Αναζήτηση

Πλοήγηση

• Κοινότητες
• Συγγραφείς
• Έτος
• Τίτλοι
• Θέματα

Ο Χώρος μου

• Είσοδος

Εντοπισμός πυρκαγιάς σε δασικές περιοχές, χρησιμοποιώντας τεχνικές βαθιάς μάθησης και ενοποίησης δεδομένων σε εναέριες εικόνες

Zachariadis Emmanouil

Πλήρης Εγγραφή

---

Περίληψη

Είναι γεγονός ότι η χώρα μας, όπως και άλλες χώρες, υποφέρει κάθε χρόνο από έντονες πυρκαγιές που αναπόφευκτα προκαλούν μεγάλες απώλειες. Στην καλύτερη περίπτωση, οι απώλειες αυτές είναι μόνο υλικές, αλλά υπάρχουν πολλές περιπτώσεις όπου οι συνέπειες δεν περιορίζονται μόνο σε αυτό το φάσμα. Σε πολλές περιπτώσεις, οι καταστροφές αυτές έχουν κρίσιμες επιπτώσεις στις ζωές των πυροσβεστών και των πολιτών, στην εξαφάνιση των ζώων και στην καταστροφή των δασών. Λαμβάνοντας υπόψη τις προβλέψεις των επιστημόνων ότι οι πυρκαγιές θα αυξάνονται κάθε χρόνο λόγω της κλιματικής αλλαγής, έχουν δημιουργηθεί πολλά συστήματα πρόληψης για την αποφυγή τέτοιου είδους καταστάσεων. Η παρούσα εργασία επικεντρώνεται στην ανάπτυξη ενός συστήματος ανίχνευσης που μπορεί να διαχωρίσει εικόνες δασών σε περιπτώσεις "πυρκαγιάς" και "μη πυρκαγιάς" με είσοδο τόσο από κάμερες RGB, όσο και από κάμερες υπερύθρων (IR), αποτρέποντας δυνητικά εκτεταμένες καταστροφές. Μέσα στην εργασία μας περιέχεται και ο σχεδιασμός ενός νέου μοντέλου παραγμένου από την ομάδα μας, ο οποίος πιστεύουμε ότι αυξάνει τις πιθανότητες για την αποφυγή μιας δασικής καταστροφής. Ο σχεδιασμός μας ονομάζεται ShRe-Xception (Short Recursive) και είναι ένα συνονθύλευμα που χρησιμοποιεί χαρακτηριστικά, τόσο από μια υπάρχουσα μικρή - αρχιτεκτονική του δικτύου Xception (small-arch Xception), όσο και από την αρχική έκδοση του δικτύου Xception. Αυτή η μελέτη περιλαμβάνει μια πειραματική διαδικασία γύρω από τον τρόπο εκπαίδευσης ενός νευρωνικού δικτύου με δύο διαφορετικά σύνολα δεδομένων και τον ρόλο που έρχεται να παίξει η αρχιτεκτονική του στην μετέπειτα απόδοση. Αρχικά, εκτελούμε transfer learning στο small-arch Xception με είσοδο, είτε από εικόνες RGB, είτε από εικόνες IR και στη συνέχεια, παίρνουμε την ίδια αρχιτεκτονική και την εκπαιδεύουμε με όλες τις εικόνες RGB από την αρχή, εκτελώντας αργότερα την επανεκπαίδευση με θερμικές εικόνες. Εκπαιδεύουμε επίσης το προτεινόμενο δίκτυο ShRe-Xception, χρησιμοποιώντας όλες τις εικόνες RGB από την αρχή και επανεκπαιδεύοντάς το με θερμικές εικόνες στη συνέχεια. Τα σύνολα δεδομένων που χρησιμοποιούνται για σκοπούς εκπαίδευσης και δοκιμής περιέχουν εικόνες "πυρκαγιάς" και "μη πυρκαγιάς" από δάση που έχουν ληφθεί από UAV και έχουν αναρτηθεί στην IEEE dataport. Κατά τη δοκιμή των παραπάνω μοντέλων, η ακρίβεια των δοκιμών ήταν RGB: 77,13% / IR: 94,47% μετά το transfer learning στο small-arch Xception, RGB: 84,86% / IR: 29,19% κατά την αρχική εκπαίδευση του small-arch Xception και RGB: 90,10% / IR: 99,31% μετά την αρχική εκπαίδευση στο μοντέλο ShRe-Xception. Τα παραπάνω αποτελέσματα είναι ενδεικτικά, καθώς υλοποιήθηκαν και πολλές άλλες τεχνικές. Σε γενικές γραμμές, το τελευταίο μοντέλο αποδείχθηκε το πιο ακριβές για εικόνες και των δύο φασμάτων στα πειράματά μας. Το ShRe-Xception μπορεί ενδεχομένως να διαδραματίσει ζωτικό και αποτελεσματικό ρόλο στην ανίχνευση πυρκαγιάς σε πραγματικό χρόνο κατά την εναέρια επιτήρηση των δασών.

Διαθέσιμα αρχεία

Υπηρεσίες