Ιδρυματικό Αποθετήριο
Πολυτεχνείο Κρήτης
Πολυτεχνείο Κρήτης
EN
|
EL
| URI | http://purl.tuc.gr/dl/dias/2AB3B484-91F3-448E-802D-34877D9BAF53 | - |
| Αναγνωριστικό | https://doi.org/10.26233/heallink.tuc.102269 | - |
| Γλώσσα | en | - |
| Μέγεθος | 90 pages | en |
| Τίτλος | Analysis of remote sensing data using artificial intelligence techniques in order to assess the structural stability of buildings | en |
| Τίτλος | Ανάλυση δεδομένων τηλεπισκόπησης με χρήση τεχνικών τεχνητής νοημοσύνης για την αξιολόγηση της δομικής ευστάθειας κτιρίων | el |
| Δημιουργός | Mavroudis Alkis | en |
| Δημιουργός | Μαυρουδης Αλκις | el |
| Συντελεστής [Επιβλέπων Καθηγητής] | Zervakis Michail | en |
| Συντελεστής [Επιβλέπων Καθηγητής] | Ζερβακης Μιχαηλ | el |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Lagoudakis Michail | en |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Λαγουδακης Μιχαηλ | el |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Stavroulakis Georgios | en |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Σταυρουλακης Γεωργιος | el |
| Εκδότης | Πολυτεχνείο Κρήτης | el |
| Εκδότης | Technical University of Crete | en |
| Ακαδημαϊκή Μονάδα | Technical University of Crete::School of Electrical and Computer Engineering | en |
| Ακαδημαϊκή Μονάδα | Πολυτεχνείο Κρήτης::Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών | el |
| Περίληψη | The preservation of buildings and infrastructure, increasingly vulnerable to damage from climate change-related natural disasters, remains a critical concern for both urban and rural areas, underscoring the need for advanced evaluation methods and mitigation strategies. Concurrently, advancements in Artificial Intelligence enable the development of tools that can automate significant aspects of structural stability assessment, enhancing efficiency and accuracy in response efforts. Regarding remote sensing data analysis in particular, Convolutional Neural Networks over the past decade, and more recently Vision Transformers, have shown promising results. However, existing publications often appear overfitted to address specific use cases, focusing on higher performance metrics rather than optimizing for in-field applications. This thesis proposes a unified pipeline for building damage assessment on the two primary sources of remote sensing data, satellite and aerial imagery, leveraging contemporary methods incorporating a Siamese U-Net approach for satellite images and a custom-trained YOLO model for drone footage. The core purpose of this work is to provide a toolkit for obtaining an overview using satellite imagery and enabling further investigation of areas of interest through the deployment of unmanned aerial vehicles. Experimental validations demonstrate the superior output in accuracy and inference speed of the proposal compared to baseline models, while extended testing in real-world scenarios in Greece and internationally highlights the generalizability of the process across a wide range of cases. The findings showcase the potential for real-time, deployable solutions in resource-constrained environments, bridging the gap between research and practical implementations. Ultimately, as automated disaster assessment continues to improve, the aggregation of analyzed data from previous events will become an invaluable resource for responding to crises moving forward. | en |
| Περίληψη | Η συντήρηση υποδομών και κτιρίων, τα οποία είναι ολοένα και πιο ευάλωτα σε φυσικές καταστροφές λόγω της κλιματικής αλλαγής, παραμένει ένα φλέγον ζήτημα για αστικές και αγροτικές περιοχές, επισημαίνοντας τις ανάγκες για εξελιγμένες μεθόδους αξιολόγησης και στρατηγικές μετριασμού ζημιών. Συγχρόνως, η πρόσφατη πρόοδος στον τομέα της τεχνητής νοημοσύνης παρέχει τη δυνατότητα ανάπτυξης εργαλείων, με σκοπό την αυτοματοποίηση σημαντικών μερών της αξιολόγησης δομικής ευστάθειας, βελτιώνοντας την αποδοτικότητα στις προσπάθειες διάσωσης. Όσον αφορά την ανάλυση δεδομένων τηλεπισκόπησης, τα Συνελικτικά Νευρωνικά Δίκτυα κατά την τελευταία δεκαετία και οι Vision Transformers πιο πρόσφατα, παρουσιάζουν ιδιαίτερα υποσχόμενες επιδόσεις. Εντούτοις, οι υπάρχουσες δημοσιεύσεις είναι συχνά υπερεστιασμένες σε συγκεκριμένες περιπτώσεις, δίνοντας μεγαλύτερη σημασία στη βελτιστοποίηση των στατιστικών των επιδόσεων, έναντι της αποτελεσματικότητας σε πρακτικές εφαρμογές. Η παρούσα διπλωματική εργασία προτείνει μία ενιαία λύση για την εκτίμηση της δομικής ευστάθειας κτιρίων, αξιοποιώντας τις δύο βασικές πηγές δεδομένων τηλεπισκόπησης, τις δορυφορικές και τις εναέριες εικόνες. Πιο συγκεκριμένα, χρησιμοποιεί σύγχρονες μεθόδους ενσωματώνοντας μία Siamese U-Net προσέγγιση για τις δορυφορικές εικόνες και ένα ειδικά εκπαιδευμένο YOLO μοντέλο για πλάνα από drone. Ο κύριος στόχος της εργασίας είναι η δημιουργία ενός προγράμματος, το οποίο παρουσιάζει μια γενική εικόνα της εκάστοτε κατάστασης, με βάση τις δορυφορικές εικόνες και μετέπειτα εξετάζει περαιτέρω τις περιοχές που έχει υποδείξει με την αποστολή εναέριων μέσων. Μέσω πειραματικής επαλήθευσης επιδεικνύεται η καλύτερη λειτουργία της προτεινόμενης λύσης συγκριτικά με τις προηγούμενες, τόσο σε ακρίβεια, όσο και σε χρόνο εκτέλεσης, ενώ βάσει εκτενών δοκιμών σε πραγματικές περιπτώσεις εντός και εκτός Ελλάδας επισημαίνεται η δυνατότητα γενίκευσης της διαδικασίας. Τα αποτελέσματα τονίζουν τη δυνατότητα ανάλυσης δεδομένων τηλεπισκόπησης σε πραγματικό χρόνο, γεφυρώνοντας το χάσμα μεταξύ έρευνας και πρακτικών εφαρμογών. Καταληκτικά, όσο η αυτοματοποιημένη αξιολόγηση φυσικών καταστροφών συνεχίσει να βελτιώνεται, η συγκέντρωση των αναλυμένων δεδομένων από προηγούμενα γεγονότα θα αποτελέσει αναπόσπαστο κομμάτι για την αντιμετώπιση μελλοντικών κρίσεων. | el |
| Τύπος | Διπλωματική Εργασία | el |
| Τύπος | Diploma Work | en |
| Άδεια Χρήσης | http://creativecommons.org/licenses/by/4.0/ | en |
| Ημερομηνία | 2025-02-14 | - |
| Ημερομηνία Δημοσίευσης | 2025 | - |
| Θεματική Κατηγορία | Τεχνητή νοημοσύνη | el |
| Θεματική Κατηγορία | Artificial intelligence | en |
| Θεματική Κατηγορία | Building damage assessment | en |
| Θεματική Κατηγορία | Αξιολόγηση δομικής ευστάθειας | el |
| Θεματική Κατηγορία | Remote sensing | en |
| Θεματική Κατηγορία | Τηλεπισκόπηση | el |
| Βιβλιογραφική Αναφορά | Alkis Mavroudis, "Analysis of remote sensing data using artificial intelligence techniques in order to assess the structural stability of buildings", Diploma Work, School of Electrical and Computer Engineering, Technical University of Crete, Chania, Greece, 2025 | en |
| Βιβλιογραφική Αναφορά | Άλκις Μαυρουδής, "Ανάλυση δεδομένων τηλεπισκόπησης με χρήση τεχνικών τεχνητής νοημοσύνης για την αξιολόγηση της δομικής ευστάθειας κτιρίων", Διπλωματική Εργασία, Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2025 | el |
Copyright © DIAS 2013
