Geri Dön

Uydu görüntülerinden evrişimsel sinir ağları ile bina bölge tespiti ve çatı tipi sınıflandırması

Building zone detection and roof type classification from satellite images using convolutional neural networks

  1. Tez No: 755086
  2. Yazar: ERDAL ÖZTÜRK
  3. Danışmanlar: DR. ÖĞR. ÜYESİ EMRE SÜMER
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2022
  8. Dil: Türkçe
  9. Üniversite: Başkent Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 91

Özet

Coğrafi Bilgi Sistemleri (CBS); verimlilik, planlama, hasar tespiti ve daha fazlası dahil olmak üzere bir bina modelinin birçok yönünü analiz eder. CBS uygulamalarının ihtiyaç duyduğu temel bileşenlerden biri, bir binanın çatı tipi ve geometrisidir. Bu nedenle, çatıların tanımlanması ve sınıflandırılması CBS'de araştırılan önemli bir konudur. Gelişen teknoloji sayesinde geniş alanların yüksek çözünürlüklü uydu görüntülerini elde etmek kolay ve ucuz bir hale gelmiştir. Uydu görüntüleri üzerinde yapılabilecek sınıflandırma yöntemi ile geniş alanlar hızlı bir şekilde analiz edilebilmektedir. Bu sayede zaman, maliyet ve işçilik konusunda önemli derecede kazanç sağlanabilmektedir. Bazı nesne algılama yöntemleri, günümüzde uydu görüntülerinde bina çatılarının konumlarını belirleyebilmektedir. Derin öğrenme, nesne tespiti için kullanılan bu yöntemlerden biridir. Klasik makine öğrenme metodu bu sorunu çözmede başarılı sonuçlar elde etmiş olsa da, derin öğrenme üzerine yapılan son araştırmalar doğruluk oranlarındaki başarının daha yüksek seviyelere çıkabileceğini göstermiştir. Bu çalışmada, derin öğrenme yöntemleri kullanılarak bina bölgelerine ait çatı konumlarının alansal olarak belirlenmesinin yanı sıra ilgili çatı tipleri de sınıflandırılmıştır. Bunu başarmak için, CNN yönteminin performansı, orta seviye çözünürlüklü görüntüler kullanılarak test edilmiştir. Farklı bölgelere ait elde edilen uydu görüntülerinin test sonuçları incelendiğinde, AlexNet'in %92,30, GoogleNet'in ise %87,18 doğrulukla çatı bölgelerini tespit ettiği görülmektedir. Ayrıca, incelenen üç mimariden bina çatı tiplerinin sınıflandırılması için en uygun modelin AlexNet olduğu sonucuna varılmıştır.

Özet (Çeviri)

Geographic Information Systems (GIS) analyzes many aspects of a building model, including efficiency, planning, damage assessment and more. One of the key components required by GIS applications is the roof type and geometry of a building. Therefore, the identification and classification of roofs is an important topic explored in GIS. With developing technology, obtaining high-resolution satellite images of large areas can be easy and inexpensive. Large areas can be analyzed quickly with the classification method that can be done on satellite images. In this way, significant savings in time, cost and labor can be achieved. Some object detection methods can now determine the positions of building roofs in satellite images. Deep learning is one ofbthese methods usedbfor object detection. Although the classical machine learningbmethod has achieved successful results inbsolving thisbproblem,brecent research on deepblearning has shownbthat the success in accuracy ratesbcan reach higher levels. In this study, besides the regional determination of the roof locations of the building regions by using deep learning methods, the related roof types are also classified. To achieve this, the performance of the CNN method is tested using medium resolution images. When the test results of the satellite images obtained from different regions are examined, it is seen that AlexNet produced successful results in region detection with 92.30% accuracy and GoogleNet produced 87.18% accuracy. In addition, it was concluded that AlexNet was the most suita lebmodel for the classification of building roof types among the three architectures examined.

Benzer Tezler

  1. Uydu görüntülerinden alınan halka açık binaların derin öğrenme yöntemleriyle sınıflandırılması ve performans ölçümü

    Classification and performance measurement of public buildings from satellite images with deep learning methods

    ŞEYMA KARABULUT

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat Üniversitesi

    Ekobilişim Ana Bilim Dalı

    DOÇ. DR. DERYA AVCI

  2. Uydu imgelerine derin öğrenme tabanlı süper çözünürlük yöntemlerinin uygulanması ve imgelerin iyileştirilmesi

    Application of deep learning based super resolution methods to satellite images and improvement of images

    AYŞE CENGİZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2020

    Bilim ve TeknolojiFırat Üniversitesi

    Ekobilişim Ana Bilim Dalı

    DOÇ. DR. DERYA AVCI

  3. Çok yüksek çözünürlüklü uydu görüntülerinden grafik tabanlı bilgi çıkarımı

    Graph-based infortmation extraction from very high resolution satellite images

    NURETTİN SİNANOĞLU

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Uydu Haberleşmesi ve Uzaktan Algılama Ana Bilim Dalı

    PROF. DR. ELİF SERTEL

  4. Building detection from very high resolution satellite images with deep learning approach

    Derin öğrenme yaklaşımı ile çok yüksek çözünürlüklü uydu görüntülerinde bina tespiti

    ESRA ÖZAYDIN

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Jeodezi ve Fotogrametriİstanbul Teknik Üniversitesi

    Geomatik Mühendisliği Ana Bilim Dalı

    PROF. DR. ELİF SERTEL

  5. Uzaktan algılama verileri kullanarak derin öğrenmeye dayalı arazi kullanımı ve arazi örtüsü haritalama modeli geliştirme

    Developing a deep learning-based land use and land cover mapping model using remote sensing data

    ŞAZİYE ÖZGE ATİK

    Doktora

    Türkçe

    Türkçe

    2021

    Jeodezi ve Fotogrametriİstanbul Teknik Üniversitesi

    Geomatik Mühendisliği Ana Bilim Dalı

    PROF. DR. CENGİZHAN İPBÜKER