Geri Dön

Automated plastic waste detection and visualization in coastal areas using UAVs and deep learning

İnsansız hava araçları ve derin öğrenme kullanılarak kıyı bölgelerinde otomatik plastik atık tespiti ve görselleştirilmesi

PDF İndir

  1. Tez No: 1000409
  2. Yazar: HESAM HATAMZADEH KHANGHAHI
  3. Danışmanlar: PROF. DR. ŞULE ITIR SATOĞLU
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2026
  8. Dil: İngilizce
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Veri Mühendisliği ve İş Analitiği Ana Bilim Dalı (disiplinlerarası)
  12. Bilim Dalı: Büyük Veri ve İş Analitiği Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Bu tez, kıyı bölgelerinde plastik atıkların tespiti ve görselleştirilmesi için insansız hava araçları (İHA/UAV) tabanlı derin öğrenme yöntemlerinin geliştirilmesini ve uygulanmasını kapsamaktadır. Plastik kirliliği, yirmi birinci yüzyılın en önemli çevresel sorunlarından biri olarak kabul edilmektedir. Küresel ölçekte her yıl 19–23 milyon ton plastik sucul ekosistemlere karışmakta, bunun büyük bir kısmı nehirler, yağmur suyu akışı ve yetersiz atık yönetimi nedeniyle kıyı bölgelerine ulaşmaktadır. Bu durum yalnızca ekolojik dengeyi değil, aynı zamanda turizm gelirlerini, balıkçılık faaliyetlerini ve kıyı toplumlarının yaşam kalitesini doğrudan tehdit etmektedir. Kıyı bölgeleri, plastik kirliliğinin en yoğun gözlemlendiği alanlar olup, burada yapılan izleme çalışmaları küresel plastik döngüsünü anlamak açısından kritik öneme sahiptir. Bu bağlamda, UAV tabanlı derin öğrenme yöntemleri, kıyı plastik kirliliğinin ölçeklenebilir, hızlı ve tekrarlanabilir biçimde izlenmesi için güçlü bir araç olarak öne çıkmaktadır. Çalışmanın temel amacı, kıyı bölgelerinde plastik kirliliğinin mekânsal dağılımını ve yoğunluğunu yüksek doğrulukla ortaya koymak, bu çıktıları karar vericiler için kullanılabilir bir gösterge paneline dönüştürmek ve böylece hem akademik literatüre hem de pratik uygulamalara katkı sağlamaktır. Tez, yalnızca teknik bir model geliştirme çalışması değil, aynı zamanda çevresel izleme ve politika geliştirme süreçlerine doğrudan katkı sunan bir karar destek sistemi tasarımıdır. Metodolojik süreç, farklı UAV tabanlı atık veri setlerinin bir araya getirilmesi ve yeniden etiketlenmesiyle başlamıştır. Red Sea UAV, UAVVaste, Roboflow ve diğer kaynaklardan elde edilen veri setleri birleştirilmiş, tutarlı bir sınıf taksonomisi oluşturulmuştur. Başlangıçta yedi sınıf tanımlanmış, daha sonra bu sınıflar ekolojik açıdan anlamlı bir bütünlük sağlamak amacıyla altı ana kategoriye indirgenmiştir. Bu sınıflar arasında cam, metal, paket, plastik torba, plastik şişe, plastik kap ve plastik parçacıklar yer almaktadır. Görüntülerin ön işleme sürecinde bulanıklık, gürültü ve ışık farklılıkları düzeltilmiş; ardından veri artırma teknikleri (mosaic, mixup, HSV dönüşümleri, ölçekleme, yatay çevirme vb.) uygulanarak sınıf dengesizliği azaltılmış ve modellerin genelleme kabiliyeti güçlendirilmiştir. Bu adımlar, modelin farklı çevresel koşullarda daha güvenilir sonuçlar üretmesini sağlamıştır. Ayrıca, veri setlerinin çeşitliliği sayesinde modelin farklı kıyı tiplerinde (turistik plajlar, balıkçı kasabaları, endüstriyel kıyılar) uygulanabilirliği artırılmıştır. Çalışmada iki temel nesne tespit mimarisi karşılaştırılmıştır: YOLO ailesi (YOLOv8 ve YOLOv11) ve Faster R-CNN (ResNet-50 ve ResNet-101). YOLO mimarisi, tek aşamalı ve gerçek zamanlı uygulamalara uygun bir yaklaşım sunarken, Faster R-CNN iki aşamalı yapısıyla daha yüksek doğruluk sağlamaktadır. Modeller, doğruluk (precision), duyarlılık (recall), ortalama doğruluk ([email protected] ve [email protected]–0.95), F1 skoru ve çıkarım hızı (FPS) gibi standart metriklerle kapsamlı biçimde değerlendirilmiştir. Deneyler, YOLOv11'in hem doğruluk hem de çıkarım hızı açısından en dengeli performansı sunduğunu göstermiştir. YOLOv11, [email protected]–0.95 düzeyinde 0.594 değerine ulaşmış, ortalama 12 ms/görüntü çıkarım süresiyle gerçek zamanlı saha uygulamalarına uygunluk sergilemiştir. Faster R-CNN modelleri bazı sınıflarda yüksek doğruluk sağlamasına rağmen çıkarım sürelerinin uzunluğu ve yüksek hesaplama maliyetleri nedeniyle UAV üzerinde gerçek zamanlı kullanım için uygun bulunmamıştır. Bu karşılaştırma, kıyı atıklarının hızlı ve etkin biçimde tespit edilmesi için YOLOv11'in en uygun seçenek olduğunu ortaya koymuştur. Model çıktılarının güvenilirliğini artırmak için coğrafi deduplikasyon ve kümelenme adımları uygulanmıştır. EXIF GPS metadata'sı ve zaman damgaları kullanılarak aynı nesnenin farklı karelerde tekrar sayılması engellenmiş; yoğunluk temelli DBSCAN algoritması ile ham 4.699 tespit, 355 benzersiz kümeye indirgenmiştir. Bu işlem, gerçek atık yoğunluklarının daha doğru haritalanmasını sağlamış ve saha müdahaleleri için öncelikli bölgelerin belirlenmesine olanak tanımıştır. Antalya kıyıları ve Marmara sahilleri gibi alanlar, hem tespit yoğunluğu hem de ekolojik hassasiyet kriterleri göz önünde bulundurularak öncelikli müdahale alanları olarak tanımlanmıştır. Kümelenme tabanlı yaklaşım, temizlik ekiplerinin rota planlamasında ve kaynak tahsisinde önemli zaman ve maliyet tasarrufu sağlayabilecek pratik çıktılar üretmiştir. Ayrıca bu yöntem, uzun vadeli izleme çalışmalarında kıyı kirliliğinin mekânsal ve zamansal trendlerini ortaya koymak için kullanılabilir. Araştırmanın uygulama boyutunu güçlendirmek amacıyla tespit sonuçları etkileşimli bir Çevresel Atık Tespit Gösterge Paneli ile bütünleştirilmiştir. Panel, sınıf dağılımları, boyut analizleri, görüntü başına tespit sayıları, zaman serisi trendleri ve coğrafi sıcak noktalar gibi çok boyutlu görselleştirmeler sunmakta; kullanıcıların filtreleme, yakınlaştırma ve zaman aralığı seçimi gibi etkileşimlerle veriyi farklı perspektiflerden incelemesine imkân tanımaktadır. Panelin kullanıcı dostu arayüzü, belediye yetkilileri, çevre kuruluşları ve saha ekipleri gibi farklı paydaşların ihtiyaçlarına göre özelleştirilebilen raporlar ve uyarı mekanizmaları üretmektedir. Bu sayede karar vericiler, gerçek zamanlı veya periyodik raporlar üzerinden temizlik operasyonlarını önceliklendirebilmekte, uzun vadeli politika ve izleme stratejilerini veri temelli olarak şekillendirebilmektedir. Panelin etkileşimli yapısı, akademik araştırma ile saha uygulamaları arasında köprü kurarak çevresel sorunların çözümüne doğrudan katkı sağlamaktadır. Örneğin, bir belediye yetkilisi panel üzerinden Antalya kıyılarındaki sıcak noktaları görüntüleyerek temizlik ekiplerini yönlendirebilir; aynı zamanda uzun vadeli trendler izlenerek politika geliştirme süreçleri desteklenmektedir. Tez, metodolojik katkılarının yanı sıra uygulamaya dönük çıkarımlar da sunmaktadır. YOLOv11'in saha koşullarına uygunluğu, düşük donanım gereksinimleri ve yüksek çıkarım hızı sayesinde İHA tabanlı izleme programlarının maliyet-etkin biçimde ölçeklenmesine olanak tanımaktadır. Coğrafi kümelenme ve deduplikasyon adımları, ham tespit verilerinin operasyonel olarak kullanılabilir bilgiye dönüştürülmesinde kritik bir rol oynamaktadır. Gösterge paneli entegrasyonu ise akademik çıktıları doğrudan saha uygulamalarına bağlayarak araştırma-saha döngüsünü kısaltmaktadır. Bununla birlikte çalışmanın sınırlılıkları da açıkça tanımlanmıştır: veri setlerinin coğrafi ve mevsimsel çeşitliliğinin daha da artırılması, gece uçuşları ve farklı hava koşullarında performans değerlendirmeleri, küçük boyutlu veya kısmen gömülü atıkların tespitinde model hassasiyetinin yükseltilmesi gibi alanlar gelecekteki çalışmalarda ele alınması gereken başlıca konulardır. Sonuç olarak bu tez, kıyı plastik kirliliğinin izlenmesi için İHA tabanlı derin öğrenme yaklaşımlarının hem teknik hem de operasyonel açıdan uygulanabilirliğini güçlü biçimde ortaya koymaktadır. YOLOv11 modeli, doğruluk, hız ve kaynak verimliliği açısından en uygun seçenek olarak belirlenmiş; coğrafi kümelenme algoritmaları ve etkileşimli gösterge paneli entegrasyonu ile birlikte kıyı atık yönetiminde ölçeklenebilir, karar destek odaklı bir sistem geliştirilmiştir. Çalışma, yalnızca akademik literatüre katkı sağlamakla kalmayıp aynı zamanda belediyeler, çevre kuruluşları ve saha ekipleri için doğrudan uygulanabilir bir araç sunmaktadır. Bu yönüyle tez, çevresel izleme teknolojilerinin gelişimine katkıda bulunmakta, farklı coğrafyalarda uyarlanabilecek sürdürülebilir bir model ortaya koymakta ve gelecekte yapılacak araştırmalara metodolojik bir referans sağlamaktadır. Böylece hem bilimsel hem de pratik düzeyde kıyı plastik kirliliğiyle mücadelede yeni bir paradigma önerilmekte, çevresel karar alma süreçlerinin veri temelli ve etkin biçimde desteklenmesi mümkün hale gelmektedir.

Özet (Çeviri)

This thesis presents the design, implementation, and evaluation of a UAV-based deep learning pipeline for coastal plastic waste detection, with a particular emphasis on operational feasibility and reproducibility. The study addresses the urgent environmental challenge of coastal plastic pollution by integrating aerial imagery with advanced object detection models, geospatial clustering, and interactive visualization tools. The methodological framework began with the creation of a consolidated dataset, combining multiple UAV-based litter datasets and manually annotated coastal imagery. These datasets were harmonized into a unified taxonomy of six waste categories, ensuring consistency and ecological relevance. Preprocessing and augmentation strategies were applied to mitigate class imbalance and improve generalization across diverse coastal environments. Two leading object detection paradigms were evaluated: YOLO (versions v8 and v11) and Faster R-CNN with ResNet backbones. Models were trained and tested using standardized metrics, including precision, recall, mean average precision (mAP), F1 score, and inference speed. Post-processing steps such as Non-Maximum Suppression (NMS), bounding box formatting, and class consolidation were applied to refine outputs. Comparative results demonstrated that YOLOv11 achieved superior accuracy and efficiency, with [email protected]–0.95 reaching 0.594 and inference speeds averaging 12 ms per image, outperforming both YOLOv8 and Faster R-CNN. To enhance reliability, geospatial clustering was introduced to deduplicate overlapping detections across UAV frames. This reduced raw detection counts from 4,699 to 355 unique clustered objects, enabling accurate hotspot identification. Clustered outputs were integrated into an Environmental Waste Detection Dashboard, which provides stakeholders with interactive features such as class distribution charts, bounding box dimension analysis, detection density histograms, and geospatial heatmaps. The dashboard operationalizes detection results into actionable insights, supporting targeted cleanup interventions and long-term monitoring. The findings confirm the feasibility of real-time UAV-based waste detection and visualization. YOLOv11 was selected as the deployment model due to its balance of accuracy, speed, and resource efficiency, making it suitable for integration into decision-support systems. By bridging technical innovation with applied utility, this thesis contributes a scalable, reproducible pipeline that transforms UAV monitoring from isolated experiments into a practical tool for coastal waste management.

Benzer Tezler

  1. Tez No

    946806

    Derın öğrenme tabanlı yolo algoritması ile otomatık çöp sınıflandırma sistemi

    Automatic waste classification system using a deep-learning-based yolo algorithm

    IBRAHIM M.A. SAMAK

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    Bilim ve TeknolojiÜsküdar Üniversitesi

    Yapay Zeka Mühendisliği Ana Bilim Dalı

    PROF. DR. GÖKALP TULUM

  2. Tez No

    1015132

    Derin öğrenme tabanlı yaklaşımlarla mikroskop görüntülerinden plastik türlerinin sınıflandırılması

    Classification of plastic types from microscope images using deep learning-based approaches

    ADEM DELİASLAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2026

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ULAŞ YURTSEVER

  3. Tez No

    666286

    Atıksu arıtma tesisi çıkış suyunda bulunan mikrokirleticilerin sucul ortam üzerindeki ekotoksik etkilerinin belirlenmesi

    Determining the ecotoxic effects of micropolluttants occurrance in the effluent of the wastewater treatment plants on aquatic environment

    MERVE ÖZKALELİ AKÇETİN

    Doktora

    Türkçe

    Türkçe

    2021

    Çevre MühendisliğiAkdeniz Üniversitesi

    Çevre Mühendisliği Ana Bilim Dalı

    DOÇ. DR. AYÇA ERDEM ÜNŞAR

    PROF. DR. PERİHAN BİNNUR KURT KARAKUŞ

  4. Tez No

    780096

    Atıkların derin öğrenme tabanlı sınıflandırılması

    Deep learning based classification of wastes

    DİLARA KARACA

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Uygulamalı Bilimler Üniversitesi

    Biyomedikal Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ SÜLEYMAN UZUN

  5. Tez No

    865885

    Analysis and forecasting of multi-region recyclable waste datasets with supervised machine learning models

    Denetimli makine öğrenme modelleri ile çok bölgeli geri dönüştürülebilir atık veri setlerinin analizi ve öngörülmesi

    GÖZDE AKA BAL

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Endüstri ve Endüstri Mühendisliğiİzmir Ekonomi Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ KAMİL ERKAN KABAK

Geri Dön