Ανίχνευση φωτιάς σε εικόνα από εναέριο μη επανδρωμένο όχημα UAV με τεχνικές βαθιάς μάθησης

Abstract

Σκοπός της παρούσας διπλωµατικής εργασίας είναι η αντιµετώπιση του φαινοµένου της πυρκαγιάς µέσω της έγκαιρης ανίχνευσης της, πριν βγουν εκτός ελέγχου, προκειµένου να ελαχιστοποιηθούν οι επιπτώσεις. Το πρόβληµα των συνεχών δασικών πυρκαγιών, κυρίως κατά τη θερινή περίοδο, αποτελεί ένα σύγχρονο φαινόµενο σε όλο τον κόσµο. Ιδίως, στις χώρες µε µεσογειακό κλίµα, όπως η χώρα µας, η κατάσβεση µιας πυρκαγιάς είναι ένα πολύ δύσκολο εγχείρηµα. ΄Εχουν γίνει πολλές προσπάθειες για την επίλυση του συγκεκριµένου προβλήµατος. Μερικές από αυτές περιλαµβάνουν τη χρήση αισθητήρων και δορυφορικών εικόνων που λόγω υψηλού κόστους και χρονικής καθυστέρησης δεν ενδείκνυνται ως λύσεις. Μία από τις αναδυόµενες τεχνολογίες για την παρακολούθηση πυρκαγιών αποτελούν τα Μη Επανδρωµένα Εναέρια Οχήµατα. Για να υλοποιηθεί ένα τέτοιο σύστηµα πυρανίχνευσης απαιτούνται γρήγοροι και υψηλής ακρίβειας αλγόριθµοι επεξεργασίας εικόνας. Με τη ραγδαία πρόοδο της τεχνολογίας, έχει έρθει στο προσκήνιο, η έρευνα µε µεθόδους Τεχνητής Νοηµοσύνης. Τέτοιου είδους τεχνικές περιλαµβάνουν την εξαγωγή χαρακτηριστικών από εικόνες και βίντεο και τη χρήση βαθύτερων αρχιτεκτονικών, όπως είναι τα σύγχρονα Συνελικτικά Νευρωνικά Δίκτυα. Αρκετές µελέτες έχουν δείξει ότι η χρήση συνελικτικών τεχνικών είναι στη στάθµη της τεχνικής. Από αυτή την άποψη, προτείνουµε τη χρήση δυο προεκπαιδευµένων αρχιτεκτονικων Xception και MobileNetV2 µάθηση µέσω µεταφοράς. Ακόµη υλοποιήθηκαν και δυο αρχιτεκτονικές κατασκευασµένες από την αρχή που είχαν σαφώς χαµηλότερα αποτελέσµατα. Τα αποτελέσµατα των δοκιµών δείχνουν ότι η αρχιτεκτονική Xception πετυχαίνει την υψηλότερη ακρίβεια ταξινόµησης των εικόνων στις δύο κλάσεις Πυρκαγιά/Μη-Πυρκαγιά.