Geri Dön

Application of object detection methodologies for post-earthquake building damage assessment

Deprem sonrası bina hasar değerlendirmesinde nesne tanımlama metodojilerinin uygulanması

PDF İndir

  1. Tez No: 1003766
  2. Yazar: MERVE BAYRAKTAR
  3. Danışmanlar: PROF. DR. BERNA UNUTMAZ, PROF. DR. BURCU GÜLDÜR ERKAL
  4. Tez Türü: Doktora
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Deprem Mühendisliği, İnşaat Mühendisliği, Computer Engineering and Computer Science and Control, Earthquake Engineering, Civil Engineering
  6. Anahtar Kelimeler: Earthquake Damage Assessment, Object Detection, Geospatial Analysis, Post-Disaster Reconnaissance and Emergency Response Planning, Deprem Hasar Tespiti, Nesne Tespiti, Coğrafi Veri Analizi, Afet Keşif Çalışmaları ve Acil Müdahale Planlaması
  7. Yıl: 2025
  8. Dil: İngilizce
  9. Üniversite: Hacettepe Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: İnşaat Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: İnşaat Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Rapid and reliable assessment of structural and infrastructural damage after large-scale earthquakes is critical for effective emergency response and decision-making. In this context, this study proposes a four-stage geospatial analysis framework based on UAV imagery following the February 6, 2023 Kahramanmaraş earthquakes: dataset creation, structural damage detection, blocked road identification, and risk-based path optimization. In the first stage, a high-resolution image dataset named the Geospatial Dataset of Kahramanmaras Earthquakes (GDKE) was developed. UAV images were systematically collected from atlas.gov.tr, and approximately 15% of them were manually annotated. ii The annotation process defined three object classes—collapsed buildings, intact buildings, and tents—using polylines to mark each instance. In the second stage, You Only Look Once (YOLO) object detection algorithms were used to automatically identify structural elements in the aerial imagery. Two models, YOLOv9-C and YOLOv12, were trained and evaluated on the GDKE dataset. While polylines were used as annotation input, the models produced bounding box outputs for object localization. In the Random Split Analysis (RSA) scenario, YOLOv9-C achieved a peak precision of 0.965 overall and 0.954 for collapsed buildings. In contrast, YOLOv12 reached a peak precision of 0.847 overall and 0.783 for collapsed buildings. Given its superior performance, only YOLOv9-C was used in the Nurdagi Test Analysis (NTA), where all images from Nurdagi were excluded from training and validation and used only for testing. In this setting, YOLOv9-C achieved an overall precision of 0.894 and 0.840 for collapsed buildings. In the third stage, a spatial analysis was conducted to identify blocked road segments based on the outputs of the object detection models. Nurdagi was selected as a case study, and ground truth data for blocked roads were manually generated. Collapsed building bounding boxes obtained from YOLO were intersected with OpenStreetMap-based road network data in QGIS. Only the portions of roads intersecting with collapsed buildings were labeled as blocked. This analysis identified 21.55 kilometers of blocked road segments across the districts of Nurdagi, Kirikhan, Iskenderun, and Onikisubat. For the Nurdagi region, blocked road detection achieved a precision of 0.963 using YOLO outputs from RSA and 0.961 using outputs from NTA. In the fourth stage, an accessibility analysis was carried out by incorporating blocked road information. Using Dijkstra and A* algorithms, routes were calculated from Nurdagi State Hospital to 253 collapsed buildings, where 190 were reachable and 63 were not. To address this limitation, a risk-based path optimization approach was implemented using a Markov Decision Process (MDP). Initially, the shortest paths from the hospital to each collapsed building were identified, and each path was evaluated based on its cumulative blockage length and road width. At this stage, 49 paths were classified as low-risk, 116 as medium-risk, and 88 as high-risk. Subsequently, the framework sought lower-risk alternatives to the original routes. In the final step, if open (low-risk) paths were available, they were selected; otherwise, the least risky route was chosen. As a result of the optimization, risk levels were reduced for 171 routes. In the final distribution, 220 paths were classified as open, 10 as medium-risk, and 23 as high-risk. This study presents an integrated and operational decision support framework for post earthquake emergency planning by combining structural damage detection, blocked road identification, and risk-aware accessibility optimization based on UAV-derived geospatial data.

Özet (Çeviri)

Büyük ölçekli depremlerin ardından yapısal ve altyapısal hasarların hızlı ve güvenilir bir şekilde değerlendirilmesi, etkili acil durum müdahalesi ve karar alma süreçleri açısından kritik öneme sahiptir. Bu doğrultuda, 6 Şubat 2023 Kahramanmaraş depremleri sonrasında gerçekleştirilen bu çalışma, UAV görüntülerine dayalı dört aşamalı bir coğrafi analiz süreci sunmaktadır: veri seti oluşturulması, yapısal hasar tespiti, kapalı yolları belirleme ve risk-temelli yol optimizasyonu. Birinci aşamada, Geospatial Dataset of Kahramanmaras Earthquakes (GDKE) adlı yüksek çözünürlüklü bir görüntü veri seti oluşturulmuştur. UAV görüntüleri atlas.gov.tr üzerinden sistematik biçimde toplanmış ve yaklaşık %15'i manuel olarak etiketlenmiştir. v Etiketleme sürecinde çökmüş bina, sağlam bina ve çadır olmak üzere üç nesne sınıfı tanımlanmış ve bu nesneler polylineler aracılığıyla işaretlenmiştir. İkinci aşamada, yapay zeka tabanlı You Only Look Once (YOLO) nesne tespiti algoritmaları kullanılarak görüntü verilerinde yapısal nesnelerin otomatik tanımlanması hedeflenmiştir. Bu kapsamda YOLOv9-C ve YOLOv12 modelleri GDKE veri seti üzerinde eğitilmiş ve değerlendirilmiştir. Eğitim verisi olarak polylineler kullanılmış olsa da, YOLO modellerinin çıktıları her nesneyi sınırlayan dikdörtgenler (bounding boxes) biçimindedir. Rastgele veri bölünmesine dayalı Random Split Analysis (RSA) senaryosunda, YOLOv9-C modeli çökmüş bina sınıfı için 0.954, genel doğrulukta ise 0.965 precision değerine ulaşmıştır. Aynı koşullarda YOLOv12 modeli çökmüş bina sınıfı için 0.783 ve genel doğrulukta 0.847 precision değerleriyle daha düşük başarı göstermiştir. Model karşılaştırması sonucunda, Nurdagi Test Analysis (NTA) senaryosunda yalnızca YOLOv9-C kullanılmış, bu durumda Nurdagi verileri eğitim ve doğrulama süreçlerinden çıkarılarak sadece test amaçlı kullanılmıştır. Bu senaryoda genel precision 0.894, çökmüş bina (collapsed) sınıfı için ise 0.840 olarak hesaplanmıştır. Üçüncü aşamada, YOLO model çıktılarının mekânsal analizi ile kapalı yol segmentleri belirlenmiştir. Nurdagi bölgesi bu aşamada özel bir vaka çalışması (case study) olarak seçilmiş; manuel olarak kapalılı yol durumları işaretlenmiş ve ground truth veri oluşturulmuştur. YOLO çıktılarından elde edilen çökmüş bina bounding box koordinatları, QGIS ortamında OpenStreetMap tabanlı yol verisiyle kesiştirilmiştir. Bir yol segmentinin çökmüş bina ile çakıştığı yerler kapalı olarak değerlendirilmiştir. Bu analizle Nurdagi, Kirikhan, Iskenderun ve Onikisubat ilçelerinde toplam 21.55 kilometre uzunluğunda kapalı yol segmenti belirlenmiştir. Nurdagi özelinde yapılan analizde, kapalı tespitlerinin doğruluğu RSA'ya dayanan YOLO çıktıları ile 0.963, NTA tabanlı çıktılarla ise 0.961 precision olarak hesaplanmıştır. Bu değerler, modelin çökmüş yapılar üzerinden ulaşım kesintilerini yüksek doğrulukla belirleyebildiğini göstermektedir. Dördüncü aşamada, kapalı yolların dahil edildiği bir erişilebilirlik analizi gerçekleştirilmiştir. Dijkstra ve A* algoritmaları kullanılarak, Nurdagi Devlet Hastanesi'nden 253 çökmüş binaya rota hesaplamaları yapılmış; sonuçta 190 yapıya erişilebildiği, 63 yapıya ise ulaşılamadığı belirlenmiştir. Bu sınırlamayı aşmak amacıyla Markov Karar Süreci (MDP) tabanlı bir risk-temelli rota optimizasyonu uygulanmıştır. Öncelikle, bu algoritmalarla elde edilen en kısa erişim yolları için risk sınıflandırması yapılmıştır. Bu sınıflandırma sonucunda 49 yol açık, 116 yol orta riskli ve 88 yol yüksek riskli olarak değerlendirilmiştir. Sonraki adımda, mevcut yollarla karşılaştırıldığında daha düşük riskli alternatif yollar aranmış ve bu yollara yönlendirme yapılmıştır. Son olarak, yalnızca açık yollar tercih edilmiş; açık yol bulunamayan durumlarda ise en düşük riskli yollar seçilerek rota oluşturulmuştur. Optimizasyon sonucunda 171 yolun risk seviyesi düşürülmüş; nihai durumda 220 yol açık, 10 yol orta riskli, 23 yol ise yüksek riskli olarak belirlenmiştir. Bu çalışma, yapısal hasar tespiti, kapalı yolları belirleme ve risk bazlı erişim optimizasyonunu entegre ederek afet sonrası müdahalelere yönelik güvenilir, mekânsal olarak anlamlı ve operasyonel olarak uygulanabilir bir karar destek yaklaşımı sunmaktadır.

Benzer Tezler

  1. Tez No

    949336

    Deprem sonrası betonarme kolonlarda boyuna donatı burkulmasının makine öğrenmesi ile tespiti

    Detection of longitudinal reinforcement buckling in reinforced concrete columns post-earthquake by machine learning

    BAHADIR GÜLEŞMEN

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    İnşaat Mühendisliğiİstanbul Teknik Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ÖMER TUĞRUL TURAN

  2. Tez No

    904011

    Characterization of different shape objects using EM pulse for several different scenarios

    Farklı senaryolarda EM darbesi kullanarak farklı şekillerdeki nesnelerin karakterizasyonu

    EMRE İŞCAN

    Doktora

    İngilizce

    İngilizce

    2024

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Bilişim Uygulamaları Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. SEBAHATTİN EKER

    PROF. VASIL TABATADZE

  3. Tez No

    948098

    Wavedrive: a pipeline for gesture recognition using hands' orientation and polar coordinates

    Wavedrive: ellerin yönünü ve polar koordinatları kullanarak jest tanıma için bir boru hattı

    ABDÜLKERİM SİPAHİ

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Mekatronik Mühendisliğiİstanbul Teknik Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    PROF. DR. ERDİNÇ ALTUĞ

  4. Tez No

    180646

    Ghostware and rootkit detection techniques for windows

    Windows işletim sistemi için ghostware ve rootkit yakalama teknikleri

    CUMHUR DORUK BOZAĞAÇ

    Yüksek Lisans

    İngilizce

    İngilizce

    2006

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. ALİ AYDIN SELÇUK

  5. Tez No

    987324

    AI-driven enhancement and risk detection in microwave systems

    Mikrodalga sistemlerde yapay zeka destekli iyileştirme ve risk tespiti

    İBRAHİM HALİL BAYAT

    Doktora

    İngilizce

    İngilizce

    2025

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. İBRAHİM AKDUMAN

    DR. ÖĞR. ÜYESİ SEMİH DOĞU

Geri Dön