dc.contributor.advisor | Nikolaou, Grigoris | |
dc.contributor.author | Μιχαλόπουλος, Αντώνιος Περικλής | |
dc.date.accessioned | 2023-04-03T07:09:29Z | |
dc.date.available | 2023-04-03T07:09:29Z | |
dc.date.issued | 2023-03 | |
dc.identifier.uri | https://polynoe.lib.uniwa.gr/xmlui/handle/11400/4136 | |
dc.identifier.uri | http://dx.doi.org/10.26265/polynoe-3975 | |
dc.description.abstract | Η παρούσα διπλωματική με τίτλο « Εφαρμογές Τεχνητής Νοημοσύνης Σε Επιχειρήσεις Ερευνάς και Διάσωσης » έχει ως κύριο σκοπό την συγκριτική αξιολόγηση της επίδοσης διάφορων μοντέλων και συνδυασμών τους, τα οποία δημιουργήθηκαν με την χρήση επιβλεπομένης μηχανικής μάθησης για την αναγνώριση ανθρώπων από UAV. Συγκεκριμένα, χρησιμοποιήθηκε ο αλγόριθμος βαθιάς μάθησης YOLOv5 (You Only Look Once version 5) που βασίζεται στα CNN(convolutional neural network).
Για να είναι δυνατό να γίνει το έγγραφο αυτό όσο πιο κατανοητό από τον αναγνώστη, ακολουθήθηκε μια δομή που ξεκινάει από την βιβλιογραφική έρευνα που αναλύει τις κυριότερες βάσεις δεδομένων και τους αλγορίθμους που χρησιμοποιούνται για να λυθούν παρόμοια προβλήματα. Αμέσως μετά ακολουθεί το θεωρητικό μέρος, όπου γίνεται μια γενικότερη αναδρομή στην μηχανική και βαθιά μάθηση και αναλύει τους κυριότερους αλγορίθμους που χρησιμοποιούνται στις μέρες μας και τις εφαρμογές τους. Έπειτα, παρουσιάζονται τα βασικότερα δόκιμα στοιχεία του αλγορίθμου που επιλέξαμε, ενώ ταυτόχρονα γίνεται μια ενδελεχής ανάλυση κάθε βάσης δεδομένων που χρησιμοποιείται. Στη συνέχεια, πραγματοποιείται η επεξεργασία που χρειάστηκε να γίνει στις βάσεις δεδομένων έτσι ώστε να είναι σε μορφή που μπορεί να χρησιμοποιηθεί από τον αλγόριθμο. Τέλος, αναλύονται τα αποτελέσματα από όλες τις εκπαιδεύσεις και τους συνδυασμούς μοντέλων που δημιουργήθηκαν για το παρόν έγγραφο και αναφέρονται ποια αποτελέσματα είναι καλύτερα ανάλογα με ποιο μετρικό αξιολόγησης θέλουμε να μεγιστοποιηθεί. Ταυτόχρονα, τα καλύτερα αποτελέσματα αποφασίσαμε να τα συγκρίνουμε με αντίστοιχα αποτελέσματα από επιστημονικά άρθρα πάνω σε παρόμοια προβλήματα, έτσι ώστε να διαπιστώσουμε αν είχαμε θετικά αποτελέσματα. | el |
dc.format.extent | 100 | el |
dc.language.iso | el | el |
dc.publisher | Πανεπιστήμιο Δυτικής Αττικής | el |
dc.rights | Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές | * |
dc.rights.uri | https://creativecommons.org/licenses/by-nc-sa/4.0/deed.el | * |
dc.subject | YOLOv5 | el |
dc.subject | Βαθιά μάθηση | el |
dc.subject | Αναγνώριση αντικειμένων | el |
dc.subject | UAV | el |
dc.subject | Υπολογιστική όραση | el |
dc.title | Εφαρμογές τεχνητής νοημοσύνης σε επιχειρήσεις έρευνας και διάσωσης | el |
dc.title.alternative | Applications of artificial intelligence in search and rescue operations | el |
dc.type | Διπλωματική εργασία | el |
dc.contributor.committee | Drosos, Christos | |
dc.contributor.committee | Βασιλειάδου, Σουλτάνα | |
dc.contributor.faculty | Σχολή Μηχανικών | el |
dc.contributor.department | Τμήμα Μηχανικών Βιομηχανικής Σχεδίασης και Παραγωγής | el |
dc.description.abstracttranslated | This thesis titled "Applications of Artificial Intelligence in search and rescue operations" has as its main purpose the benchmarking of the performance of various models and their combinations, created using supervised machine learning to identify people from UAVs. In particular, the deep learning algorithm YOLOv5(you Only Look Once version 5) based on CNN (conventional neural network) was used. In order to be able to make this document as comprehensible to the reader as possible, a structure has been followed that starts from bibliographic research that analyzes the main databases and algorithms used to solve similar problems. Then follows the theoretical part that makes a more general overview of machine learning and deep learning and analyzes the main algorithms used nowadays and their applications. Then we present the basic elements of the algorithm we selected while at the same time a thorough analysis of each database used is done. Then we see the processing that needed to be done on the databases in order to be used by the algorithm. Finally, the results from all trainings and model combinations created for this paper are analyzed and which results are best depending on which metric of evaluation we want to maximize. At the same time, the best results we decided to be compared with corresponding results from scientific articles on similar problems in order to see if we had positive results. | el |