Derin öğrenme ile yeşil alanların çıkarımı
Exraction of green areas with deep learning
- Tez No: 681879
- Danışmanlar: DR. ÖĞR. ÜYESİ ANİME MELİS UZAR DİNLEMEK
- Tez Türü: Yüksek Lisans
- Konular: Jeodezi ve Fotogrametri, Geodesy and Photogrammetry
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: Türkçe
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Harita Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Uzaktan Algılama ve Coğrafi Bilgi Sistemleri Bilim Dalı
- Sayfa Sayısı: 72
Özet
Dünyada, doğal habitat ve sağlıklı çevreler oluşturmaları nedeniyle yeşil alanlar küresel iklim değişikliklerinin izlenmesi, hava tahminleri gibi konularda önemli bir yerdedir. Ayrıca, kentsel ve kırsal alanların dönüşümü, afet ve kriz yönetimi gibi konularda zamansal değişim analizi yapılması, ormanlık alan çıkarımı gibi sürdürülebilir kaynakların takibi ve envanter oluşturulması açısından önem teşkil etmektedir. Son yıllarda, küresel iklim değişikliği açısından önemli olan bu alanların izlenmelerine yönelik yürütülen çalışmalarda, mevcut yöntemler ile derin öğrenme yöntemlerinin entegrasyonu gündeme gelmektedir. Derin öğrenme, temelinde YSA (Yapay Sinir Ağı) prensibini kullanarak, tek katmanlı sinir ağlarından çok katmanlı sinir ağlarına geliştirilen ve evrimleşerek yöntemin temellerini oluşturan bir mimariye sahiptir. Bu yöntem, el yazısıyla yazılan rakamları tanıma, fotoğraflardan bireylerin ruh halini tespit etme, trafikte seyreden taşıtları ve yayaları tanıma, LiDAR (Light Imaging Detection and Ranging) sensörleriyle 3 boyutlu tespit, uydu görüntüleri ile yeşil alanların zamansal değişimi veya farklı organlarda gözlemlenebilen kanserli hücrelerin röntgen görüntülerinden tespiti gibi konular üzerine yapılan çalışmalarda kullanılmıştır. Son yıllardaki derin öğrenmeye dair bu ivmelenme, derin öğrenme yöntemlerinin sunduğu avantajların Harita Mühendisliği'nin çalışma konularında da uygulanmasını sağlamıştır. Uzaktan algılama ve fotogrametri verilerinin derin öğrenme yöntemi ile entegrasyonu farklı kırsal ve kentsel çalışma alanlarının segmentasyonu ve kıyı çizgisi çıkarımı gibi sulak çalışma alanlarında hız ve doğruluk bakımından avantaj sağlamaktadır. Özellikle obje çıkarımı konusunda derin öğrenme algoritmalarının kullanımı ve makine eğitimi ile operatör müdahalesine ihtiyaç duymadan otomatik çıkarım gerçekleştirilmektedir. Böylece objeyi en iyi şekilde temsil edebilecek hiyerarşik bir yapı oluşturulabilmektedir. Tez çalışması kapsamında; 159 adet İHA (İnsansız Hava Aracı) görüntüsünden üretilen, Yıldız Teknik Üniversitesi Davutpaşa Kampüsü'ne ait ortofoto kullanılarak kampüsteki yeşil alanlar U-Net, UNet-VGG19, ResUNet, DenseUNet ve MultiResUNet kullanılarak çıkarılmıştır. En yüksek doğruluk oranını %94 DBK (Dice Benzerlik Katsayısı) oranı ile U-Net mimarisinde, %93 doğruluk oranına ise UNet-VGG19, ResUNet, DenseUNet mimarilerinde ulaşılmıştır. Elde edilen sonuçlar doğrultusunda, derin öğrenme yöntemlerinin İHA görüntülerinden yeşil alanların çıkarımında kullanılabileceği sonucuna varılmıştır.
Özet (Çeviri)
Green areas have an important place in the world in terms of monitoring global climate changes and weather forecasts, since they provide natural habitats and healthy environments. In addition, conducting temporal change analysis in subjects such as transformation of urban and rural areas, disaster and crisis management is important in terms of monitoring the sustainable resources and creating inventory such as forestry extraction. In recent years, the integration of existing methods and deep learning methods has come to the fore in studies conducted to monitor the areas mentioned that are important for global climate change. Deep learning, which is a method of computer vision, has an architecture that is developed from single-layer neural networks to multi-layer neural networks using the artificial neural network principle, and evolves to form the basis of the method. This method is widely used today in recognizing handwritten numbers, detecting the mood of individuals from photographs, recognizing vehicles and pedestrians in traffic, 3-dimensional detection with LiDAR (Light Imaging Detection and Ranging) sensors, temporal variation of green areas with satellite images, or x-rays of cancerous cells that can be observed in different organs. This acceleration of deep learning in recent years has enabled the advantages of deep learning methods to be applied in the study areas of Geomatics Engineering. Integration of remote sensing and photogrammetric data with deep learning method provides advantages in terms of speed and accuracy in many study areas. With the use of deep learning algorithms and machine training, especially in object extraction, automatic extraction is performed without the need for operator intervention. Thus, a hierarchical structure can be created that can best represent the object. In this study, it is aimed to extract green areas in campus were extracted using U-Net, UNet-VGG19, ResUNet, DenseUNet and MultiResUNet, using the orthophoto of Yıldız Technical University Davutpaşa Campus produced from 159 UAV (Unmanned Aerial Vehicle) images. The highest accuracy rate was achieved in the U-Net architecture with 94% DBK (Dice Similarity Coefficient) and 93% accuracy in UNet-VGG19, ResUNet, DenseUNet architectures. In line with the results obtained, it was concluded that deep learning methods can be used to extract green areas from UAV images.
Benzer Tezler
- Farklı derin öğrenme yaklaşımları ile yolların segmentasyonu
Road extraction using different deep learning approaches
SİNAN SİVRİ
Yüksek Lisans
Türkçe
2019
Jeodezi ve FotogrametriYıldız Teknik ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
PROF. DR. BÜLENT BAYRAM
- Derin öğrenme algoritmaları kullanılarak çay alanlarının otomatik segmentasyonu
Automatic segmentation of tea fields by using deep learning algorithms
SALİH BOZKURT
Yüksek Lisans
Türkçe
2018
Jeodezi ve FotogrametriYıldız Teknik ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
PROF. DR. BÜLENT BAYRAM
- Investigation of artificial intelligence-based point cloud semantic segmentation
Yapay zeka tabanlı nokta bulutu semantik bölümlendirmesinin incelenmesi
MUHAMMED ENES ATİK
Doktora
İngilizce
2022
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. ZAİDE DURAN
- Identification of tea plantation areas using Google cloud based random forest and deep learning
Google bulut servise dayalı rastgele orman ve derin öğrenme ile çay tarım alanlarının belirlenmesi
BERKAY ÖZEN
Yüksek Lisans
İngilizce
2020
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ESRA ERTEN
- Emotion recognition in children: Single and multimodal approaches with facial and physiological data
Çocuklarda duygu tanima: Yüz ve fizyolojik verilerle tekli ve çoklu modalite yaklaşimlari
ŞEYMA TAKIR
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. HATİCE KÖSE