{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3223719"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3223719","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Τεχνητή νοημοσύνη και διαχείριση κρίσεων και καταστροφών: Ανίχνευση πυρκαγιάς από οπτικά και θερμικά δεδομένα μη επανδρωμένων αεροσκαφών","abstract":"Στην 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.","abstract_html":"Στην 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.","abstract_has_math":false,"creators":["Τσάμης Γεώργιος","Tsamis Georgios"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2022,"date_issued":"2022","date_published":"2022","updated_at":"2026-11-19T05:47:17Z","subjects":["Θετικές Επιστήμες","Science"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3223719"],"render_values":[{"text":"uoadl:3223719","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3223719","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3223719","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A3223719","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Τσάμης Γεώργιος","Tsamis Georgios"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2022"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Θετικές Επιστήμες","Science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["Ελληνικά","Greek"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3223719","https://pergamos.lib.uoa.gr/uoa/dl/object/3223719"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Στην 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.","In this thesis we will deal with artificial intelligence and computer vision applications in the field of crisis and disaster management. We will first refer to the definitions of concepts, then categorize disasters in different ways and state the criteria for considering a phenomenon as a disaster. Additionally, we will discuss about disaster management and also mention the four phases of a disaster. In the next chapter, we will refer mainly to the forest and also to the urban fires. We begin by listing the causes, factors, categories of forest fires, the process of burning, and the ability of the fire to spread. Then, we will talk about urban fires and the effects of fires. In the fourth chapter, we will talk about UAS (Unmanned Aerial Systems), where we will give historical data, capabilities, regulations, general and crisis management uses. In the fifth chapter, we will refer to artificial intelligence (AI). At the beginning we give a definition, some historical data, but also its applications and fields of AI. Next, we will talk about the differences between image classification, object detection, and image segmentation. In the last part of the fifth chapter we will analyze the applications that artificial intelligence can have in the management of natural disasters. In the sixth chapter we will demonstarte supervised learning techniques related to classification and fire detection. We will develop a deep neural network that will be trained with two different data sets: one with RGB images and one with thermal. We will also label our datasets and use some image preprocessing techniques, to augment our thermal data. Next, we will train our neural network, and specifically the YOLOv5, to detect fire along with the possibility of accuracy. Finally, we will present the test results for both datasets and the accuracy rates. The neural network trained with RGB data succeeded in detecting fire phenomena with great precision. Similarly, the model intended for the thermal data set went unexpectedly well, despite our doubts, due to the heat transfer to the objects in the background, achieving accuracy rates that in some cases reached 90%. We will close our work with the analysis of the conclusions, future work, and citation of the bibliography."]},{"key":"dc:title","label":"Title","values":["Τεχνητή νοημοσύνη και διαχείριση κρίσεων και καταστροφών: Ανίχνευση πυρκαγιάς από οπτικά και θερμικά δεδομένα μη επανδρωμένων αεροσκαφών"]}]}],"canonical_facts":{"dc:creator":["Τσάμης Γεώργιος","Tsamis Georgios"],"dc:date":["2022"],"dc:description":["Στην 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.","In this thesis we will deal with artificial intelligence and computer vision applications in the field of crisis and disaster management. We will first refer to the definitions of concepts, then categorize disasters in different ways and state the criteria for considering a phenomenon as a disaster. Additionally, we will discuss about disaster management and also mention the four phases of a disaster. In the next chapter, we will refer mainly to the forest and also to the urban fires. We begin by listing the causes, factors, categories of forest fires, the process of burning, and the ability of the fire to spread. Then, we will talk about urban fires and the effects of fires. In the fourth chapter, we will talk about UAS (Unmanned Aerial Systems), where we will give historical data, capabilities, regulations, general and crisis management uses. In the fifth chapter, we will refer to artificial intelligence (AI). At the beginning we give a definition, some historical data, but also its applications and fields of AI. Next, we will talk about the differences between image classification, object detection, and image segmentation. In the last part of the fifth chapter we will analyze the applications that artificial intelligence can have in the management of natural disasters. In the sixth chapter we will demonstarte supervised learning techniques related to classification and fire detection. We will develop a deep neural network that will be trained with two different data sets: one with RGB images and one with thermal. We will also label our datasets and use some image preprocessing techniques, to augment our thermal data. Next, we will train our neural network, and specifically the YOLOv5, to detect fire along with the possibility of accuracy. Finally, we will present the test results for both datasets and the accuracy rates. The neural network trained with RGB data succeeded in detecting fire phenomena with great precision. Similarly, the model intended for the thermal data set went unexpectedly well, despite our doubts, due to the heat transfer to the objects in the background, achieving accuracy rates that in some cases reached 90%. We will close our work with the analysis of the conclusions, future work, and citation of the bibliography."],"dc:identifier":["uoadl:3223719","https://pergamos.lib.uoa.gr/uoa/dl/object/3223719"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Θετικές Επιστήμες","Science"],"dc:title":["Τεχνητή νοημοσύνη και διαχείριση κρίσεων και καταστροφών: Ανίχνευση πυρκαγιάς από οπτικά και θερμικά δεδομένα μη επανδρωμένων αεροσκαφών"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:47:17Z"}