Uzaktan çok kaynaklı ölçümler yoluyla varlık verilerinin güvenilirliği
Uzaktan çok kaynakli ölçümler yoluyla varlik veri̇leri̇ni̇n güveni̇li̇rli̇ği̇
- Tez No: 1000030
- Danışmanlar: DOÇ. DR. ONUR BEHZAT TOKDEMİR
- Tez Türü: Yüksek Lisans
- Konular: İnşaat Mühendisliği, Civil Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: İnşaat Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Yapı İşletmesi Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez çalışması, kritik altyapı varlıklarının (özellikle enerji iletim hatları koridorlarında yer alan yüksek gerilim direklerinin) uzaktan algılama verileri üzerinden otomatik olarak tespit edilmesi ve elde edilen çıktının Coğrafi Bilgi Sistemleri (CBS) ortamında üç boyutlu bir Dijital İkiz (Digital Twin) bileşenine dönüştürülmesi için uçtan uca bir çerçeve önermektedir. Enerji iletim hatları; geniş coğrafyalara yayılan, erişimi zor bölgelerden geçebilen ve düzenli bakım/denetim gerektiren varlıklardır. Geleneksel saha kontrolleri, ölçek büyüdükçe maliyet ve zaman açısından sürdürülebilirliğini kaybetmekte; ayrıca olay sonrası hızlı durum tespiti, bitki örtüsü riski, hat güzergâhı çevresindeki çevresel değişimler gibi dinamik gereksinimlere anlık yanıt üretmekte yetersiz kalabilmektedir. Bu bağlamda uzaktan algılama (uydu görüntüleri ve ortofoto/hava fotoğrafları) ile yapay zekâ tabanlı otomatik tespit yaklaşımlarının birleştirilmesi, varlık verisinin güncelliğini ve güvenilirliğini artırmak için güçlü bir seçenek sunar. Tez, tam da bu ihtiyaca odaklanarak, farklı kaynaklardan gelen görüntülerle direklerin otomatik tespiti, bu tespitlerin geometrik olarak zenginleştirilmesi, büyük ölçekli veride çıkarım yapılması ve sonuçların CBS üzerinde 3B temsile aktarılması adımlarını bütünleşik bir iş akışı olarak kurgulamaktadır. Çalışmanın temel teknik yaklaşımı, güncel derin öğrenme tabanlı nesne tespit mimarilerinden yararlanarak yalnızca sınır kutusu (bounding box) üretmekle kalmayan; aynı zamanda anahtar nokta/poz (keypoint/pose) kestirimi de yapabilen bir modelleme stratejisi kurmaktır. Elektrik direkleri, görsel olarak ince ve arka planla kolay karışabilen, gölge/ışık değişimlerinden güçlü biçimde etkilenen ve farklı tip/ölçekte çok sayıda örneğe sahip varlıklardır. Bu nedenle modelin yalnızca“direk var/yok”tespiti değil, direğin yapısal biçimine dair daha ayrıntılı temsil sağlayabilecek noktasal özellikleri de çıkarması hedeflenmiştir. Tez kapsamında bu amaçla YOLOv8 ailesi üzerinde durulmuş; tespit ve poz kestirimi birlikte ele alınarak, verinin hazırlanmasından eğitim ve değerlendirmeye, ardından da CBS tabanlı dijital ikiz görselleştirmesine uzanan kapsamlı bir uygulama gerçekleştirilmiştir. Veri tarafında, gerçek dünya koşullarına uygun bir genellenebilirlik hedeflenmiş; farklı mekânsal çözünürlüklere ve farklı çekim koşullarına sahip uydu/hava görüntülerinin birlikte kullanılması benimsenmiştir. Çalışmada direk içeren yaklaşık 3.500 görüntü ve 6.000'den fazla direğe ait etiketlerin bulunduğu bir veri yapısından yararlanılmış; bazı bölgelerde aynı konumun farklı tarihlerde çekilmiş görüntülerine erişilmesi sayesinde, modelin değişen çevresel koşullara dayanıklılığının artırılması amaçlanmıştır. Bunun yanında, kurumsal envanter verilerinin dijital ikiz tarafında tamamlayıcı rolüne dikkat çekilerek, çok sayıda direğe ilişkin öznitelik bilgileri (ör. hat kodu, gerilim, yükseklik, geopoint vb.) içeren geniş ölçekli kayıtların entegrasyon potansiyeli değerlendirilmiştir. Böylece, yalnızca görüntüden tespit üreten bir yapı yerine; tespit edilen varlığın envanter kayıtlarıyla ilişkilendirilebildiği, izlenebilirlik ve veri bütünlüğü sağlayan bir çerçevenin temeli oluşturulmuştur. Büyük ölçekli veri yönetimi ve varlık–dosya ilişkisinin sürdürülebilir kurulabilmesi için çalışmada konumsal indeksleme yaklaşımı da iş akışına dahil edilmiştir. Özellikle çok sayıda görüntü dosyası, etiket dosyası ve envanter kaydının bir arada yönetildiği senaryolarda; doğru eşlemenin yapılması, dosyaların yeniden adlandırılması, veri hazırlama sürecinin izlenebilir olması ve gelecekte veri tabanına aktarılacak ortak anahtarların tutarlı biçimde üretilebilmesi kritik hale gelmektedir. Bu yaklaşım, varlıkların konum temelli tekil bir anahtarla ele alınmasını kolaylaştırarak hem veri hazırlama hem de dijital ikiz tarafında tutarlı bağ kurmaya yardımcı olmuştur. Tezin bir diğer önemli odağı, görüntü verisinin gerçek dünya ölçeğinde işlenebilir hale getirilmesidir. Uydu ve ortofoto verileri çoğu zaman çok yüksek çözünürlüklü olup tek parça görüntüler 25.000 × 25.000 piksel gibi boyutlara ulaşabilmektedir. Bu büyüklükteki görüntülerle doğrudan model çıkarımı yapmak hem donanım kısıtları hem de işlem süresi bakımından zordur. Buna ek olarak, uzaktan algılamada sık kullanılan jp2 gibi formatların bazı araç zincirlerinde doğrudan işlenememesi nedeniyle format dönüşümleri (ör. GeoTIFF'e dönüştürme) gerekebilmekte; bu dönüşümler dosya boyutlarını artırarak depolama ihtiyacını büyütebilmektedir. Tezde bu problemler; veri ön işleme adımlarıyla (format dönüşümü, görüntü bölütleme/tiling, uygun ölçeklendirme ve veri akışının otomatikleştirilmesi) ele alınmış ve büyük görüntülerden küçük parçalara ayrılan (tile) görüntüler üzerinden hem eğitim hem çıkarım süreçleri yönetilmiştir. Böylece hem bellek kullanımının kontrol altında tutulması hem de modelin, geniş alanlarda tarama yaparak direkleri otomatik işaretleyebilmesi hedeflenmiştir. Model eğitimi ve deneysel kurgu kısmında, farklı parametre kombinasyonları denenerek hem doğruluk hem de işlem maliyetleri açısından dengeli bir çözüm arayışı yürütülmüştür. Tezde, yerel bir donanımda başlanan süreçte eğitim sürelerinin uzaması ve kaynak kısıtları nedeniyle daha güçlü bir hesaplama altyapısına geçildiği; örnek olarak Google Colab Pro üzerinde A100 GPU (40 GB) ve yüksek RAM kapasitesiyle eğitimlerin daha kısa sürede tamamlanabildiği ifade edilmiştir. Deneyler sonucunda en iyi performansın; 2016×2016 görüntü boyutu, batch=5 ve 135 epoch ile eğitilen YOLOv8x konfigürasyonunda elde edildiği raporlanmıştır. Bu konfigürasyonda sınır kutusu tespiti için [email protected] değerinin %91,3 ve [email protected]:0.95 değerinin %67,0; poz kestirimi için [email protected] değerinin %52,8 ve [email protected]:0.95 değerinin %25,8 olduğu belirtilmiştir. Sınır kutusu tarafında yüksek doğrulukların yakalanması, direk gibi zorlayıcı bir varlığın otomatik envanterlenmesi için güçlü bir temel sunarken; poz tarafında daha düşük kalan değerler, anahtar nokta tahmininin daha hassas etiketleme, daha homojen sınıf yapısı ve daha fazla örnek çeşitliliği gerektirdiğini göstermektedir. Bu durum, çalışmanın hem güçlü yanını (yüksek tespit başarımı) hem de geliştirilebilir yönünü (anahtar nokta başarımının artırılması) aynı anda ortaya koymaktadır. Tespit edilen varlıkların dijital ikiz bileşenine dönüştürülmesi aşamasında, CBS üzerinde 3B görselleştirme ve konumlandırma adımları önem taşımaktadır. Tez, tespit sonuçlarının yalnızca bir çıktı dosyası olarak bırakılması yerine; CBS ortamında 3B temsile aktarılmasıyla gerçek bir“operasyonel değer”üretmeyi hedeflemiştir. Bu kapsamda, direklerin tespit edilen merkez/temel konumlarına göre konumlandırılması ve BIM tabanlı 3B modellerle ilişkilendirilerek görselleştirilmesi üzerine bir iş akışı kurgulanmıştır. Böylece, sahadaki varlığın konumu ve geometrisi, tek bir platformda görüntülenebilir hale gelmekte; bakım planlama, risk analizi, hat koridoru yönetimi ve zamansal değişimlerin takibi gibi kullanım senaryoları için temel altyapı oluşturulmaktadır. Sürecin otomasyon boyutu da vurgulanarak, veri hazırlama–eğitim–çıkarım–CBS'ye aktarma adımlarının Python tabanlı iş akışlarıyla mümkün olduğunca otomatik hale getirildiği belirtilmiştir. Bu otomasyon, yalnızca tekrar edilebilirlik sağlamakla kalmayıp; farklı bölgeler ve farklı görüntü setleri için yöntemin hızlıca yeniden çalıştırılabilmesine imkân tanımaktadır. Çalışma boyunca karşılaşılan zorluklar, uzaktan algılama tabanlı varlık tespiti ve dijital ikiz üretiminin pratik gerçekliğini yansıtmaktadır. Uydu görüntüleri ile hava fotoğrafları arasında çözünürlük farkları; aynı varlığın farklı ölçekte görünmesi; direklerin arka planla benzeşmesi; gölgeler, mevsimsel değişimler ve aydınlatma koşulları; direğe benzer yapıların yanlış pozitif üretme riski; yüksek doğruluk için gereken yoğun hesaplama gücü; büyük veri depolama ihtiyacı; ve yüksek kaliteli etiketleme üretmenin zaman alıcı olması, tezin tartıştığı temel kısıtlar arasındadır. Bununla birlikte, tez; bu zorluklara rağmen kurulan çerçevenin işlediğini, direk tespitini yüksek doğrulukla otomatikleştirebildiğini ve sonuçları CBS ortamında 3B dijital ikiz bileşenine dönüştürebildiğini göstermektedir. Ayrıca kaynak kullanımı ve maliyet tarafında örnek bir hesapla, bir döngünün toplam maliyetinin 293,26 TL (yaklaşık 5,8 €) seviyesinde hesaplandığı ifade edilerek, yaklaşımın operasyonel sürdürülebilirliği açısından nicel bir bakış da sunulmuştur. Sonuç olarak tez, uzaktan çok kaynaklı ölçüm ve görüntü verileriyle varlık verisinin güvenilirliğini artırmaya yönelik, yapay zekâ destekli bir dijital ikiz çerçevesi ortaya koymaktadır. Önerilen yaklaşım; farklı çözünürlükte görüntülerden otomatik tespit yapabilmesi, büyük ölçekli ortofotolarda bölütleme ve format dönüşümüyle çalışabilmesi, tespitleri CBS üzerinde 3B temsile bağlayabilmesi ve süreci otomasyonla yeniden üretilebilir hale getirmesi bakımından bütünleşik bir çözüm niteliğindedir. Elde edilen sonuçlar, özellikle sınır kutusu tespitinde yüksek başarımın mümkün olduğunu; poz/anahtar nokta tarafında ise veri/etiket kalitesi ve sınıf ayrımı gibi unsurlar iyileştirildikçe performansın artırılabileceğini göstermektedir. Gelecek çalışmalar için; daha dengeli ve zengin etiketleme stratejileri, direk tiplerinin daha tutarlı sınıflandırılması, zamansal analiz bileşeninin güçlendirilmesi (aynı bölgenin çok tarihli verisiyle değişim tespiti), hesaplama ve depolama maliyetlerini azaltacak daha verimli veri yönetimi yaklaşımları ve CBS–BIM entegrasyonunun karar destek senaryolarına dönüştürülmesi öne çıkan geliştirme alanlarıdır. Bu tezle sunulan metodoloji, yalnızca enerji iletim hatları değil; doğrusal ve alansal birçok altyapı varlığı için de ölçeklenebilir bir dijitalleşme ve izleme yaklaşımı olarak değerlendirilebilir.
Özet (Çeviri)
This thesis proposes an end-to-end framework for the automatic detection of critical infrastructure assets—particularly high-voltage transmission towers located along power-line corridors—from remote sensing imagery, and for transforming the resulting outputs into a three-dimensional Digital Twin component within a Geographic Information System (GIS) environment. Power transmission corridors span vast territories, often cross hard-to-access areas, and require regular inspection and maintenance. As network scale increases, conventional field surveys become difficult to sustain in terms of cost, time, and manpower, and they may also fall short in responding rapidly to dynamic needs such as post-event damage assessment, vegetation encroachment risk, and environmental changes around the route. In this context, combining remote sensing data (satellite imagery and orthophotos/aerial photographs) with artificial intelligence–based automated detection methods offers a strong alternative for improving the currency and reliability of asset data. Accordingly, this thesis integrates multi-source imagery, automated detection, geometric enrichment, large-scale inference, and 3D GIS-based representation into a unified workflow. The core technical approach is built on state-of-the-art deep learning object detection architectures that not only produce bounding boxes but also estimate keypoints/pose information to enrich the geometric description of detected towers. Transmission towers are visually challenging targets: they are slender structures that can blend into complex backgrounds, are strongly affected by lighting and shadow variations, and appear in many forms and scales. For this reason, the study aims to go beyond a basic“presence/absence”detection and extract additional point-based features that can support a more detailed structural representation. Within this scope, the YOLOv8 family is employed, and the thesis presents a complete implementation that spans data preparation, training and evaluation, and subsequent Digital Twin visualization in a GIS environment. From a data perspective, the work targets generalization to real-world conditions by jointly using satellite and aerial/orthophoto imagery with different spatial resolutions and acquisition characteristics. The study utilizes a dataset containing approximately 3,500 images with towers and more than 6,000 labeled towers; in some areas, multi-temporal imagery of the same location is also available, supporting improved robustness to changing environmental conditions. In addition, the thesis highlights the complementary role of institutional asset inventory records in the Digital Twin context, noting the integration potential of large-scale datasets that include various tower attributes (e.g., line code, voltage level, height, geopoint, etc.). This creates the basis for a framework that can associate image-based detections with inventory information and enhance traceability and data integrity. A major practical focus of the thesis is making remote sensing imagery workable at real-world scale. Satellite and orthophoto products can be extremely large, with single images reaching sizes on the order of 25,000 × 25,000 pixels. Running direct inference on such imagery is difficult due to hardware limits and processing time. Moreover, commonly used remote sensing formats such as JP2 may not be directly compatible with standard computer-vision pipelines, making format conversion (e.g., to GeoTIFF) necessary, which can increase storage requirements significantly. To address these issues, the thesis incorporates preprocessing steps such as format conversion, image tiling, appropriate rescaling, and workflow automation. By dividing large images into manageable tiles, the framework keeps memory usage under control and enables systematic scanning of wide areas to automatically identify towers. On the modeling side, multiple training configurations are compared to balance accuracy and computational cost. The study reports that training initially started on local hardware but was moved to a stronger compute environment due to long training times and resource constraints; for example, Google Colab Pro with an A100 GPU (40 GB) and high RAM capacity is noted as significantly reducing training time. The best-performing configuration is reported for a YOLOv8x model trained with 2016×2016 image size, batch size of 5, and 135 epochs. Under this setting, the bounding-box detection performance reaches [email protected] = 0.913 and [email protected]:0.95 = 0.670, while pose estimation achieves [email protected] = 0.528 and [email protected]:0.95 = 0.258. High performance on bounding-box detection demonstrates a strong basis for automated tower inventory generation, whereas the relatively lower keypoint metrics underline the inherent difficulty of pose estimation and indicate that label quality, class consistency, image resolution, and architectural choices can be decisive factors for further improvement. A key contribution of the thesis is not treating detections as isolated outputs, but connecting them to an operational Digital Twin representation through GIS-based 3D visualization and placement. The workflow is designed to position towers according to their detected locations and to visualize them in association with 3D models in a GIS environment. This approach enables a unified view of asset location and geometry in a single platform and supports practical use cases such as maintenance planning, risk assessment, corridor management, and monitoring of changes over time. The thesis also emphasizes automation, noting that data preparation, training, inference, and GIS integration are implemented in a repeatable manner using Python-based workflows. Such automation improves reproducibility and allows the method to be rerun efficiently for different regions and imagery collections. Throughout the study, the encountered challenges reflect the practical realities of remote sensing–based asset detection and Digital Twin production. Differences in resolution between satellite and aerial imagery, variations in scale and viewpoint, background clutter and tower-like confusers, shadows, seasonal effects, and lighting conditions can all increase false positives and reduce consistency. In addition, high accuracy may require significant compute resources, large storage capacity, and time-consuming high-quality labeling. Despite these constraints, the thesis demonstrates that the proposed framework can detect towers with high accuracy and can successfully translate these results into a GIS-based 3D Digital Twin component suitable for real-world asset monitoring and management. In conclusion, the thesis presents an AI-driven Digital Twin framework that leverages multi-source remote sensing imagery to improve the reliability of infrastructure asset data. The proposed approach is integrated and scalable: it supports automated detection from mixed-resolution imagery, handles large orthophotos through tiling and preprocessing, links results to 3D GIS representation, and enables repeatable execution through automation. The results show that robust tower detection is feasible at high performance levels, while also indicating that pose/keypoint performance can be further improved through richer labeling strategies, more consistent class definitions, and enhanced data diversity. Future work may focus on strengthening the temporal-analysis component (multi-date change detection), improving efficiency in computation and storage, and extending GIS–BIM integration toward actionable decision-support scenarios. Beyond power transmission networks, the methodology can be adapted as a scalable digitalization and monitoring approach for many other linear and area-based infrastructure assets.
Benzer Tezler
- The spatio-temporal dynamics of aerosols in the Marmara region and impact of land cover/use on atmospheric environment
Marmara bölgesindeki aerosollerin mekansal-zamansal dinamiksel ve arazi örtüsü/kullaniminın atmosferik ortam üzerindeki̇ etkisi
PARIA ETTEHADI OSGOUEI
Doktora
İngilizce
2023
Mühendislik Bilimleriİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
PROF. DR. ŞİNASİ KAYA
- Evaluation of IASI NH3 levels in the Eastern Mediterranean Region
Doğu Akdeniz Bölgesinde IASI NH3 seviyelerinin değerlendirilmesi
SERRA SARAÇOĞLU
Yüksek Lisans
İngilizce
2025
Çevre Mühendisliğiİstanbul Teknik ÜniversitesiÇevre Mühendisliği Ana Bilim Dalı
DOÇ. DR. BURÇAK KAYNAK TEZEL
- Remote sensing-based analyses for fire danger assessment and active fire monitoring in forest ecosystems
Orman ekosistemlerinde yangın tehlikesinin değerlendirilmesi ve aktif yangın izleme için uzaktan algılama tabanlı analizler
HATİCE ATALAY
Doktora
İngilizce
2025
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ADALET DERVİŞOĞLU
- Evaluation of ground-level ozone measurements using TROPOMİ HCHO and NO2 retrievals in the Aegean Region of Türkiye
TROPOMI HCHO ve NO2 verileri kullanarak Türkiye'nin Ege Bölgesinde yer seviyesindeki ozon ölçümlerinin değerlendirilmesi
SEDEF BAYRAM
Yüksek Lisans
İngilizce
2025
Çevre Mühendisliğiİstanbul Teknik ÜniversitesiÇevre Mühendisliği Ana Bilim Dalı
DOÇ. DR. BURÇAK KAYNAK TEZEL
- Networked computing-based system identification and control of electromechanical systems with industrial IoT
Endüstriyel IoT ile elektromekanik sistemlerin ağ hesaplama tabanlı sistem tanıma ve kontrolü
RAMAZAN KAYA
Yüksek Lisans
İngilizce
2024
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
DOÇ. DR. ALİ FUAT ERGENÇ