Ανάπτυξη Μοντέλων Βαθιάς Μάθησης
και Όρασης για την Αναγνώριση
Συσκευών Κλιματισμού

Δάσκος, Ραφαήλ; Daskos, Raphail

dc.contributor.author	Δάσκος, Ραφαήλ	el
dc.contributor.author	Daskos, Raphail	en
dc.date.accessioned	2025-12-03T07:27:36Z
dc.date.available	2025-12-03T07:27:36Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/62962
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.30658
dc.rights	Αναφορά Δημιουργού-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nd/3.0/gr/	*
dc.subject	Βαθιά μάθηση	el
dc.subject	Κλιματιστικά	el
dc.subject	Ενεργειακή διαχείριση	el
dc.subject	Υπολογιστική όραση	el
dc.subject	Κλιματιστικά	el
dc.subject	Computer vision	en
dc.subject	Fine grained visual classification	en
dc.subject	Energy management	en
dc.subject	Convolutional neural networks	en
dc.subject	Deep learning	en
dc.subject
dc.title	Ανάπτυξη Μοντέλων Βαθιάς Μάθησης και Όρασης για την Αναγνώριση Συσκευών Κλιματισμού	el
dc.contributor.department	Τομέας Ηλεκτρικών Βιομηχανικών Διατάξεων και Συστημάτων Αποφάσεων	el
heal.type	bachelorThesis
heal.classification	computer vision	en
heal.classification	image recognition	en
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2025-07-03
heal.abstract	Η αναγνώριση και ταυτοποίηση οικιακών κλιματιστικών μονάδων με ακρίβεια αποτελεί σημαντικό βήμα για την ανάπτυξη ευφυών ενεργειακών συστημάτων και την αποδοτική διαχείριση της κατανάλωσης. Στην παρούσα εργασία προτείνεται μια προσέγγιση που αξιοποιεί μεθόδους βαθιάς μάθησης και τεχνικές υπολογιστικής όρασης, με έμφαση σε συνελικτικά νευρωνικά δίκτυα (CNNs), για την αυτόματη αναγνώριση τύπου και μοντέλου κλιματιστικών βάσει φωτογραφιών των συσκευών. Το πρόβλημα αντιμετωπίζεται ως λεπτομερής ταξινόμηση, δεδομένου ότι τα κλιματιστικά διαφορετικών κατασκευαστών παρουσιάζουν υψηλή οπτική ομοιότητα, καθιστώντας δύσκολη τη διάκρισή τους. Η προτεινόμενη μέθοδος εκπαιδεύεται σε κατάλληλο σύνολο δεδομένων και αξιολογείται ως προς την ικανότητά της να αναγνωρίζει με ακρίβεια το μοντέλο, επιτυγχάνοντας υψηλή απόδοση στην ταξινόμηση. Τα αποτελέσματα αναδεικνύουν τη δυνατότητα ενσωμάτωσης του συστήματος σε εφαρμογές κινητών συσκευών, διευκολύνοντας την άμεση ταυτοποίηση εξοπλισμού και τη δημιουργία καινοτόμων υπηρεσιών ενεργειακής διαχείρισης. Η εργασία θέτει τις βάσεις για περαιτέρω μελέτη και επέκταση της μεθόδου σε πιο ευρύ φάσμα οικιακών συσκευών.	el
heal.abstract	Accurate identification and recognition of home air conditioning units is a critical step towards developing intelligent energy systems and improving consumption management. This work proposes an approach leveraging deep learning methods and computer vision techniques, with an emphasis on convolutional neural networks (CNNs), for the automatic recognition of air conditioner types and models based on photographs of the devices. The problem is addressed as a fine-grained classification task, since air conditioners from different manufacturers often exhibit high visual similarity, making differentiation challenging. The proposed method is trained on a suitable dataset and evaluated for its ability to accurately recognize the model, achieving high classification performance. The results highlight the potential for deploying the system in mobile applications, enabling immediate equipment identification and facilitating innovative energy management services. This study lays the foundation for future research and the extension of the approach to a broader range of household appliances	en
heal.advisorName	Μαρινάκης, Ευάγγελος
heal.committeeMemberName	Μαρινάκης, Ευάγγελος	el
heal.committeeMemberName	Ασκούνης, Δημήτριος	el
heal.committeeMemberName	Ψαρράς, Ιωάννης	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Ηλεκτρικών Βιομηχανικών Διατάξεων και Συστημάτων Αποφάσεων	el
heal.academicPublisherID	ntua
heal.numberOfPages	103
heal.fullTextAvailability	false