Evrişimsel sinir ağları yöntemleri ile beton yapılarda çatlakların tespit
Detection of cracks in concrete structures by convolutional neural network methods
- Tez No: 1011457
- Danışmanlar: PROF. DR. ENGİN YENER
- Tez Türü: Yüksek Lisans
- Konular: Mühendislik Bilimleri, Engineering Sciences
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Iğdır Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İnşaat Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Beton yapılar, inşaat sektöründe en yaygın kullanılan malzemeler arasında yer almakta ve zamanla çeşitli çevresel ve mekanik etkilere maruz kalarak çatlak oluşumlarına neden olabilmektedir. Bu çatlaklar, yapıların dayanıklılığı ve güvenliği açısından önemli bir sorun teşkil etmektedir. Geleneksel çatlak tespiti yöntemleri, genellikle zaman alıcı, maliyetli ve insan hatasına açık süreçler içermektedir. Bu bağlamda, yapay zeka ve derin öğrenme tekniklerinin yapı denetiminde kullanımı son yıllarda önemli bir araştırma alanı haline gelmiştir. Bu tez çalışmasında, beton yapılardaki çatlakların tespitinde Evrişimsel Sinir Ağları (ESA) yöntemlerinin etkinliği araştırılmıştır. Çalışmanın temel amacı, görüntü işleme teknikleri kullanarak çatlakların hızlı, doğru ve otomatik bir şekilde tespit edilmesini sağlamaktır. Bu amaç doğrultusunda, farklı beton yüzey türlerini temsil eden yüksek çözünürlüklü çatlak ve sağlam yüzey görüntülerini içeren SDNET 2018 veri seti kullanılmıştır. Ardından, çeşitli ESA mimarileri bu veri seti üzerinde eğitilmiş ve test edilerek performansları karşılaştırmalı olarak analiz edilmiştir. Araştırma kapsamında kullanılan ESA modelleri, beton yüzeylerindeki çatlakların tespiti açısından doğruluk, hassasiyet, geri çağırma ve F1 skoru gibi çeşitli performans metrikleriyle detaylı olarak analiz edilmiştir. Elde edilen bulgular, ESA tabanlı yaklaşımların yalnızca yüksek doğruluk oranlarına ulaşmakla kalmadığını, aynı zamanda düşük işlem süresi ve yüksek genelleme kabiliyeti sayesinde gerçek zamanlı uygulamalar için de uygun olduğunu ortaya koymuştur. Özellikle derin katmanlı mimariler, ince çatlakların algılanmasında klasik görüntü işleme yöntemlerine kıyasla çok daha başarılı sonuçlar üretmiştir. Bu bağlamda çalışma, yapı sağlığı izleme sistemlerinde yapay zekâ destekli otonom denetim uygulamalarının etkinliğini vurgulamakta ; hem yeni yapılar hem de mevcut betonarme sistemlerin düzenli kontrol ve bakım süreçlerinde mühendislik uygulamalarına değerli katkılar sunmaktadır. Ayrıca, çalışmanın ortaya koyduğu yöntemler; güvenilir, hızlı ve tekrarlanabilir bir çatlak tespiti sistemi geliştirilmesi açısından önemli bir temel teşkil etmektedir.
Özet (Çeviri)
Concrete structures are among the most widely used materials in the construction industry and can, over time, be exposed to various environmental and mechanical influences, leading to crack formation. These cracks pose a significant problem for the durability and safety of structures. Traditional crack detection methods are often time-consuming, costly, and prone to human error. In this context, the use of artificial intelligence and deep learning techniques in building inspection has become an important research area in recent years. This thesis investigates the effectiveness of Convolutional Neural Network (CNN) methods in detecting cracks in concrete structures. The primary objective of the study is to enable fast, accurate, and automated crack detection using image processing techniques. For this purpose, the SDNET 2018 dataset, which contains high-resolution cracked and intact surface images representing different concrete surface types, was used. Various CNN architectures were then trained and tested on this dataset, and their performances were comparatively analyzed. The ESA models used in the study were analyzed in detail using various performance metrics, such as accuracy, precision, recall, and F1 score, for the detection of cracks on concrete surfaces. The findings revealed that ESA-based approaches not only achieve high accuracy rates but are also suitable for real-time applications thanks to their low computational time and high generalizability. Deep-layered architectures, in particular, produced significantly better results in the detection of fine cracks compared to conventional image processing methods. In this context, the study highlights the effectiveness of AI-supported autonomous control applications in structural health monitoring systems and offers valuable contributions to engineering practices in the regular inspection and maintenance processes of both new structures and existing reinforced concrete systems. Furthermore, the methods presented in the study provide an important basis for developing a reliable, fast, and repeatable crack detection system.
Benzer Tezler
- A comparative study of deep learning techniques in concrete crack detection: Convolutional neural networks and logistic regression
Beton çatlağı tahminde derin öğrenme yöntemlerinin kıyaslamalı bir çalışması: Evrişimsel sinir ağları ve lojistik regresyon
AZHI YASSIN RASUL
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Kültür ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. FADİME YÜKSEKTEPE
- Evrişimsel sinir ağları ve transfer öğrenme yöntemleri ile endüstriyel ürünlerde otomatik örüntü tespiti
Automatic pattern detection in industrial products with convolutional neural networks and transfer learning methods
İBRAHİM CİHAT UYANIK
Yüksek Lisans
Türkçe
2022
Elektrik ve Elektronik MühendisliğiMilli Savunma ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. NURETTİN ACIR
- Dermoskopik görüntülerden melanomanın derin evrişimsel sinir ağları ile teşhisi
Diagnosis of melanoma in dermoscopic images with deep convolutional neural networks
ENES AYAN
Doktora
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKırıkkale ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. HALİL MURAT ÜNVER
- Semantic land cover and land use classification using deep convolutional neural networks
Derin evrişimsel sinir ağları ile arazi kullanımı ve arazi örtüsünün anlamsal sınıflandırılması
BERK GÜNEY
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
PROF. DR. ELİF SERTEL
- Classification of pediatric snoring episodes using deep convolutional neural networks
Pediyatrik horlama episodlarının derin evrişimsel sinir ağları ile sınıflandırılması
OZAN FIRAT CİVANER
Yüksek Lisans
İngilizce
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. MUSTAFA ERSEL KAMAŞAK