Geri Dön

Derin öğrenme yöntemleriyle İHA tabanlı ortofotoların sınıflandırılması

Classification of UAV-based orthophotos with deep learning methods

PDF İndir

  1. Tez No: 1009697
  2. Yazar: İLYAS ASLAN
  3. Danışmanlar: DOÇ. DR. NİZAR POLAT
  4. Tez Türü: Doktora
  5. Konular: Jeodezi ve Fotogrametri, Geodesy and Photogrammetry
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2026
  8. Dil: Türkçe
  9. Üniversite: Harran Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Harita Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

İnsansız hava araçları (İHA), düşük uçuş irtifası ve yüksek çözünürlüklü kamera sistemleri sayesinde ayrıntılı görüntüler elde edebilmekte, yüksek bindirme oranları ise fotogrametrik işlemlerde geometrik doğruluğun artırılmasına katkı sağlamaktadır. Bu özellikleriyle İHA'lar, yüksek çözünürlüklü ortofoto üretiminde yaygın biçimde kullanılmaktadır. İHA tabanlı üretilen ortofotolar, tarımsal alanlar, kentsel bölgeler ve doğal ortamlar gibi farklı arazi tiplerinde ayrıntılı mekansal analizlere olanak tanımaktadır. Bununla birlikte, bu tür yüksek çözünürlüklü ortofotolarda sınıflar arasındaki görsel benzerlikler, gölge etkileri ve karmaşık pikseller, geleneksel sınıflandırma yöntemleriyle yüksek doğrulukta sonuç elde edilmesini zorlaştırmaktadır. Bu durum, ortofoto sınıflandırma problemlerinde derin öğrenme temelli yaklaşımların etkinliğinin kapsamlı biçimde değerlendirilmesini gerekli kılmaktadır. Bu çalışmada, İHA tabanlı ortofotoların sınıflandırılmasına yönelik olarak derin öğrenme tabanlı Evrişimsel Sinir Ağı (ESA) mimarilerinin performansı, çoklu veri seti ve çoklu model karşılaştırmasına dayalı bütüncül bir çerçeve içerisinde incelenmiştir. Çalışma kapsamında, üçü özgün olarak üretilmiş ve biri erişime açık olmak üzere toplam dört farklı çalışma alanı değerlendirilmiştir. Özgün veri setleri; lavanta bahçesi, ormanlık alan ve yerleşim alanına ait İHA ortofotolarından oluşmaktadır. Erişime açık veri seti olarak ise ISPRS Vaihingen veri seti kullanılmıştır. Her bir özgün veri seti için, sınıf yapıları ve mekansal özellikler dikkate alınarak üç farklı özgün ESA mimarisi geliştirilmiştir. Tarımsal alana ait veri setinde geliştirilen ilk model, lavanta ve olgunlaşmamış lavanta sınıflarının ayrımına odaklanmış ve %97.78 genel doğruluk (OA) ile %96.59 kappa katsayısı elde etmiştir. Yerleşim alanı veri seti için geliştirilen MIDNet mimarisi, yedi sınıflı bir sınıflandırma probleminde uygulanmış ve %98.71 OA ile %97.53 kappa başarımı sağlamıştır. Orman alanı veri seti için geliştirilen üçüncü model ise ağaç, gölge ve toprak sınıflarını içeren sınıflandırma probleminde %96.75 OA değeri üretmiştir. Geliştirilen özgün ESA mimarileri, literatürde yaygın olarak kullanılan VGG16, ResNet18, ResNet50, InceptionV3, DenseNet121 ve MobileNet mimarileri ile karşılaştırmalı olarak değerlendirilmiştir. Elde edilen sonuçlar, önerilen modellerin yalnızca sınıflandırma doğruluğu açısından değil, aynı zamanda hesaplama verimliliği bakımından da rekabetçi olduğunu ortaya koymuştur. Özellikle MIDNet mimarisi, diğer modellerden daha az parametreye sahip olmasına rağmen farklı veri setlerinde yüksek ve tutarlı sınıflandırma başarımı sergilemiştir. Çalışmanın doğruluğunu değerlendirmek amacıyla, üç özgün model ve literatürdeki altı farklı derin öğrenme mimarisi, dört çalışma alanının tamamında aynı performans ölçütleri kullanılarak test edilmiştir. Toplam dokuz farklı modelin karşılaştırmalı analizi sonucunda, önerilen mimarilerin farklı arazi tipleri ve sınıf yapıları üzerinde tutarlı ve dengeli performans sunduğu belirlenmiştir. Vaihingen veri seti üzerinde gerçekleştirilen testlerde en yüksek doğruluk oranı %96.97 ile MidNet modeli ile elde edilmiş olup, bu model yalnızca 1.061.767 parametreye sahip olmasına rağmen 11 dakika eğitim süresi ve 19 saniye test süresi ile yüksek performans sergilemiştir. Buna karşılık en düşük doğruluk oranı %71.95 ile ResNet50 modelinde gözlemlenmiş, 23.601.093 parametreye ve 45 dakika eğitim süresine rağmen 62 saniye test süresi ile daha yüksek hesaplama maliyetine sahip olduğu görülmüştür. Bu sonuçlar, önerilen mimarilerin doğruluk ve hesaplama verimliliği açısından dengeli bir yapı sunduğunu ortaya koymaktadır. Sonuç olarak bu çalışmamızda, İHA tabanlı ortofotoların derin öğrenme yöntemleriyle sınıflandırılmasında, doğruluk ile hesaplama verimliliğini birlikte ele alan genellenebilir bir değerlendirme yaklaşımı sunulmuştur. Çoklu veri setleri ve çoklu model karşılaştırmalarına dayalı bu yaklaşımda, ortofoto sınıflandırmasına yönelik hem akademik çalışmalar hem de uygulamaya dönük mühendislik problemleri için yol gösterici nitelikte sonuçlar gösterilmiştir.

Özet (Çeviri)

Unmanned aerial vehicles (UAVs) are widely used in the production of high-resolution orthophotos, as they can acquire detailed imagery thanks to low flight altitudes and high-resolution camera systems, while high image overlap contributes to improving geometric accuracy in photogrammetric processing. With these characteristics, UAVs enable detailed spatial analyses across different land-use types such as agricultural areas, urban regions, and natural environments. However, in such high-resolution orthophotos, visual similarities between classes, shadow effects, and mixed pixels make it difficult to achieve high classification accuracy using traditional classification methods. This situation necessitates a comprehensive evaluation of the effectiveness of deep-learning-based approaches for orthophoto classification problems. In this study, the performance of deep learning–based Convolutional Neural Network (CNN) architectures for the classification of UAV-derived orthophotos was investigated within a holistic framework based on multi-dataset and multi-model comparisons. Within the scope of the study, a total of four different study areas were evaluated, three of which were specifically generated for this research and one of which was publicly available. The proprietary datasets consist of UAV orthophotos of a lavender field, a forest area, and a residential area. The publicly available ISPRS Vaihingen dataset was used as an open-access dataset. For each proprietary dataset, three different original CNN architectures were developed by considering class structures and spatial characteristics. The first model, developed for the agricultural dataset, focused on distinguishing lavender and immature lavender classes and achieved an overall accuracy (OA) of 97.78% with a kappa coefficient of 96.59%. The MIDNet architecture, developed for the residential area dataset, was applied to a seven-class classification problem and achieved an OA of 98.71% with a kappa value of 97.53%. The third model, developed for the forest area dataset, addressed a classification problem involving tree, shadow, and soil classes and produced an OA of 96.75%. The proposed original CNN architectures were comparatively evaluated against widely used architectures in the literature, including VGG16, ResNet18, ResNet50, InceptionV3, DenseNet121, and MobileNet. The results demonstrated that the proposed models are competitive not only in terms of classification accuracy but also in computational efficiency. In particular, the MIDNet architecture exhibited high and consistent classification performance across different datasets despite having fewer parameters than the other models. To evaluate the classification performance, three proposed models and six state-of-the-art deep learning architectures from the literature were tested across all four study areas using identical evaluation metrics. Based on the comparative analysis of nine different models, the proposed architectures demonstrated consistent and balanced performance across varying land cover types and class distributions. On the Vaihingen dataset, the highest overall accuracy (96.97%) was achieved by the MidNet model. Despite having only 1,061,767 parameters, MidNet exhibited high performance with an 11-minute training time and a 19-second inference time. In contrast, the lowest overall accuracy (71.95%) was observed in the ResNet50 model, which contains 23,601,093 parameters and required 45 minutes of training and 62 seconds for inference, indicating a substantially higher computational cost. These findings demonstrate that the proposed architectures provide a favorable balance between classification accuracy and computational efficiency. In conclusion, this study presents a generalizable evaluation framework for UAV-based orthophoto classification using deep learning approaches, jointly considering classification accuracy and computational efficiency. Through multi-dataset and multi-model comparisons, the proposed approach offers guiding insights for both academic research and practical engineering applications in orthophoto classification.

Benzer Tezler

  1. Tez No

    647819

    İHA üzerinden derin öğrenme tabanlı nesne belirlenmesi ve GNSS konum koordinatlarının hesaplanması

    Deep learning based object detection via UAV and computation of GNSS location coordinates

    FERİT TİRYAKİ

    Yüksek Lisans

    Türkçe

    Türkçe

    2020

    Mekatronik MühendisliğiMarmara Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    PROF. DR. HASAN ERDAL

    DR. ÖĞR. ÜYESİ BARIŞ DOĞAN

  2. Tez No

    1004903

    Development of the image quality for surveillance of UAVs using artificial intelligence

    Yapay zeka kullanılarak İHA'ların gözetimi için görüntü kalitesinin geliştirilmesi

    FATMA GÜL AMİL

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBrunel Unıversıty London

    Elektronik Mühendisliği ve Bilgisayar Bilimi Ana Bilim Dalı

    PROF. DR. ALİREZA MOUSAVİ

  3. Tez No

    908560

    Real-time anomaly detection in UAV systems using TinyML on ARM Cortex-M microcontrollers

    ARM Cortex-M mikrodenetleyicilerde gömülü makine öğrenmesi kullanarak İHA sistemlerinde gerçek zamanlı anomali tespiti

    MEHMET ALPEREN BAKICI

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Savunma ve Savunma Teknolojileriİstanbul Teknik Üniversitesi

    Savunma Teknolojileri Ana Bilim Dalı

    PROF. DR. ECE OLCAY GÜNEŞ

  4. Tez No

    959126

    Data-driven anomaly detection for airspace security using ADS-B surveillance data

    ADS-B gözetim verisi ile hava sahası güvenliği için veri tabanlı anomali tespiti

    ABDULLAH ÇERKEZOĞLU

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Savunma ve Savunma Teknolojileriİstanbul Teknik Üniversitesi

    Savunma Teknolojileri Ana Bilim Dalı

    DOÇ. BARIŞ BAŞPINAR

  5. Tez No

    812334

    İnsansız hava araçlarında nokta bulut yöntemi ile iniş pisti analizi

    Landing pad analysis by point cloud method in unmanned air vehicle

    MELİKE AKSU

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Sivil HavacılıkFırat Üniversitesi

    Havacılık Bilimi ve Teknolojileri Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ EBRU KARAKÖSE

Geri Dön