Görüntü işleme ve derin öğrenme yöntemleri kullanarak enerji nakil hatlarında anomalilerin otomatik tespiti
Automated detection of anomalies in power transmission lines using image processing and deep learning methods
- Tez No: 1000388
- Danışmanlar: DR. ÖĞR. ÜYESİ MUHAMMED ERDEM İSENKUL
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: İstanbul Üniversitesi-Cerrahpaşa
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Elektrik iletim ve dağıtım hatlarının sürekliliği ve güvenilirliği açısından izolatörlerin fiziksel durumu kritik bir öneme sahiptir. İzolatörlerde meydana gelen kırık veya atlama (flashover) gibi arızaların erken tespiti, enerji kesintilerini ve olası kazaları önlemektedir. Geleneksel denetim yöntemlerinin zorlukları ve maliyetleri, insansız hava araçları ve yapay zeka tabanlı otonom sistemlere olan ihtiyacı artırmıştır. Bu tez çalışmasında, elektrik direklerindeki izolatör disklerinin durumunu tespit etmek ve sınıflandırmak amacıyla özgün bir veri seti iyileştirme yöntemi ve kaskat bir derin öğrenme modeli önerilmiştir. Literatürdeki veri setlerinin genellikle zayıf arka plan gerçekliğine sahip olması, çok yakın plan çekimlerden oluşması veya sadece uzun zincirli yapıları içermesi, modellerin gerçek dünya koşullarındaki başarısını sınırlamaktadır. Bu çalışmada, mevcut veri setleri, geniş arka plan içeren ve gerçek saha koşullarını yansıtan görüntülerle yaklaşık %30 oranında zenginleştirilerek optimize edilmiştir. Model mimarisinin belirlenmesi aşamasında kapsamlı karşılaştırmalı analizler yapılmıştır. İlk olarak, tespit ve sınıflandırma başarımı için literatürde en sık kullanılan YOLO ve Faster R-CNN mimarileri kıyaslanmış; tespit aşamasındaki üstün başarımı nedeniyle YOLO algoritması tercih edilmiştir. İzolatör disklerinin sınıflandırılması aşamasında ise ResNet, EfficientNet ve MobileNet mimarilerinin performansları değerlendirilmiştir. MobileNetV2, doğruluk oranında çok az bir farkla ikinci sırada yer almasına rağmen, işlem hızı bakımından diğer modellere göre sağladığı belirgin üstünlük nedeniyle kaskat yapının sınıflandırıcı katmanı olarak seçilmiştir. Önerilen hibrit modelde; YOLO algoritması ile izolatör ve disk tespiti yapıldıktan sonra, tespit edilen diskler kırpılarak sınıflandırıcıya iletilmektedir. Sınıflandırma performansını artırmak için MobileNetV2 mimarisine Konvolüsyonel Blok Dikkat Modülü (CBAM) entegre edilmiş ve veri setindeki sınıf dengesizliğini yönetmek amacıyla Odak Kaybı (Focal Loss) fonksiyonu kullanılmıştır. Geliştirilen YOLO + MobileNetV2 (CBAM + Focal Loss) modeli ile gerçekleştirilen testlerde;“Sağlam Disk”,“Kırık Disk”ve“Atlama”sınıfları için genel doğruluk %99,76 olarak elde edilmiştir. Model, özellikle“Kırık Disk”sınıfında 0.99 F1-skoru ile yüksek başarılı bir ayrıştırma performansı sergilemiştir. Saniyede 7 kare (FPS) işleme hızı ve 185.60 ms ortalama gecikme süresi ile önerilen sistemin, gerçek zamanlı denetim uygulamaları için yüksek doğruluklu ve hızlı bir çözüm sunduğu gösterilmiştir.
Özet (Çeviri)
The physical condition of insulators is of critical importance for the continuity and reliability of electrical transmission and distribution lines. Early detection of faults, such as broken disks or flashovers in insulators, prevents power outages and potential accidents. The difficulties and high costs associated with traditional inspection methods have increased the need for Unmanned Aerial Vehicles (UAVs) and artificial intelligence-based autonomous systems. In this thesis study, a novel dataset enhancement method and a cascade deep learning model are proposed to detect and classify the condition of insulator disks on electric towers. The fact that datasets in the literature generally possess weak background realism, consist of very close-up shots, or only contain long-chain structures limits the success of models under real-world conditions. In this study, existing datasets were optimized by enriching them by approximately 30% with images containing wide backgrounds and reflecting real field conditions. Comprehensive comparative analyses were performed during the determination of the model architecture. First, YOLO and Faster R-CNN architectures, the most frequently used in the literature, were compared for detection and classification performance; the YOLO algorithm was preferred due to its superior performance in the detection stage. In the classification stage of insulator disks, the performances of ResNet, EfficientNet, and MobileNet architectures were evaluated. Although MobileNetV2 ranked second in accuracy with a very slight margin, it was selected as the classifier layer of the cascade structure due to the distinct advantage it provided over other models in terms of processing speed. In the proposed hybrid model, after insulator and disk detection is performed using the YOLO algorithm, the detected disks are cropped and forwarded to the classifier. To enhance classification performance, the Convolutional Block Attention Module (CBAM) was integrated into the MobileNetV2 architecture, and the Focal Loss function was utilized to manage class imbalance within the dataset. In tests conducted with the developed YOLO + MobileNetV2 (CBAM + Focal Loss) model, an overall accuracy of 99.76% was obtained for the“Good Disk”,“Broken Disk”, and“Flashover”classes. The model exhibited a highly successful classification performance, particularly in the“Broken Disk”class, with an F1-score of 0.99. With a processing speed of 7 frames per second (FPS) and an average latency of 185.60 ms, it has been demonstrated that the proposed system offers a high-accuracy and fast solution for real-time inspection applications.
Benzer Tezler
- İçerik tabanlı görüntü erişimi ile uzaktan algılama verilerinde obje arama
Object retrieval in remote sensing data using content based imaged retrieval
ÖZGE TOKMAK
Yüksek Lisans
Türkçe
2025
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. NEBİYE MUSAOĞLU
- Video analysis based fish detecton and tail beat frequency estimation in fishways
Video analizi ile balık geçitlerinde balık tanıma ve kuyruk sallama frekansı tahmini
YASİN YILDIRIM
Yüksek Lisans
İngilizce
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
DOÇ. DR. BEHÇET UĞUR TÖREYİN
PROF. DR. SERHAT KÜÇÜKALİ
- Optimization of deep neural network architectures for the forest fire detection
Orman yangini tespitinde derin sinir aği mimarilerinin optimizasyonu
BERRİN SAVDA
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. MÜŞTAK ERHAN YALÇIN
PROF. DR. HAZIM KEMAL EKENEL
- Implementation of data-driven decisions in urban governance and planning
Kent yönetişim ve planlamasında veri odaklı kararların uygulanması
JAFAR NAJAFLI
Yüksek Lisans
İngilizce
2020
Şehircilik ve Bölge Planlamaİstanbul Teknik ÜniversitesiŞehir ve Bölge Planlama Ana Bilim Dalı
DOÇ. DR. ÖZHAN ERTEKİN
- A new monocular depth estimation model using hybrid architecture
Hibrit mimari kullanarak yeni bir monoküler derinlik tahmini modeli
HAMİDULLAH TÜRKMEN
Doktora
İngilizce
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. DEVRİM AKGÜN