Τα τελευταία έτη ο τομέας της τεχνητής νοημοσύνης παρουσιάζει εκθετική πρόοδο, αποτελώντας ένα από τα βασικότερα αντικείμενα ερευνών. Ειδικότερα οι εφαρμογές που αξιοποιούν τη μηχανική μάθηση, ως τμήμα της τεχνητής νοημοσύνης, αποτελούν πλέον κομμάτι της καθημερινότητας επιδιώκοντας να προσφέρουν λύσεις σε διάφορα ζητήματα. Ένα πολύ σημαντικό ζήτημα, που απασχολεί την παγκόσμια κοινότητα και στο οποίο δύναται οι εφαρμογές μηχανικής μάθησης να προσφέρουν λύση, είναι αυτό της ανίχνευσης πυρκαγιών. Οι συνέπειες των πυρκαγιών είναι καταστροφικές, επηρεάζοντας τόσο το περιβάλλον με την μόλυνση αυτού και την καταστροφή χλωρίδας και πανίδας, όσο και την ανθρώπινη κοινωνία λόγω της απώλειας ανθρώπινων ζωών και λόγω των επιπτώσεων στο οικονομικό επίπεδο αυτής.
Στην παρούσα διπλωματική εργασία παρουσιάζεται η εφαρμογή ορισμένων αλγορίθμων μηχανικής μάθησης στο πλαίσιο έγκαιρης ανίχνευσης πυρκαγιών. Πιο συγκεκριμένα, θα εφαρμοστούν οι αλγόριθμοι Κ-Κοντινότερων Γειτόνων (K-Nearest Neighbors) και Νευρωνικών Δικτύων πολλών επιπέδων (Multi-Layer Perceptron), όπως επίσης και οι αλγόριθμοι Προσαρμοστικής Ενίσχυσης (Adaptive Boosting) και Τυχαίων Δασών (Random Forests) της μεθόδου Συλλογιστικής Μάθησης (Ensemble Learning). Οι αλγόριθμοι αυτοί θα εκπαιδευτούν με τη βοήθεια ενός συνόλου δεδομένων, το οποίο περιλαμβάνει δεδομένα μετρήσεων αισθητήρων περιβαλλοντικών παραγόντων όπως η θερμοκρασία, η υγρασία, η πίεση κ.ά. Για κάθε μία μέτρηση υπάρχει και η αντίστοιχη καταγραφή σχετικά με την ύπαρξη φωτιάς ή όχι, η οποία αποτελεί και την εξαρτημένη μεταβλητή την οποία προβλέπουν οι αλγόριθμοι. Οι αλγόριθμοι λαμβάνουν ως είσοδο έναν αριθμό μετρήσεων από το παρελθόν με στόχο την ανίχνευση πυρκαγιάς, για έναν συγκεκριμένο αριθμό μελλοντικών ωρών. Στη συνέχεια, πραγματοποιείται αξιολόγηση και σύγκριση των αποτελεσμάτων τους, μέσω συγκεκριμένων μετρικών, ώστε να επιλεχθεί ο βέλτιστος αλγόριθμος. Οι μετρικές περιλαμβάνουν την ορθότητα (accuracy), την ακρίβεια (precision), την ανάκληση (recall) και τον αρμονικό μέσο (f1 score), ενώ όπως προκύπτει από τη συγκριτική αξιολόγηση, τα υψηλότερα και πιο σταθερά ποσοστά για τις εν λόγω μετρικές παρουσιάζει ο αλγόριθμος Adaptive Boosting, καθιστώντας τον πιο αποτελεσματικό και αξιόπιστο για την έγκαιρη ανίχνευση πυρκαγιών.
(EL)
In recent years, the field of artificial intelligence has shown exponential progress, becoming one of the main topics of research. In particular, applications that utilize machine learning, as a part of artificial intelligence, are now part of everyday life, seeking to offer solutions to various open challenges. A very important issue, which concerns the global community and to which machine learning applications can offer a solution, is that of fire detection. The consequences of fires are devastating, affecting both the environment with its contamination and the destruction of flora and fauna, as well as human society due to the loss of human lives and its economic impact.
The current thesis presents the application of some machine learning algorithms in the context of early fire detection. More specifically, the K-Nearest Neighbors and Multi-Layer Perceptron algorithms will be applied, as well as the Adaptive Boosting and Random Forests algorithms of the Ensemble Learning method. These algorithms will be trained with the help of a data set that includes sensor measurements of environmental factors such as temperature, humidity, pressure, etc. For each measurement there is also the corresponding recording regarding the existence of fire or not, which is also the dependent variable predicted by the algorithms. The algorithms receive as input a number of measurements from the past with the goal of detecting a fire, for a certain number of future hours. Afterwards, an evaluation and comparison of their results is carried out, through specific metrics, in order to select the best-scored algorithm. The metrics include Accuracy, Precision, Recall and the Harmonic Mean (f1 score), while as it emerges from the comparative evaluation, the algorithm presenting the highest and most stable performance based on these metrics is Adaptive Boosting, making it the more effective and reliable for early fire detection.
(EN)
Εθνικό και Καποδιστριακό Πανεπιστήμιο Αθηνών
