua
heal.numberOfPages	78 σ.	el
heal.fullTextAvailability	false