Options
Αναγνώριση κτηρίων, πισίνων και παλιών εγκαταλελειμμένων σπιτιών χωρίς οροφή, μέσω εικόνων δορυφόρου, με τη χρήση Βαθιάς Μάθησης
Author(s)
Παπουτέ, Μικαέλα
Date Issued
2022-05
Abstract
Στην παρούσα μεταπτυχιακή διατριβή έγινε μια προσπάθεια εφαρμογής μεθόδων βαθιάς μάθησης για την αναγνώριση κτηρίων, πισίνων και παλιών/ εγκαταλελειμμένων σπιτιών χωρίς οροφή, με τη βοήθεια εικόνων δορυφόρου.
Πρόκειται για μια πολύπλοκη διαδικασία, η οποία εξαρτάται από την πολυπλοκότητα της δόμησης της περιοχής και της διαφορετικής δομής και κατασκευής των διάφορων κτηρίων και πισίνων.
Το πρόβλημα χρησιμοποιεί την αναγνώριση μοτίβων με σκοπό την κατηγοριοποίηση ενός συνόλου δεδομένων, για τη δημιουργία χαρτών δόμησης, οι οποίοι μπορούν να αξιοποιηθούν σε διάφορους τομείς της μηχανικής και της έρευνας.
Για τον εντοπισμό κτηρίων και πισίνων, παλαιότερα οι άνθρωποι χρησιμοποιούσαν εξοπλισμό, όπως αισθητήρες. Αυτό απαιτούσε καλή προ επεξεργασία, ώστε να είμαστε σίγουροι ότι η διαδικασία εξαγωγής γινόταν με το σωστό τρόπο κατά την αυτοματοποίηση, και είχε πολύ υψηλό κόστος.
Για την αντιμετώπιση του πιο πάνω προβλήματος, στην περίπτωση μας, χρησιμοποιήθηκε η διαδικασία βαθιάς μάθησης, η οποία μιμείται τον τρόπο που μαθαίνει ο εγκέφαλος του ανθρώπου και με τη χρήση εικόνων δορυφόρου, επιτυγχάνεται ο αυτόματος εντοπισμός σπιτιών, πισίνων και παλιών εγκαταλελειμμένων κτηρίων χωρίς οροφή.
Συγκεκριμένα, στην παρούσα μεταπτυχιακή διατριβή, χρησιμοποιήθηκε η αρχιτεκτονική του δικτύου U-Net, η οποία με την επεξεργασία των δεδομένων, αναγνωρίζει τις συγκεκριμένες κατηγορίες και κάνει χαρτογράφηση(mapping) στις υφιστάμενες εικόνες.
Αρχικά το δίκτυο αναγνωρίζει τι είναι το αντικείμενο (κτήριο, παλιό κτήριο ή πισίνα) και στη συνέχεια μαθαίνει να το χαρτογραφεί.
Για να αξιολογηθεί το δίκτυο, χρησιμοποιήθηκαν εικόνες δορυφόρου, οι οποίες συλλέχθηκαν από αξιόπιστη πηγή, η οποία είναι το Κτηματολόγιο της Κύπρου. Συγκεκριμένα χρησιμοποιήθηκαν 5131 εικόνες δορυφόρου προς εκπαίδευση από διάφορες περιοχές της Κύπρου.
Τα πειραματικά αποτελέσματα του, δείχνουν πως το μοντέλο έχει την ικανότητα να εντοπίζει σπίτια με ακρίβεια 81%, παλιά εγκαταλελειμμένα κτήρια χωρίς οροφή με ακρίβεια 94%και πισίνες με ακρίβεια 87%
Πρόκειται για μια πολύπλοκη διαδικασία, η οποία εξαρτάται από την πολυπλοκότητα της δόμησης της περιοχής και της διαφορετικής δομής και κατασκευής των διάφορων κτηρίων και πισίνων.
Το πρόβλημα χρησιμοποιεί την αναγνώριση μοτίβων με σκοπό την κατηγοριοποίηση ενός συνόλου δεδομένων, για τη δημιουργία χαρτών δόμησης, οι οποίοι μπορούν να αξιοποιηθούν σε διάφορους τομείς της μηχανικής και της έρευνας.
Για τον εντοπισμό κτηρίων και πισίνων, παλαιότερα οι άνθρωποι χρησιμοποιούσαν εξοπλισμό, όπως αισθητήρες. Αυτό απαιτούσε καλή προ επεξεργασία, ώστε να είμαστε σίγουροι ότι η διαδικασία εξαγωγής γινόταν με το σωστό τρόπο κατά την αυτοματοποίηση, και είχε πολύ υψηλό κόστος.
Για την αντιμετώπιση του πιο πάνω προβλήματος, στην περίπτωση μας, χρησιμοποιήθηκε η διαδικασία βαθιάς μάθησης, η οποία μιμείται τον τρόπο που μαθαίνει ο εγκέφαλος του ανθρώπου και με τη χρήση εικόνων δορυφόρου, επιτυγχάνεται ο αυτόματος εντοπισμός σπιτιών, πισίνων και παλιών εγκαταλελειμμένων κτηρίων χωρίς οροφή.
Συγκεκριμένα, στην παρούσα μεταπτυχιακή διατριβή, χρησιμοποιήθηκε η αρχιτεκτονική του δικτύου U-Net, η οποία με την επεξεργασία των δεδομένων, αναγνωρίζει τις συγκεκριμένες κατηγορίες και κάνει χαρτογράφηση(mapping) στις υφιστάμενες εικόνες.
Αρχικά το δίκτυο αναγνωρίζει τι είναι το αντικείμενο (κτήριο, παλιό κτήριο ή πισίνα) και στη συνέχεια μαθαίνει να το χαρτογραφεί.
Για να αξιολογηθεί το δίκτυο, χρησιμοποιήθηκαν εικόνες δορυφόρου, οι οποίες συλλέχθηκαν από αξιόπιστη πηγή, η οποία είναι το Κτηματολόγιο της Κύπρου. Συγκεκριμένα χρησιμοποιήθηκαν 5131 εικόνες δορυφόρου προς εκπαίδευση από διάφορες περιοχές της Κύπρου.
Τα πειραματικά αποτελέσματα του, δείχνουν πως το μοντέλο έχει την ικανότητα να εντοπίζει σπίτια με ακρίβεια 81%, παλιά εγκαταλελειμμένα κτήρια χωρίς οροφή με ακρίβεια 94%και πισίνες με ακρίβεια 87%
Publisher
Ανοικτό Πανεπιστήμιο Κύπρου
Format
vii, 37 σ. ; 30 εκ.
Subjects
File(s)
Loading...
Name
ΠΕΣ-2022-00324.pdf
Size
1.64 MB
Format
Adobe PDF
Checksum
(MD5):3367d3d95fb7ee57e8adc4baf81e8c35