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
- Tez No: 688405
- Danışmanlar: PROF. DR. FADİME YÜKSEKTEPE
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, İnşaat Mühendisliği, Computer Engineering and Computer Science and Control, Civil Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: İngilizce
- Üniversite: İstanbul Kültür Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Mühendislik Yönetimi Bilim Dalı
- Sayfa Sayısı: 61
Özet
İnşaat alanlarında zorlu durumlarla günlük olarak karşılaşılmaktadır. Bu zorlukları yönetmek için yeni teknik ve yöntemler ortaya çıkmakta ve geliştirilmektedir. Klasik Makine Öğrenmesi (MÖ) ve Derin Öğrenme (DÖ) yöntemlerinin inşaat yönetimi alanında kullanılması da artmaya başlamıştır. Makine öğrenmesinin günlük problemleri çözme ve pratiğe dökülmesi için kullanılması, mühendislerin öne çıkarması ve başarması gereken bir görevdir. İnşaat alanlarında karşılaşılan problemlerden biri beton çatlağıdır. Çatlaklar yapılarda ortaya çıkan ve fark edilmesi zor olan hatalı oluşumlardır. Yapılardaki bozulmaları arttıracakları için erken zamanda tahmin edilmeleri çok önemlidir. Bu çalışma basit kameralarla toplanmış olan görüntüden oluşan bir veri seti için çatlak tahmininde DÖ yöntemlerinin kullanılmasını araştırmaktadır. Çatlak ve çatlak olmayan 40000 farklı görüntüden oluşan veri kümesi eğitim, doğrulama ve test olmak üzere üç gruba bölünmüştür. Bu veri kümesi, derin öğrenme yöntemlerinden biri olan ve yapay sinir ağları formundaki Evrişimsel Sinir Ağları (ESA) ve ikili sınıflandırma problem yöntemlerinden Lojistik Regresyon (LR) kullanılarak analiz edilmiştir. Son olarak, sonuçlar hem iki yöntem arasında hem literatürdeki mevcut çalışmalarla hem de gerçek hayat verileri ile kıyaslanmıştır. Aynı veri setinde hem ESA hem de LR modelleri iyi sonuçlar vermiştir ama ESA yöntemi doğruluk oranı ve kullanım açısından daha iyi olarak değerlendirilmiştir. Elde edilen sonuçlar umut vericidir ve ESA‟nın gerçek hayat inşaat yönetim uygulamalarında yakın gelecekte kullanılması beklenmektedir.
Özet (Çeviri)
A construction site faces challenges on a daily basis. In order to manage these challenges, new techniques and methods emerge into existence and constantly developed. The utilization of traditional Machine Learning (ML) techniques and Deep Learning (DL) is starting to grow in the construction management area. To put machine learning in practice to solve the daily obstacles, is a task engineers need to address and achieve. One of the problems that faces construction sites is concrete cracks. Cracks are subtle forms of failure that appear in structures. As they will increase the deterioration process in structures, detecting them early in the process is vital. This study investigates the process of crack detection using DL algorithms for a dataset consists of images collected by simple cameras. A dataset of 40,000 images of cracked and non-cracked concrete surfaces is split into three separate training, validation, and test datasets. The data set is analyzed using Convolutional Neural Networks (CNN), which is a deep learning method and a form of artificial neural networks, and Logistic Regression (LR), which is a method of classification of binary and dichotomous problems. Finally, the results of analysis are compared to each other, other studies in the literature, as well as real-life eye inspection. Both CNN and LR models give satisfactory results on the same dataset, but CNN model evaluated to be better in terms of accuracy and ease of use. The outcome of the analysis is promising and using CNN in real life construction management practice is expected to be utilized in the near future.
Benzer Tezler
- Türk müziğinde perde/çeşni dönüşümlerini keşfetmek: 15. yüzyıldan 20. yüzyıla örnek çalışmalar
Exploring perde/çeşni transformations in Turkish music: Case studies from 15th to 20th century
MUHAMMED ZÜLFÜ YALÇIN
Yüksek Lisans
Türkçe
2024
Müzikİstanbul Teknik ÜniversitesiMüzikoloji ve Müzik Teorisi Ana Bilim Dalı
PROF. DR. OZAN BAYSAL
- Otomatik üretim teknolojisine ait betonların basınç dayanımlarının makine öğrenmesi ve derin öğrenme yöntemleri ile tahmin edilmesi
Estimating the compressive strength of concrete with automatic production tecknology by machine learning and deep learning
HÜSEYİN KAYHAN
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBilecik Şeyh Edebali ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ NİHAN KAZAK ÇERÇEVİK
DR. ÖĞR. ÜYESİ ALİ ERDEM ÇERÇEVİK
- A comparative study of deep learning techniques for time series forecasting in energy consumption prediction
Derin öğrenme teknikleri ile enerji tüketimini tahmin etmek için zaman serisi tahminine yönelik karşılaştırmalı bir çalışma
MUTAKABBIR AHMED TAYIB
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiBilişim Sistemleri Ana Bilim Dalı
PROF. DR. TUĞBA TAŞKAYA TEMİZEL
PROF. DR. CEYLAN TALU YOZGATGİL
- A comparative study of deep learning approaches for autonomous vehicle control
Otonom araç kontrolü için ̇derin öğrenme yaklaşımlarının karşılaştırılması
EMRE ŞAHİN
Yüksek Lisans
İngilizce
2024
Mekatronik Mühendisliğiİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. GÜLAY ÖKE GÜNEL
- Derin öğrenme yöntemi ile protein ikincil yapı tahmini
Protein secondary structure prediction using deep learning method
EZGİ ÇAKMAK
Yüksek Lisans
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilişim Sistemleri Mühendisliği Ana Bilim Dalı
DOÇ. DR. İHSAN HAKAN SELVİ