National and Kapodistrian University of Athens
Τεχνητή νοημοσύνη και διαχείριση κρίσεων και καταστροφών: Ανίχνευση πυρκαγιάς από οπτικά και θερμικά δεδομένα μη επανδρωμένων αεροσκαφών
Abstract
dc:descriptionΣτην παρούσα διπλωματική εργασία θα ασχοληθούμε με εφαρμογές τεχνητής νοημοσύνης και όρασης υπολογιστών στον τομέα της διαχείρισης κρίσεων και καταστροφών. Αρχικά θα αναφερθούμε στους ορισμούς των εννοιών, και στην συνέχεια θα κατηγοριοποιήσουμε τις καταστροφές με διαφορετικούς τρόπους και θα αναφέρουμε τα κριτήρια για να θεωρηθεί ένα φαινόμενο ως καταστροφή. Επιπλέων θα ασχοληθούμε με το κομμάτι της διαχείρισης των καταστροφών και θα αναφέρουμε τις τέσσερις φάσεις των καταστροφών. Στο επόμενο κεφάλαιο θα αναφερθούμε κυρίως στις δασικές αλλα και στις αστικές πυρκαγιές. Αρχικά θα παραθέσουμε τα αίτια, τους παράγοντες, τις κατηγορίες των δασικών πυρκαγιών, την διαδικασία της καύσης και την ικανότητα εξάπλωσης της πυρκαγιάς. Στην συνέχεια θα μιλήσουμε για τις αστικές πυρκαγιές και θα κλείσουμε το κεφάλαιο με τις επιπτώσεις των πυρκαγιών. Στο τέταρτο κεφάλαιο θα μιλήσουμε για τα ΣμηΕΑ (συστήματα μη επανδρωμένων αεροσκαφών), όπου θα δώσουμε ιστορικά στοιχεία, δυνατότητες, κανονισμούς και χρήσεις που μπορούν να έχουν γενικά αλλά και στο κομμάτι της διαχείρισης των κρίσεων. Στο πέμπτο κεφάλαιο θα αναφερθούμε στην τεχνητή νοημοσύνη. Αρχικά θα δώσουμε τον ορισμό , ορισμένα ιστορικά στοιχεία, αλλά και τις εφαρμογές και τους κλάδους της. Στην συνέχεια θα μιλήσουμε για τις διαφορές μεταξύ ταξινόμησης εικόνας, ανίχνευσης αντικειμένου και κατάτμηση εικόνας. Στο τελευταίο κομμάτι του πέμπτου κεφαλαίου θα αναλύσουμε τις εφαρμογές που μπορεί να έχει η τεχνητή νοημοσύνη στην διαχείριση των φυσικών καταστροφών. Στο έκτο κεφάλαιο θα παρουσιάσουμε τεχνικές επιτηρούμενης μάθησης, με ταξινόμηση και ανίχνευση πυρκαγιάς. Θα αναπτύξουμε ένα βαθύ νευρωνικό δίκτυο το οποίο θα εκπαιδεύσουμε με δύο διαφορετικά σύνολα δεδομένων: το ένα με RGB εικόνες και το άλλο με θερμικές. Επίσης θα κατηγοριοποιήσουμε τα σύνολα δεδομένων μας και θα χρησιμοποιήσουμε κάποιες τεχνικές προεπεξεργασίας εικόνων για να αυξήσουμε τα θερμικά μας δεδομένα. Στην συνέχεια θα εκπαιδεύσουμε το νευρωνικό μας δίκτυο, και συγκεκριμένα το YOLOv5, έτσι ώστε να εντοπίζει τα φαινόμενα πυρκαγιάς μαζί με την πιθανότητα ευστοχίας. Τέλος θα γίνει μια παρουσίαση των αποτελεσμάτων των δοκιμών και για τα δύο σύνολα δεδομένων αλλά και των ποσοστών ευστοχίας στην ανίχνευση της κλάσης των πυρκαγιών. Το νευρωνικό δίκτυο που εκπαιδεύτηκε με τα οπτικά (RGB) δεδομένα πέτυχε με μεγάλη ακρίβεια τον εντοπισμό φαινομένων πυρκαγιάς. Ομοιώς, το μοντέλο που προοριζόταν για το θερμικό σύνολο δεδομένων πήγε ανέλπιστα καλά παρά τις αμφιβολίες μας, λόγω της μεταφοράς θερμότητας στα αντικείμενα του παρασκηνίου, πετυχαίνοντας ποσοστά ευστοχίας που σε ορισμένες περιπτώσεις άγγιζαν το 90%. Ολοκληρώνοντας θα κλείσουμε την εργασία μας με την ανάλυση των συμπερασμάτων, προτάσεις για μελλοντική έρευνα, και την παράθεση της βιβλιογραφίας.
Author and committee
dc:creator, dc:contributor.*- Authors dc:creator
-
- Τσάμης Γεώργιος
- Tsamis Georgios
Subjects
dc:subject × 2Rights
- Language dc:language
- Ελληνικά, Greek
Identifiers
dc:identifier.*- Identifier
- uoadl:3223719