Geri Dön

Geri yayılımlı birlikte evrim ile iyileştirilmiş derin sinir ağları kullanılarak yol çatlak tespiti

Road crack detection using deep neural networks developed via cooperative coevolution with backpropagation

PDF İndir

  1. Tez No: 761699
  2. Yazar: EMİRHAN MUSTAFA ANIK
  3. Danışmanlar: PROF. DR. TURAN ARSLAN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Ulaşım, Transportation
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2022
  8. Dil: Türkçe
  9. Üniversite: Bursa Uludağ Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: İnşaat Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 103

Özet

Çatlaklar trafik yükleri etkisi ile alt tabakadan başlayarak kaplama yüzeyine kadar oluşan yüzeysel hasarlardır. Oluşan bir çatlak hasarının büyümeden tespit edilip gerekli bakımlarının yapılması hem yol konforuna hem de bakım için yapılacak harcamalara olumlu olarak katkıda bulunmaktadır. Bu çalışmada yol üzerinde bulunan çatlakları gerçek zamanlı ve yüksek doğrulukta tespit etmek amaçlanmıştır. Bu kapsamda Geri Yayımlı Birlikte Evrim yaklaşımıyla İyileştirilmiş Derin Sinir Ağları ve görüntü işleme yöntemlerini birlikte kullanılmıştır. Çalışmada çeşitli sayıda ve boyutta çatlak görsel verileri içeren EdmCrack600, AsphaltCrack, CFD ve CrackSegmentation veri setlerinden yararlanılarak yeni bir veri seti elde edilmiş ve bu veri seti üzerinde Derin Sinir Ağları tabanlı öğrenim gerçekleştirilmiştir. Görüntü işleme teknikleri sayesinde ise çatlak tespiti yapılan görsel içerisinden çatlak olmayan nesneler arındırılmış ve çatlağın kabaca konumunu gösteren siyah-beyaz bir resim elde edilmiştir. Son olarak kabaca konumu belirlenmiş çatlak üzerinde en iyi öğrenme gerçekleştirmiş ağ yapısına ait parametreler kullanılarak alan bazlı çatlak tespiti yapılmıştır. Modelin doğruluğu CFD veri seti kullanarak Keskinlik, Duyarlılık ve F1-Score kriterleri ile değerlendirilmiştir. Değerlendirme sonucunda, önerilen yöntem maksimum saniyede 48 görsel üzerinde çatlak tespiti yapabilirken %92,74 Kesinlik, %88,92 Duyarlılık ve %89,61 F1-Score başarı yüzdelerine erişebildiği gözlenmiştir.

Özet (Çeviri)

Cracks are superficial damages that occur from the substrate to the pavement surface due to the effect of traffic loads. Detecting a crack damage before it grows and performing the necessary maintenance contributes positively to both the road comfort and the expenses to be made for maintenance. In this study, it is aimed to detect the cracks on the road in real time and with high accuracy. In this context, Deep Neural Networks Developed via Cooperative Coevolution with Backpropagation and image processing and image processing methods were used together. In the study, a new data set was obtained by using EdmCrack600, AsphaltCrack, CFD and CrackSegmentation datasets containing cracked visual data in various numbers and resolutions, and Deep Neural Networks-based learning was performed on this dataset. Thanks to image processing techniques, objects without cracks were removed from the image in which cracks were detected, and a black-and-white picture showing the rough location of the crack was obtained. Finally, area-based crack detection was performed by using the parameters of the network structure that performed the best learning on the roughly positioned crack. The accuracy of the model was evaluated with Precision, Sensitivity and F1-Score criteria using CFD dataset. As a result of the evaluation,it has been observed that the proposed method can detect cracks on 48 images per second, while it can reach 92.74% Precision, 88.92% Recall and 89.61% F1-Score success rates.

Benzer Tezler

  1. Tez No

    847173

    Fake news classification using machine learning and deep learning approaches

    Makine öğrenimi ve derin öğrenme yaklaşımlarını kullanarak sahte haber sınıflandırması

    SAJA ABDULHALEEM MAHMOOD AL-OBAIDI

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ TUBA ÇAĞLIKANTAR

  2. Tez No

    674932

    Evolutionary adaptation and dopamine modulated learning in spiking neural networks

    Atımlı sinir ağlarında evrimsel adaptasyon ve dopamin modülasyonlu öğrenme

    ABDURREZAK EFE

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Bilim ve Teknolojiİhsan Doğramacı Bilkent Üniversitesi

    Malzeme Bilimi ve Nanoteknoloji Ana Bilim Dalı

    YRD. DOÇ. DR. SEYMUR JAHANGIROV

  3. Tez No

    721516

    Application of matrix product states for few photon dynamics and quantum walks in reduced dimensions

    Matris çarpım durumları formalizminin düşük boyutlarda az sayıdaki fotonların dinamiğine ve kuantum yürüyüşlerine uygulanması

    BURÇİN DANACI

    Doktora

    İngilizce

    İngilizce

    2021

    Fizik ve Fizik Mühendisliğiİstanbul Teknik Üniversitesi

    Fizik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. AHMET LEVENT SUBAŞI

  4. Tez No

    24138

    Türkçe metin kütüklerinde geri yayılımlı nöron ağı kullanarak karakter tanıma

    Character recognition on Turkish text images using back propagation neural nat

    HAKKI AKSOY

    Yüksek Lisans

    Türkçe

    Türkçe

    1992

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHacettepe Üniversitesi

    Bilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı

    PROF. DR. ÜNAL YARIMOĞAN

  5. Tez No

    536428

    İleri beslemeli geri yayılımlı yapay sinir ağlarının incelenmesi

    Investigation of feedforward backpropagation artificial neural networks

    YUNUS AKSU

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    BiyoistatistikVan Yüzüncü Yıl Üniversitesi

    Biyoistatistik Ana Bilim Dalı

    PROF. DR. SIDDIK KESKİN

Geri Dön