Skip to content
Το αποθετήριο του project των Νέων Εκπαιδευτηρίων Γ. Μαλλιάρα για το 1ο Πανελλήνιο Διαγωνισμό Εκπαιδευτικής Ρομποτικής & Physical Computing Ανοιχτών Τεχνολογιών. Ένα σύντομο βίντεο παρουσίασης υπάρχει εδώ: https://bit.ly/2Lhi6i6
Python PHP C++ CSS
Branch: master
Clone or download
Fetching latest commit…
Cannot retrieve the latest commit at this time.
Permalink
Type Name Latest commit message Commit time
Failed to load latest commit information.
detection
sensor_unit_circuit_diagrams
server
README.md

README.md

Fire_Protection_By_Malliaras

Το αποθετήριο του project των Νέων Εκπαιδευτηρίων Γ. Μαλλιάρα για το 1ο Πανελλήνιο Διαγωνισμό Εκπαιδευτικής Ρομποτικής & Physical Computing Ανοιχτών Τεχνολογιών.

Στόχος

Λόγω της γεωγραφικής θέσης της χώρας μας και του κλίματος της αλλά και εξαιτίας εμπρηστικών αποπειρών και ατυχημάτων συχνά στην χώρα μας παρατηρούνται έντονες δασικές πυρκαγιές. Εδώ προτεινούμε ένα έξυπνο σύστημα πυρασφάλειας βασισμένο σε ανοιχτές τεχνολογίες υλισμικού/λογισμικού και μηχανικής μάθησης.

Τρόπος λειτουργίας

Το σύστημα μας χωρίζεται σε 2 κύρια μέρη: το σύνολο των αισθητήρων και την κεντρική μονάδα.

ΑΙΣΘΗΤΗΡΕΣ

Οι αισθητήρες αποτελούνται από έναν μικροεπεξεργαστή Arduino, αισθητήρες θερμοκρασίας, υγρασίας και μονοξειδίου του άνθρακα, ενώ επικοινωνούν με την κεντρική μονάδα μέσω serial.

ΚΕΝΤΡΙΚΗ ΜΟΝΑΔΑ

Η κεντρική μονάδα αποτελείται ένα μικρο-υπολογιστή Raspberry Pi, ο οποίος ευθύνεται για την συλλογή και επεξεργασία των δεδομένων για την ανίχνευση της φωτιάς. Η ανίχνευση γίνεται μέσω αλγορίθμου kNN (k Nearest Neighbours), μέσω μίας βιβλιοθήκη την οποία έχουμε αναπτύξει. Έπειτα, τα δεδομένα αναρτώνται σε διακομιστή, ο οποίος φιλοξενεί ιστότοπο και βάση δεδομένων, επίσης ανεπτυγμένη από εμάς.

ΜΗΧΑΝΙΚΗ ΜΑΘΗΣΗ

Για την μηχανική μάθηση χρησιμοποιήθηκε μια δική μας εκδοχή του αλγόριθμου K Κοντινότεροι Γείτονες (ΚΝΝ). Για την εκπαίδευση του μοντέλου χρησιμοποιήσαμε ένα dataset που δημιουργήθηκε με το συνδυασμό του Forest Fires των Cortez και Morais(2007) για τις συνθήκες φωτιάς και από ένα άλλο που παράχθηκε προγραμματιστικά για τις φυσιολογικές συνθήκες. Προτείνουμε πριν την χρήση των συσκευών να γίνεται μελέτη και συλλογή δεδομένων από κάθε περιοχή και επανεκπαίδευση του μοντελού.

ΒΙΒΛΙΟΓΡΑΦΙΑ

P. Cortez and A. Morais. A Data Mining Approach to Predict Forest Fires using Meteorological Data. In J. Neves, M. F. Santos and J. Machado Eds., New Trends in Artificial Intelligence, Proceedings of the 13th EPIA 2007 - Portuguese Conference on Artificial Intelligence, December, Guimaraes, Portugal, pp. 512-523, 2007. APPIA, ISBN-13 978-989-95618-0-9. Available at: http://www.dsi.uminho.pt/~pcortez/fires.pdf

Ομάδα

Μαθητές

  • Μιχάλης Λιμνίδης, ασχολήθηκε κυρίως με τα ηλεκτρολογικά/ηλεκτρονικά
  • Παύλος Μακρίδης, ασχολήθηκε με τα ηλεκτρονικά/ηλεκτρολογικά, καθώς και με την ανάπτυξη της βιβλιοθήκης kNN
  • Αλέξανδρος Μπάρτζος, ασχολήθηκε με το υπόλοιπο λογισμικό (βάση δεδομένων, διακομιστής, λογισμικό κεντρικής μονάδας)

Επιβλέπων καθηγητής

  • Θ. Σφυρής (M.Sc.)
You can’t perform that action at this time.