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:20250211T124303Z LAST-MODIFIED:20250211T124303Z DTSTAMP:20260719T223619Z UID:1784489779@tuc.gr SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κ. Άλκι Μαυρουδή - Σχολή ΗΜΜΥ LOCATION: DESCRIPTION:https://www.ece.tuc.gr/el/katalogos- ekdiloseon?tx_tucevents2_tuceventsdi splay%5Baction%5D=show&tx_tucevents2 _tuceventsdisplay%5Bcontroller%5D=Ev ent&tx_tucevents2_tuceventsdisplay%5 Bevent%5D=7533&cHash=91c313b6e2eb215 48152191a40feb06e\nΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗ Σ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\n Πρόγραμμα Π ροπτυχιακών Σπουδών\n ΠΑΡΟΥΣΙΑΣΗ ΔΙΠ ΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Άλκι Μαυρουδή \ n με θέμα\n Ανάλυση Δεδομένων Τηλεπι σκόπησης με χρήση Τεχνικών Τεχνητής Νοημοσύνης για την Αξιολόγηση της Δο μικής Ευστάθειας Κτιρίων\n Analysis of Remote Sensing Data using Artific ial Intelligence Techniques in Order to Access the Structural Stability of Buildings\n Εξεταστική Επιτροπή\n Καθηγητής Μιχαήλ Ζερβάκης (επιβλέπω ν)\n Καθηγητής Μιχαήλ Λαγουδάκης\n Κ αθηγητής Γεώργιος Σταυρουλάκης (Σχολ ή ΜΠΔ)\n Περίληψη\n Η συντήρηση υποδ ομών και κτιρίων, τα οποία είναι ολο ένα και πιο ευάλωτα σε φυσικές κατασ τροφές λόγω της κλιματικής αλλαγής, παραμένει ένα φλέγον ζήτημα για αστι κές και αγροτικές περιοχές, επισημαί νοντας τις ανάγκες για εξελιγμένες μ εθόδους αξιολόγησης και στρατηγικές μετριασμού ζημιών. Συγχρόνως, η πρόσ φατη πρόοδος στον τομέα της τεχνητής νοημοσύνης παρέχει τη δυνατότητα αν άπτυξης εργαλείων, με σκοπό την αυτο ματοποίηση σημαντικών μερών της αξιο λόγησης δομικής ευστάθειας, βελτιώνο ντας την αποδοτικότητα στις προσπάθε ιες διάσωσης. Όσον αφορά την ανάλυση δεδομένων τηλεπισκόπησης, τα Συνελι κτικά Νευρωνικά Δίκτυα κατά την τελε υταία δεκαετία και οι Vision Transfo rmers πιο πρόσφατα, παρουσιάζουν ιδι αίτερα υποσχόμενες επιδόσεις. Εντούτ οις, οι υπάρχουσες δημοσιεύσεις είνα ι συχνά υπερεστιασμένες σε συγκεκριμ ένες περιπτώσεις, δίνοντας μεγαλύτερ η σημασία στη βελτιστοποίηση των στα τιστικών των επιδόσεων, έναντι της α ποτελεσματικότητας σε πρακτικές εφαρ μογές. Η παρούσα διπλωματική εργασία προτείνει μία ενιαία λύση για την ε κτίμηση της δομικής ευστάθειας κτιρί ων, αξιοποιώντας τις δύο βασικές πηγ ές δεδομένων τηλεπισκόπησης, τις δορ υφορικές και τις εναέριες εικόνες. Π ιο συγκεκριμένα, χρησιμοποιεί σύγχρο νες μεθόδους ενσωματώνοντας μία Siam ese U-Net προσέγγιση για τις δορυφορ ικές εικόνες και ένα ειδικά εκπαιδευ μένο YOLO μοντέλο για πλάνα από dron e. Ο κύριος στόχος της εργασίας είνα ι η δημιουργία ενός προγράμματος, το οποίο παρουσιάζει μια γενική εικόνα της εκάστοτε κατάστασης, με βάση τι ς δορυφορικές εικόνες και μετέπειτα εξετάζει περαιτέρω τις περιοχές που έχει υποδείξει με την αποστολή εναέρ ιων μέσων. Μέσω πειραματικής επαλήθε υσης επιδεικνύεται η καλύτερη λειτου ργία της προτεινόμενης λύσης συγκριτ ικά με τις προηγούμενες, τόσο σε ακρ ίβεια, όσο και σε χρόνο εκτέλεσης, ε νώ βάσει εκτενών δοκιμών σε πραγματι κές περιπτώσεις εντός και εκτός Ελλά δας επισημαίνεται η δυνατότητα γενίκ ευσης της διαδικασίας. Τα αποτελέσμα τα τονίζουν τη δυνατότητα ανάλυσης δ εδομένων τηλεπισκόπησης σε πραγματικ ό χρόνο, γεφυρώνοντας το χάσμα μεταξ ύ έρευνας και πρακτικών εφαρμογών. Κ αταληκτικά, όσο η αυτοματοποιημένη α ξιολόγηση φυσικών καταστροφών συνεχί σει να βελτιώνεται, η συγκέντρωση τω ν αναλυμένων δεδομένων από προηγούμε να γεγονότα θα αποτελέσει αναπόσπαστ ο κομμάτι για την αντιμετώπιση μελλο ντικών κρίσεων.\n Abstract \n The pr eservation of buildings and infrastr ucture, increasingly vulnerable to d amage from climate change-related na tural disasters, remains a critical concern for both urban and rural are as, underscoring the need for advanc ed evaluation methods and mitigation strategies. Concurrently, advanceme nts in Artificial Intelligence enabl e the development of tools that can automate significant aspects of stru ctural stability assessment, enhanci ng efficiency and accuracy in respon se efforts. Regarding remote sensing data analysis in particular, Convol utional Neural Networks over the pas t decade, and more recently Vision T ransformers, have shown promising re sults. However, existing publication s often appear overfitted to address specific use cases, focusing on hig her performance metrics rather than optimizing for in-field applications . This thesis proposes a unified pip eline for building damage assessment on the two primary sources of remot e sensing data, satellite and aerial imagery, leveraging contemporary me thods incorporating a Siamese U-Net approach for satellite images and a custom-trained YOLO model for drone footage. The core purpose of this wo rk is to provide a toolkit for obtai ning an overview using satellite ima gery and enabling further investigat ion of areas of interest through the deployment of unmanned aerial vehic les. Experimental validations demons trate the superior output in accurac y and inference speed of the proposa l compared to baseline models, while extended testing in real-world scen arios in Greece and internationally highlights the generalizability of t he process across a wide range of ca ses. The findings showcase the poten tial for real-time, deployable solut ions in resource-constrained environ ments, bridging the gap between rese arch and practical implementations. Ultimately, as automated disaster as sessment continues to improve, the a ggregation of analyzed data from pre vious events will become an invaluab le resource for responding to crises moving forward. \n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20250213T130000 DTEND:20250213T140000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT END:VCALENDAR