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:20240312T094247Z LAST-MODIFIED:20240312T094247Z DTSTAMP:20260612T023137Z UID:1781220697@tuc.gr SUMMARY:Παρουσίαση Μεταπτυχιακής Εργασίας κα ς Αικατερίνης Τσέλλου - 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=6848&cHash=1b 1e617660b1ec6029fb6155f12bb33e\nΠΟΛΥ ΤΕΧΝΕΙΟ ΚΡΗΤΗΣ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\ n Πρόγραμμα Μεταπτυχιακών Σπουδών\n ΠΑΡΟΥΣΙΑΣΗ ΜΕΤΑΠΤΥΧΙΑΚΗΣ ΕΡΓΑΣΙΑΣ\n Αικατερίνης Τσέλλου\n με θέμα\n Εναέ ρια επιθεώρηση των γραμμών μεταφοράς ρεύματος του Ελληνικού δικτύου με χ ρήση τεχνικών μηχανικής μάθησης\n Ae rial video inspection of Greek power lines structures using machine lear ning techniques:\n Εξεταστική Επιτρο πή\n Καθηγητής Μιχαήλ Ζερβάκης (επιβ λέπων)\n Καθηγητής Ευριπίδης Πετράκη ς\n Καθηγητής Διονύσιος Χριστόπουλος \n Περίληψη\n     \n Ο έλεγχος των η λεκτρικών γραμμών αποτελεί ζωτικής σ ημασίας εργασία για την αδιάκοπη λει τουργία ενός δικτύου διανομής ηλεκτρ ικής ενέργειας. Μέχρι σήμερα, πραγμα τοποιείται κυρίως με επανδρωμένα ελι κόπτερα ή πεζοπερίπατο. Ωστόσο, η αυ τόνομη, έξυπνη έλεγχος χρησιμοποιώντ ας μη επανδρωμένα αεροσκάφη (UAVs) ε ξοπλισμένα με αισθητήρες κάμερας έχε ι προσεγγίσει πρόσφατα το προσκήνιο, καθώς μπορεί να προσφέρει ένα πλεον έκτημα ως προς το αυτοματοποιημένο τ ρόπο εκτέλεσης της εργασίας έλεγχου. Για την ακριβή ανίχνευση των ηλεκτρ ικών γραμμών στις λήψεις εικόνας, έχ ουν χρησιμοποιηθεί διάφορες τεχνικές σημασιολογικής ενγκάλισης που βρίσκ ονται στην αιχμή της τεχνολογίας. Σε αυτήν την εργασία, επιδίδεται μεγάλ η προσοχή στη δομή των ηλεκτρικών γρ αμμών, προκειμένου να βρεθεί μια κατ άλληλη αρχιτεκτονική εκμάθησης βαθιά ς μάθησης που να μπορεί να τις ενγκα λίσει αποτελεσματικά, διατηρώντας το λεπτό τους σχήμα και μειώνοντας τον θόρυβο του φόντου. Έχει διαπιστωθεί ότι οι ΔΝΝ (Δίκτυα Νευρωνικών Δικτύ ων) που χρησιμοποιούν διευρυμένες συ νελίξεις μπορούν να επιτύχουν αυτόν τον στόχο και να πετύχουν υψηλή απόδ οση. Οι αρχιτεκτονικές που χρησιμοπο ιήθηκαν σε αυτήν την εργασία αξιολογ ήθηκαν τόσο σε σύνολα δεδομένων από τη βιβλιογραφία όσο και σε βίντεο πο υ συλλέχθηκαν από την HEDNO S.A. (Δι αχειριστής Ελληνικού Δικτύου Διανομή ς Ηλεκτρικής Ενέργειας Α.Ε.) με τη χ ρήση UAVs. Τα αποτελέσματα δείχνουν ότι, από τις τέσσερις αρχιτεκτονικές εκμάθησης βαθιάς μάθησης που χρησιμ οποιήθηκαν στις πειραματικές δοκιμές , η αρχιτεκτονική D-LinkNet, που εισ ήχθη αρχικά για σκοπούς ενγκαλίσεως δρόμων σε εικόνες υψηλής ανάλυσης απ ό δορυφορικές λήψεις, ξεπέρασε τις ά λλες όσον αφορά το F'l-Score σε διάφ ορα σενάρια φόντου.\n Abstract\n     \n Power line inspection is a cruci al task for the uninterrupted operat ion of an electricity distribution n etwork. Till date, it is mainly carr ied out using manned helicopters or foot patrol. However, autonomous, in telligent inspection using unmanned aerial vehicles (UAVs) equipped with camera sensors has come to the fore lately as it can offer an advantage ous automated way to deliver the tas k of inspection. For the accurate de tection of the power lines in the im agery acquired, different state-of-t he-art semantic segmentation techniq ues have been used. In this work, at tention is mainly paid to the struct ure of the power lines, in order to find a proper deep learning architec ture that can segment them efficient ly, preserving their thin shape and reducing background noise. It is fou nd out that DNNs that employ dilated convolutions can reach this goal an d achieve high performance. The arch itectures in this work were evaluate d in both literature datasets and vi deos collected by HEDNO S.A. (Hellen ic Electricity Distribution Network Operator S.A.) using UAVs. Results s how that, out of the four deep learn ing-based segmentation architectures used in the experiments, the D-Link Net architecture, first introduced f or road segmentation purposes in hig h-resolution satellite imagery, outp erformed the others in terms of F'l- Score in various background scenario s.\n Meeting ID: 962 3803 6746\n Pas sword: 741818\n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20240313T130000 DTEND:20240313T140000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT END:VCALENDAR