![Ιδρυματικό Αποθετήριο [SANDBOX]](images/dias.logo.png "Ιδρυματικό Αποθετήριο [SANDBOX]"){kind=logo}
Ιδρυματικό Αποθετήριο [SANDBOX]
Πολυτεχνείο Κρήτης
Πολυτεχνείο Κρήτης
EN
|
EL
| URI | http://purl.tuc.gr/dl/dias/3D059705-E517-46F4-B00C-D397D42A016F | - |
| Αναγνωριστικό | https://doi.org/10.26233/heallink.tuc.99360 | - |
| Γλώσσα | en | - |
| Μέγεθος | 83 pages | en |
| Μέγεθος | 67 megabytes | en |
| Τίτλος | Aerial video inspection of Greek power lines structures using machine learning techniques | en |
| Τίτλος | Εναέρια επιθεώρηση των γραμμών μεταφοράς ρεύματος του Ελληνικού δικτύου με χρήση τεχνικών μηχανικής μάθησης | el |
| Δημιουργός | Tsellou Aikaterini | en |
| Δημιουργός | Τσελλου Αικατερινη | el |
| Συντελεστής [Επιβλέπων Καθηγητής] | Zervakis Michail | en |
| Συντελεστής [Επιβλέπων Καθηγητής] | Ζερβακης Μιχαηλ | el |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Petrakis Evripidis | en |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Πετρακης Ευριπιδης | el |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Christopoulos Dionysios | en |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Χριστοπουλος Διονυσιος | el |
| Εκδότης | Πολυτεχνείο Κρήτης | el |
| Εκδότης | Technical University of Crete | en |
| Ακαδημαϊκή Μονάδα | Technical University of Crete::School of Electrical and Computer Engineering | en |
| Ακαδημαϊκή Μονάδα | Πολυτεχνείο Κρήτης::Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών | el |
| Περίληψη | Power line inspection is a crucial task for the uninterrupted operation of an electricity distribution network. Till date, it is mainly carried out using manned helicopters or foot patrol. However, autonomous, intelligent inspection using unmanned aerial vehicles (UAVs) equipped with camera sensors has come to the fore lately as it can offer an advantageous automated way to deliver the task of inspection. For the accurate detection of the power lines in the imagery acquired, different state-of-the-art semantic segmentation techniques have been used. In this work, attention is mainly paid to the structure of the power lines, in order to find a proper deep learning architecture that can segment them efficiently, preserving their thin shape and reducing background noise. It is found out that DNNs that employ dilated convolutions can reach this goal and achieve high performance. The architectures in this work were evaluated in both literature datasets and videos collected by HEDNO S.A. (Hellenic Electricity Distribution Network Operator S.A.) using UAVs. Results show that, out of the four deep learning-based segmentation architectures used in the experiments, the D-LinkNet architecture, first introduced for road segmentation purposes in high-resolution satellite imagery, outperformed the others in terms of F'l-Score in various background scenarios. | en |
| Περίληψη | Ο έλεγχος των ηλεκτρικών γραμμών αποτελεί ζωτικής σημασίας εργασία για την αδιάκοπη λειτουργία ενός δικτύου διανομής ηλεκτρικής ενέργειας. Μέχρι σήμερα, πραγματοποιείται κυρίως με επανδρωμένα ελικόπτερα ή πεζοπερίπατο. Ωστόσο, η αυτόνομη, έξυπνη έλεγχος χρησιμοποιώντας μη επανδρωμένα αεροσκάφη (UAVs) εξοπλισμένα με αισθητήρες κάμερας έχει προσεγγίσει πρόσφατα το προσκήνιο, καθώς μπορεί να προσφέρει ένα πλεονέκτημα ως προς το αυτοματοποιημένο τρόπο εκτέλεσης της εργασίας έλεγχου. Για την ακριβή ανίχνευση των ηλεκτρικών γραμμών στις λήψεις εικόνας, έχουν χρησιμοποιηθεί διάφορες τεχνικές σημασιολογικής ενγκάλισης που βρίσκονται στην αιχμή της τεχνολογίας. Σε αυτήν την εργασία, επιδίδεται μεγάλη προσοχή στη δομή των ηλεκτρικών γραμμών, προκειμένου να βρεθεί μια κατάλληλη αρχιτεκτονική εκμάθησης βαθιάς μάθησης που να μπορεί να τις ενγκαλίσει αποτελεσματικά, διατηρώντας το λεπτό τους σχήμα και μειώνοντας τον θόρυβο του φόντου. Έχει διαπιστωθεί ότι οι ΔΝΝ (Δίκτυα Νευρωνικών Δικτύων) που χρησιμοποιούν διευρυμένες συνελίξεις μπορούν να επιτύχουν αυτόν τον στόχο και να πετύχουν υψηλή απόδοση. Οι αρχιτεκτονικές που χρησιμοποιήθηκαν σε αυτήν την εργασία αξιολογήθηκαν τόσο σε σύνολα δεδομένων από τη βιβλιογραφία όσο και σε βίντεο που συλλέχθηκαν από την HEDNO S.A. (Διαχειριστής Ελληνικού Δικτύου Διανομής Ηλεκτρικής Ενέργειας Α.Ε.) με τη χρήση UAVs. Τα αποτελέσματα δείχνουν ότι, από τις τέσσερις αρχιτεκτονικές εκμάθησης βαθιάς μάθησης που χρησιμοποιήθηκαν στις πειραματικές δοκιμές, η αρχιτεκτονική D-LinkNet, που εισήχθη αρχικά για σκοπούς ενγκαλίσεως δρόμων σε εικόνες υψηλής ανάλυσης από δορυφορικές λήψεις, ξεπέρασε τις άλλες όσον αφορά το F'l-Score σε διάφορα σενάρια φόντου. | el |
| Τύπος | Μεταπτυχιακή Διατριβή | el |
| Τύπος | Master Thesis | en |
| Άδεια Χρήσης | http://creativecommons.org/licenses/by/4.0/ | en |
| Ημερομηνία | 2024-03-27 | - |
| Ημερομηνία Δημοσίευσης | 2024 | - |
| Θεματική Κατηγορία | Power line segmentation | el |
| Θεματική Κατηγορία | Unmanned aerial vehicle | en |
| Θεματική Κατηγορία | Semantic segmentation | en |
| Θεματική Κατηγορία | Deep learning | en |
| Βιβλιογραφική Αναφορά | Aikaterini Tsellou, "Aerial video inspection of Greek power lines structures using machine learning techniques", Master Thesis, School of Electrical and Computer Engineering, Technical University of Crete, Chania, Greece, 2024 | en |
| Βιβλιογραφική Αναφορά | Αικατερίινη Τσέλλου, "Εναέρια επιθεώρηση των γραμμών μεταφοράς ρεύματος του Ελληνικού δικτύου με χρήση τεχνικών μηχανικής μάθησης", Μεταπτυχιακή Διατριβή, Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2024 | el |
Copyright © DIAS 2013
