Uydu görüntüleri ve İHA ile derin öğrenme algoritmaları kullanılarak hasarlı yapıların tespit edilmesi
Detection of damaged structures using deep learning algorithms with satellite images and UAV
- Tez No: 690538
- Danışmanlar: DOÇ. DR. ERDEM EMİN MARAŞ
- Tez Türü: Yüksek Lisans
- Konular: Jeodezi ve Fotogrametri, Geodesy and Photogrammetry
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: Türkçe
- Üniversite: Ondokuz Mayıs Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Harita Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 87
Özet
Depremin ne zaman ve nerede olacağının önceden bilinememesi deprem sonrası müdahale konusunda zafiyet oluşturmaktadır. Buna bir de müdahale aşamasında yaşanan zaman kaybı ve koordinasyon eksikliğinin eklenmesi depremin verdiği zararı arttırabilmektedir. Bu sebeple deprem hasarının hızlı ve doğru bir biçimde yapılması olası can kaybını azaltabileceği gibi afet sonrası yaşamın normale dönebilmesi için de önemli bir faktördür. Günümüz şartlarında uydu, helikopter gibi araçlarla gözleme dayalı yapı hasarlarının tespiti hız ve doğruluk açısından çekinceler oluşturmaktadır. Çalışmada hasarlı yapıların hızlı ve güvenilir bir şekilde tespit edilebilmesi için derin öğrenme algoritmalarında evrişimsel sinir ağı mimarisinin bir modeli olan Mask Region-based Convolutional Neural Network (Mask R-CNN) modeli kullanılarak hasar tespiti yapılmaya çalışılmıştır. Eğitim alanı olarak 2010 yılında Haiti'de meydana gelen 316.000 insanın öldüğü, 280.000 civarı yapının hasar gördüğü 7.0 büyüklüğündeki deprem bölgesi seçilmiştir. Bölgede deprem sonrası WorldView-2 uydusuyla elde edilmiş 0.51 metre konumsal çözünürlüğe sahip uydu görüntüsü ve uydu görüntüsüne yakın bir konumdan alınmış 5 cm ve 7 cm çözünürlüğe sahip insansız hava aracı görüntüleri de çalışmada kullanılmıştır. Görüntüler ilk aşamada üç sınıfta“hasarlı”,“az hasarlı”ve“hasarsız”olarak eğitilip test edilmiştir. Uydu görüntüleri ile test sonucunda test için etiketlenen yapılar %10.92 oranında bulunmuş bulunan yapılar %73.33 genel doğrulukla sınıflandırılmıştır. İnsansız hava aracı verileri ile yapılan test işleminde ise yapılar %58.62 oranıyla bulunmuş ve bulunan yapılar %83.53 genel doğrulukla sınıflandırılmıştır. İkinci aşamada görüntüler“hasarlı”ve“hasarsız”olarak iki sınıfta etiketlenip eğitim ve test işlemi gerçekleştirilmiştir. Uydu görüntülerinin test sonucunda bu sefer test alanındaki etiketlenen yapılar %14.80 oranında bulunmuş, bulunan yapılar %85.71 genel doğruluk oranıyla sınıflandırılmıştır. İnsansız hava aracı verileri ile yapılan test işleminde ise yapılar %74.50 oranıyla bulunmuş ve bulunan yapılar %95.12 genel doğruluk oranıyla sınıflandırılmıştır.
Özet (Çeviri)
Not knowing when and where the earthquake will occur in advance creates a weakness in the post-earthquake response. Adding to this the loss of time and lack of coordination experienced during the intervention phase can increase the damage caused by the earthquake. For this reason, rapid and accurate earthquake damage can reduce possible loss of life and is an important factor for returning life to normal after the disaster. In today's conditions, detection of structural damage based on observation by means of satellites and helicopters creates reservations in terms of speed and accuracy. In the study, damage detection was tried to be done using Mask Region-based Convolutional Neural Network (Mask R-CNN) model, which is a model of convolutional neural network architecture in deep learning algorithms in order to detect damaged structures quickly and reliably. The 7.0 magnitude earthquake zone, which occurred in Haiti in 2010, in which 316,000 people died and 280,000 buildings were damaged, was chosen as the training area. Satellite image with a spatial resolution of 0.51 meters obtained with the WorldView-2 satellite after the earthquake in the region and unmanned aerial vehicle images with a resolution of 5 cm and 7 cm taken from a position close to the satellite image were also used in the study. In the first stage, the images were trained and tested in three classes as“damaged”,“slightly damaged”and“undamage”. As a result of the test with satellite images, the structures tagged for the test were found at a rate of 10.92%, and the structures were classified with an overall accuracy of 73.33%. In the test process with unmanned aerial vehicle data, the structures were found with a rate of 58.62% and the structures found were found with an overall accuracy of 83.53%. In the second stage, the images were labeled in two classes as“damaged”and“undamaged”and training and testing was carried out. As a result of the test of satellite images, this time the tagged structures in the test area were found at a rate of 14.80%, and the structures found were classified with an overall accuracy of 85.71%. In the test process with unmanned aerial vehicle data, the structures were found with a rate of 74.50% and the structures found were classified with an overall accuracy of 95.12%.
Benzer Tezler
- Afet bölgeleri için iha kullanarak derin öğrenme tabanlı yol optimizasyonu
Deep learning based road optimization using uav for disaster regions
MEHMET SERHAT CEYLAN
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSüleyman Demirel ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GÜL FATMA TÜRKER
- Semantic segmentation of UAV images in archaeological sites using deep learning
Arkeolojik alanlardaki İHA görüntülerinin derin öğrenme yardımıyla anlamsal segmentasyonu
DAMLA KUMBASAR
Yüksek Lisans
İngilizce
2023
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. DURSUN ZAFER ŞEKER
- 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
- Derin öğrenme ile yeşil alanların çıkarımı
Exraction of green areas with deep learning
YUSUF YEKTA GÜZEL
Yüksek Lisans
Türkçe
2021
Jeodezi ve FotogrametriYıldız Teknik ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ANİME MELİS UZAR DİNLEMEK
- Derin öğrenme yöntemleri ve yapay sinir ağı tabanlı NDVI değerleri ile çeltik bitkisi hastalıkların tespiti
Detection of diseases in rice plant with deep learning methods and artificial network based NDVI values
İRFAN ÖKTEN
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBilecik Şeyh Edebali ÜniversitesiElektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. UĞUR YÜZGEÇ