BEGIN:VCALENDAR VERSION:2.0 PRODID:-//TUC//Events//EN CALSCALE:GREGORIAN BEGIN:VTIMEZONE TZID:Europe/Athens TZNAME:EEST DTSTART:19700329T030000 RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=3 BEGIN:STANDARD TZOFFSETFROM:+0200 TZOFFSETTO:+0300 TZNAME:EET DTSTART:19701025T040000 RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=10 END:STANDARD END:VTIMEZONE BEGIN:VEVENT CREATED:20230720T132223Z LAST-MODIFIED:20230720T132223Z DTSTAMP:20260510T083638Z UID:1778391398@tuc.gr SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κ. Ζαχαριάδη Εμμανουήλ - Σχολή ΗΜΜΥ LOCATION: DESCRIPTION:https://www.tuc.gr/el/to-polytechnei o/ilektronikes-ypiresies/imerologio/ imerologio-ekdiloseon-1?tx_tucevents 2_tuceventsdisplay%5Baction%5D=show& tx_tucevents2_tuceventsdisplay%5Bcon troller%5D=Event&tx_tucevents2_tucev entsdisplay%5Bevent%5D=6374&cHash=3e cdfb06c4b550421670671ac6d7896d\nΠΟΛΥ ΤΕΧΝΕΙΟ ΚΡΗΤΗΣ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\ n Πρόγραμμα Προπτυχιακών Σπουδών\n Π ΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n ΕΜ ΜΑΝΟΥΗΛ ΖΑΧΑΡΙΑΔΗ\n με θέμα\n Εντοπι σμός Πυρκαγιάς σε Δασικές Περιοχές, χρησιμοποιώντας Τεχνικές Βαθιάς Μάθη σης και Ενοποίησης Δεδομένων σε Εναέ ριες\n Εικόνες \n Wildforest Fire De tetction using Deep Learning and Fus ion Techniques on Aerial Image Datas ets \n Εξεταστική Επιτροπή\n Καθηγητ ής Μιχαήλ Ζερβάκης (επιβλέπων)\n Καθ ηγητής Μιχαήλ Λαγουδάκης\n Αναπληρωτ ής Καθηγητής Απόστολος Βουλγαράκης ( Σχολή ΧΗΜΗΠΕΡ, Πολυτεχνείο Κρήτης)\n \nΠερίληψη\n Είναι γεγονός ότι η χώ ρα μας, όπως και άλλες χώρες του εξω τερικού, υποφέρει κάθε χρόνο από έντ ονες πυρκαγιές που αναπόφευκτα προκα λούν μεγάλες απώλειες. Στην καλύτερη περίπτωση, οι απώλειες αυτές είναι μόνο υλικές, αλλά υπάρχουν πολλές πε ριπτώσεις όπου οι συνέπειες δεν περι ορίζονται μόνο σε αυτό το φάσμα. Σε πολλές περιπτώσεις, οι καταστροφές α υτές έχουν κρίσιμες επιπτώσεις στις ζωές των πυροσβεστών και των πολιτών , στην εξαφάνιση των ζώων και στην κ αταστροφή των δασών. Λαμβάνοντας υπό ψη τις προβλέψεις των επιστημόνων ότ ι οι πυρκαγιές θα αυξάνονται κάθε χρ όνο λόγω της κλιματικής αλλαγής, έχο υν δημιουργηθεί πολλά συστήματα πρόλ ηψης για την αποφυγή τέτοιου είδους καταστάσεων. Η παρούσα εργασία επικε ντρώνεται στην ανάπτυξη ενός συστήμα τος ανίχνευσης που μπορεί να διαχωρί σει εικόνες δασών σε περιπτώσεις "πυ ρκαγιάς" και "μη πυρκαγιάς" με είσοδ ο τόσο από κάμερες RGB όσο και από κ άμερες υπερύθρων (IR), αποτρέποντας δυνητικά εκτεταμένες καταστροφές. Μέ σα στην εργασία μας περιέχεται και ο σχεδιασμός ενός νέου μοντέλου παραγ μένου από την ομάδα μας ο οποίος πισ τεύουμε ότι αυξάνει τις πιθανότητες για την αποφυγή μιας τέτοιας δυσάρεσ της κατάστασης. Ο σχεδιασμός μας ονο μάζεται ShRe-Xception (Short Recursi ve) και είναι ένα συνονθύλευμα που χ ρησιμοποιεί χαρακτηριστικά τόσο από μια υπάρχουσα μικρή - αρχιτεκτονική του δικτύου Xception (small-arch Xce ption) όσο και από την αρχική έκδοση του δικτύου Xception, που προτάθηκε από τον F. Chollet. Αυτή τη μελέτη περιλαμβάνει μια πειραματική διαδικα σία γύρω από τον τρόπο εκπαίδευσης ε νός νευρωνικού δικτύου με δύο διαφορ ετικά σύνολα δεδομένων και το ρόλο π ου έρχεται να παίξει η αρχιτεκτονική του στην μετέπειτα απόδοση. Αρχικά, εκτελούμε transfer learning στο sma ll-arch Xception με είσοδο είτε από εικόνες RGB είτε από εικόνες IR και στη συνέχεια, παίρνουμε την ίδια αρχ ιτεκτονική και την εκπαιδεύουμε με ό λες τις εικόνες RGB από την αρχή εκτ ελώντας αργότερα την επανεκπαίδευση με θερμικές εικόνες. Εκπαιδεύουμε επ ίσης το προτεινόμενο δίκτυο ShRe-Xce ption χρησιμοποιώντας όλες τις εικόν ες RGB από την αρχή και επανεκπαιδεύ οντάς το με θερμικές εικόνες στη συν έχεια. Τα σύνολα δεδομένων που χρησι μοποιούνται για σκοπούς εκπαίδευσης και δοκιμής περιέχουν εικόνες "πυρκα γιάς" και "μη πυρκαγιάς" από δάση πο υ έχουν ληφθεί από UAV και έχουν ανα ρτηθεί στην IEEE dataport. Κατά τη δ οκιμή των παραπάνω μοντέλων, η ακρίβ εια των δοκιμών ήταν RGB: 77,13% / I R: 94,47% μετά το transfer learning στο small-arch Xception, RGB: 84,86% / IR: 29,19% κατά την αρχική εκπαίδ ευση του small-arch Xception και RGB : 90,10% / IR: 99,31% μετά την αρχικ ή εκπαίδευση στο μοντέλο ShRe-Xcepti on. Τα παραπάνω αποτελέσματα είναι ε νδεικτικά, καθώς πραγματοποιήθηκαν κ αι πολλές άλλες τεχνικές, όπως θα συ ζητηθούν στην ενότητα των πειραμάτων και την ενότητα των αποτελεσμάτων. Σε γενικές γραμμές, το τελευταίο μον τέλο αποδείχθηκε το πιο ακριβές για εικόνες και των δύο φασμάτων στα πει ράματά μας. Το ShRe-Xception μπορεί ενδεχομένως να διαδραματίσει ζωτικό και αποτελεσματικό ρόλο στην ανίχνευ ση πυρκαγιάς σε πραγματικό χρόνο κατ ά την εναέρια επιτήρηση των δασών.\n Abstract\n Greece, like other count ries abroad, suffers every year from intense fires which inevitably caus e losses. In the best-case scenario, these losses are materialistic only , but there are many cases where the consequences are not limited to tho se losses. This kind of destruction has a crucial impact on firefighters and civilian lives, animal extincti on, and forest degradation. Consider ing scientists' predictions that fir es will increase every year due to c limate change, many prevention syste ms have been set up to avoid this ki nd of situation. This thesis focuses on developing a detection approach that can classify images of forests in “Fire” and “non-Fire” cases with input from both RGB and Infrared (IR ) cameras. Along with this work, an architecture is proposed that increa ses the possibility to prevent this unpleasant situation. The new deep l earning architecture is called ShRe- Xception (Short Recursive), inspired by already existing Xception networ k architectures (i.e., small-arch Xc eption and original Xception Network ). In this study, an experimental pr ocess takes place around how to trai n a neural network with two differen t datasets and the relevance of its architecture. First, transfer learni ng is performed on the small-arch Xc eption network with input from eithe r RGB or IR images, and then, the sa me structure is trained with all the RGB images from the very beginning. Also, the proposed ShRe-Xception ne twork is trained by using all RGB im ages from the very beginning and the n retrained with infrared frames. Da tasets used for training and testing purposes contain “Fire” and “non-Fi re” images of forests that are captu red from UAVs and uploaded to the IE EE portal. When testing the above mo dels, the evaluation accuracy was RG B: 90.10% and IR: 99.31% after initi al training and ShRe-Xception model, RGB: 77.13% and IR: 94.47% after tr ansfer learning on small-arch Xcepti on, and RGB: 84.86% and IR: 29.19% w hen initially training the small-arc h Xception. The above results are de scribed and analyzed within the pres ent Thesis as many other operations were performed as there will be disc ussed in the experimenting and the r esults section. In general, the latt er model came to be the most accurat e one for images of both spectrums i n our experiments. The ShRe-Xception can potentially play a vital and ef ficient role in real-time fire detec tion during aerial surveillance of w ild forests.\n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20230721T093000 DTEND:20230721T103000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT END:VCALENDAR