Geri Dön

Görüntü tabanlı otomatik yol tespiti ve modellenmesi

Image based automatic road detection and modeling

  1. Tez No: 619958
  2. Yazar: FEVZİ DAŞ
  3. Danışmanlar: DOÇ. DR. UĞUR AVDAN
  4. Tez Türü: Doktora
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Jeodezi ve Fotogrametri, Computer Engineering and Computer Science and Control, Geodesy and Photogrammetry
  6. Anahtar Kelimeler: Yol ağı tespiti, Evrişimli sinir ağları, Anlamsal bölütleme, Openstreetmap, Openaerialmap, Road network detection, Convolutional neural networks, Semantic Segmentation, Openstreetmap, Openaerialmap
  7. Yıl: 2020
  8. Dil: Türkçe
  9. Üniversite: Eskişehir Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Uzaktan Algılama ve Coğrafi Bilgi Sistemleri Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 181

Özet

Gelişen teknoloji ile birlikte bireyler artık sadece bilgi tüketen değil aynı zamanda bilgi üreten kullanıcılar haline gelmişlerdir. Bu durum özellikle açık kaynak birçok proje için temel bilgi kaynağını oluşturmaktadır. OpenStreetMap (OSM) ve OpenAerialMap (OAM) bu bakış açısıyla oluşturulmuş ve oldukça yaygın olan projelerdendir. OSM dünyaya ait özgür bir harita üretmek amacıyla ortaya çıkan bir projedir. OAM ise dünyaya ait yüksek çözünürlüklü uydu ve hava görüntülerini depolayan ve paylaşan bir platformdur. Diğer yandan özellikle 2000'li yıllardan sonra hızla gelişen ve fiyatları düşen bilgisayar teknolojileri ile birlikte makine öğrenmesi ve yapay sinir ağı alanlarında (YSA) önemli gelişmeler ve ilerlemeler kaydedilmiştir. Özellikle derin öğrenme ve evrişimsel sinir ağları ile birlikte görüntü işleme yöntemlerindeki klasik programlama mantığı tamamen değişmiştir. Makine öğrenmesinin ve derin sinir ağlarının başarısını etkileyen en önemli faktörlerden birisi sistemin eğitilmesi için girdi olarak kullanılacak yeterli miktarda verinin temin edilmesidir. Bu çalışma kapsamında OAM'den elde edilen uzaktan algılama görüntüleri ve OSM'den elde edilen vektörel bilgi kullanılarak denetimli sınıflandırma için bir veri seti oluşturulmuştur. Bu veri seti, anlamsal bölütleme tekniği kullanılarak yol ağlarının tespitini amaçlayan modeli eğitmek ve test etmek için kullanılmıştır. Çalışmada özelleştirilmiş tam evrişimsel ağ (TEA), SegNet ve PSPNet gibi farklı modeller kullanılmış ve sonuçlar karşılaştırmalı olarak verilmiştir. Değerlendirme sonuçlarına göre en başarılı sonuçlar TEA modeli ile elde edilmiştir. Bu modelin piksel doğruluğu 0.7102, kesinlik değeri 0.7826, hassasiyet değeri 0.7949 ve F1 skoru 0.7887 olarak hesaplanmıştır.

Özet (Çeviri)

With the developing technology, individuals have become users who are not only consuming but also producing information. This is particularly the main source of information for many open source projects. OpenStreetMap (OSM) and OpenAerialMap (OAM) are very common projects created with this perspective. OSM is a project that has emerged to produce a free world map. OAM is a platform for storing and sharing high resolution satellite and aerial imagery of the world. On the other hand, significant developments and progress have been made in machine learning and artificial neural network (ANN) areas, especially with the rapid developing and cheaper prices of computer technologies after the 2000s. The concept of classical programming, especially in deep learning and convolutional neural networks, has completely changed. One of the most important factors affecting the success of machine learning and deep neural networks is the provision of sufficient data to be used as input for training the system. In this study, a data set for supervised classification was created by using high resolution aerial images obtained from OAM and vector information obtained from OSM. This data set was used to train and test the model for the detection of road networks using semantic segmentation technique. Different models such as customized fully convolutional network (FCN), SegNet and PSPNet were used in the study and the results obtained are given comparatively. According to the evaluation results, the most successful results were obtained with the FCN. The pixel accuracy of this model is 0.7102, the recall value is 0.7826, the precision value is 0.7949 and the F1 score is 0.7887.

Benzer Tezler

  1. Deep learning based three dimensional face expression recognition using geometry images from three dimensional face models

    Üç boyutlu yüz modellerinden elde edilen geometri görüntüleri kullanılan derin öğrenme tabanlı üç boyutlu yüz ifadelerini tanıma

    NEŞE GÜNEŞ

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ULUĞ BAYAZIT

  2. İnsansız hava aracı ile elde edilen veriler yardımıyla yol tespiti

    Automatic road detection from data taken by unmanned aerial vehicles

    ABDURAHMAN YASİN YİĞİT

    Yüksek Lisans

    Türkçe

    Türkçe

    2020

    Jeodezi ve FotogrametriAfyon Kocatepe Üniversitesi

    Harita Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MURAT UYSAL

  3. Road geometry extraction with fusion of low resolution satellite imagery and GPS trajectory using deep learning methods

    Düşük çözünürlüklü uydu görüntüleri ve GPS rotaları birleştirilmesi ve derin öğrenme yöntemleri kullanılarak yol geometrilerinin tespiti

    NECİP ENES GENGEÇ

    Doktora

    İngilizce

    İngilizce

    2024

    Jeodezi ve Fotogrametriİstanbul Teknik Üniversitesi

    Geomatik Mühendisliği Ana Bilim Dalı

    PROF. DR. ERGİN TARI

  4. Nesneye yönelik kural tabanlı sınıflandırma ve derin öğrenme yöntemleri ile otomatik yol çıkarımı olanaklarının araştırılması

    Investigation of automatic road extraction possibilities with object oriented rule-based classification and deep learning methods

    ZEYNEP BAYRAMOĞLU

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    Jeodezi ve FotogrametriYıldız Teknik Üniversitesi

    Harita Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ANİME MELİS UZAR DİNLEMEK

  5. Endüstriyel uygulamalarda görüntü işleme tabanlı otomatik hata tespit yöntemlerinin geliştirilmesi

    Development of automatic fault detection methods based on image processing in industrial applications

    BURAK GÜZELCE

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    Elektrik ve Elektronik MühendisliğiBursa Teknik Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ GÖKAY BAYRAK