Geri Dön

Developing algorithm for automatic detection of caves using unmanned aerial vehicle data

İnsansız hava araçlarından elde edilen verilerle otomatik mağara tespiti yapabilen algoritmanın geliştirilmesi

PDF İndir

  1. Tez No: 807831
  2. Yazar: MUSTAFA BÜNYAMİN SAĞMAN
  3. Danışmanlar: DOÇ. DR. ORKAN ÖZCAN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Savunma ve Savunma Teknolojileri, Defense and Defense Technologies
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: İngilizce
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Savunma Teknolojileri Ana Bilim Dalı
  12. Bilim Dalı: Savunma Teknolojileri Bilim Dalı
  13. Sayfa Sayısı: 93

Özet

Mağaralar, tipik olarak kayaların su veya diğer doğal süreçlerle aşındırılmasıyla oluşan, yeraltında doğal olarak oluşan içi boş alanlardır. Boyutları küçük geçitlerden geniş yer altı ağlarına kadar değişebilir ve çok çeşitli benzersiz ekosistemlere ve jeolojik özelliklere ev sahipliği yapar. Mağaraların keşfi ve haritalanması, dünyanın tarihi ve onu şekillendiren süreçler hakkında değerli bilgiler sağlayabildiği için jeologlar, biyologlar ve diğer araştırmacılar için önemli bir çalışma alanıdır. Ayrıca, mağara girişlerinin bulunması, bu yeteneklerin terörle mücadele çabalarına büyük ölçüde yardımcı olabileceği için savunma sanayi açısından değerlidir. Ayrıca arkeolojik araştırmalar için mağara benzeri yapıların bulunması önemlidir çünkü insanoğlunun ilk yerleşim yerleri mağaralardır. Son yıllarda insansız hava araçlarının (İHA'lar), ulaşılması zor alanlara erişebilmeleri ve güvenli bir mesafeden veri toplayabilmeleri nedeniyle, kullanımı giderek daha popüler hale geldi. İHA'lar, topografyası, jeolojisi ve biyolojik toplulukları da dahil olmak üzere mağara ortamı hakkında veri toplamak için kameralar, Işık Algılama ve Menzil (LIDAR) ve termal görüntüleme gibi bir dizi sensörle donatılabilir. Geçmişte, mağaraların keşfi ve haritalanması tipik olarak, araştırmacıların mağara ortamı hakkında veri toplamak için küçük geçitlerde gezindiği fiziksel keşifleri içeriyordu. Bununla birlikte, İHA'ların ortaya çıkışı ve güvenli bir mesafeden veri toplama yetenekleri ile mağara keşfi daha verimli ve daha az riskli hale geldi. İHA'lar tarafından toplanan veriler, optik verileri, termal verileri, LIDAR verilerini, yere nüfuz eden radar verilerini ve uzaktan algılama verilerini içerebilir. Termal veriler, mağara girişleri çevredeki ortamdan farklı davrandığından, mağara tespiti için kullanışlıdır. Örneğin günün en sıcak saatinde mağara girişleri daha soğuk, en soğuk saatinde ise daha sıcak görünecektir. Optik veriler, görüntülerdeki mağaraların bulunduğu yerleri etiketleyerek mağaraların yerini bulabilecek mağara tespit edebilen derin öğrenme modellerini eğitmek için bir veri seti oluşturmak amacıyla için de kullanılabilir. Ayrıca LIDAR verilerini kullanarak sayısal yükseklik modeli (DEM) oluşturmak, gizli mağaraları bulabilecek mağaraları keşfetmek için bir çözüm yöntemidir. Ek olarak, termal veya optik görüntülemeye dayalı mağara tespit sistemleri, yer yüzeyine ulaşan mağaraları tespit edebilir ama gizli girişleri olan mağaraları bulamaz, ancak yer altı radarı yeraltı boşluklarını ve obrukları tespit edebilir. Son olarak, farklı mutispektral bantlar ve pankromatik bantlarla uzaktan algılama, mağaralara erişimin zor olduğu durumlarda mağara benzeri yapıları belirlemek için kullanılabilir. İHA'lar, geleneksel yöntemlere göre birçok avantajı nedeniyle mağara keşfi alanında veri toplamak için giderek daha popüler bir araç haline gelmektedir. İHA'ların üretimi kolaydır ve insanlı hava araçlarına göre daha düşük maliyetle inşa edilebilir. Ayrıca kullanımları kolaydır ve pilotları riske atmazlar. Ek olarak, İHA'ların geleneksel hava taşıtlarından çok daha düşük işletme maliyeti vardır, bu da onları araştırmacılar ve öğrenciler için uygun maliyetli bir seçim haline getirir. İHA'lar yüksek manevra kabiliyetine sahiptir, bu da ulaşılması zor alanlara erişmelerine ve çeşitli açılardan ve perspektiflerden veri toplamalarına olanak tanır. Bu da mağara ortamı hakkında detaylı bilgi edinmeyi kolaylaştırır. Ayrıca, toplanan veriler daha düşük bir yerden örnekleme mesafesine sahiptir, bu da daha ayrıntılı haritalar ve diğer bilgilendirici ürünler üretmek için kullanılabileceği anlamına gelir. İHA verilerini kullanarak mağaraların otomatik tespiti için bir algoritma geliştirirken, bilgisayar görüşü alanından birkaç temel kavram ve teknik kullanılır. Bunlar, görüntülerdeki ve diğer veri türlerindeki kalıpları tanımayı öğrenebilen bir tür derin öğrenme algoritması olan evrişimli sinir ağlarını (CNN'ler) içerir. CNN'leri etiketli görüntülerin büyük veri kümeleri üzerinde eğitmek için stokastik gradyan iniş gibi optimizasyon yöntemleri kullanılır. Nesne algılama, bilgisayar görüsünde yaygın bir alandır ve bir görüntü içindeki nesnelerin tanımlanmasını ve lokalize edilmesini içerir. Kesinlik ve duyarlılık gibi değerlendirme ölçütleri, algoritmanın test verileri üzerindeki performansını ölçmek için kullanılır. Ayrıca termal görüntüleme, mağara ortamı içindeki sıcaklık dağılımı hakkında değerli bilgiler sağlayabildiği için İHA'lar tarafından toplanan verilerin önemli bir bileşenidir. Görünür ışığı yakalayan optik görüntüleme ile birlikte kullanıldığında termal görüntüleme, mağara girişleri ile diğer açıklık türleri veya anomaliler arasında ayrım yapmaya yardımcı olabilir. İHA görüntülemenin kullanımı, yüksek çözünürlüklü verilerin geniş alanlarda hızlı ve güvenli bir şekilde toplanmasını sağlayarak, onu mağara keşfi ve haritalama için ideal bir araç haline getirir. Projenin gerçekleştirilmesi için birkaç önemli kararın alınması gerekiyordu. İlk olarak döner kanatlı ve sabit kanatlı olmak üzere farklı İHA türlerinin avantaj ve dezavantajları arasında bir karşılaştırma yapılmıştır. Dikkatli bir değerlendirmeden sonra, kırsal alanlarda kolayca iniş ve gezinme kabiliyeti nedeniyle döner kanatlı bir İHA'nın proje için daha uygun olacağına karar verildi. DJI Maverick 2 Enterprise, yüksek çözünürlüklü kamerası ve termal görüntüleme yetenekleri nedeniyle tercih edilen İHA olarak seçildi. Daha sonra, gerekli verilerin toplanması için gerçekleştirilecek İHA uçuşlarının yerleri kararlaştırıldı. Eşsiz jeolojik oluşumları ve mağara benzeri yapıları olduğu bilinen Kapadokya, Gökova, Oymapınar ve Mersin uçuş yapılacak alanlar olarak seçildi. Son olarak İHA tarafından toplanan verilerin analizi için nesne tespit modeli olarak YOLOV7 seçilmiştir. YOLOV7, görüntülerdeki nesneleri hızlı ve doğru bir şekilde tanımlayabilen literatürde bulunan en başarılı modellerden biridir. Mevcutta açık kaynak veri seti olmadığından dolayı YOLOV7 modelinin eğitimi için bir veri seti oluşturuldu. Model, İHA tarafından toplanan optik görüntülerde mağara girişlerini tespit edecek şekilde eğitildi. Daha sonra optik görüntüleri analiz etmek ve mağara benzeri yapıları belirlemek için bir algoritma geliştirildi. Termal görüntüleri analiz etmek ve potansiyel mağara girişlerini belirlemek için başka bir algoritma üretildi. Son olarak, en olası mağara girişlerini tespit etmek için optik ve termal görüntüleme analizlerinden elde edilen sonuçları birleştirmek için bir karar verme algoritması geliştirildi. Bu algoritmalar, seçilen konumlarda İHA uçuşları sırasında toplanan veri seti ve görüntüler kullanılarak test edildi ve geliştirildi. Sonuç olarak, İHA'lar tarafından toplanan veriler kullanılarak mağara girişlerinin konumlandırılabileceği ortaya çıkarılmıştır. İHA'lar, kullanım kolaylığı, daha düşük işletme maliyetleri ve ulaşılması zor alanlara erişebilme gibi çeşitli avantajlar sunmaktadır. Gerçek dünyadan bir veri seti oluşturuldu ve hem optik hem de termal görüntülerde nesne tespiti için algoritmalar geliştirildi, son olarak deneyin yapıldığı alanlarda mağara benzeri yapılar başarıyla bulundu. YOLOV7 gibi derin öğrenme teknikleri sayesinde sınırlı miktarda veriyle bile harika sonuçlar elde edildi. Termal görüntülemenin, karakteristik sıcaklık modellerinden dolayı mağaraları bulmanın etkili bir yolu olduğu bulundu. Optik ve termal görüntüleri bir karar verme algoritmasıyla birleştirerek, mağaralarının tespitine yönelik yeni bilgiler sağlayan şaşırtıcı sonuçlar elde edildi. Genel olarak, İHA teknolojisinin ve derin öğrenmenin mağara benzeri yapıların tanımlanmasındaki potansiyeli ve bunların jeolojik ve çevresel araştırmalardaki uygulamaları projemizde sergilendi.

Özet (Çeviri)

Caves are underground, naturally occurring hollow spaces that are typically formed by the erosion of rock by water or other natural processes. They can range in size from small passages to vast underground networks, and are home to a wide variety of unique ecosystems and geological features. The exploration and mapping of caves is an important field of study for geologists, biologists, and other researchers, as it can provide valuable insights into the history of the earth and the processes that shape it. Furthermore, finding cave entrances is valueable for defence industry where these capabilities could greatly aid in counter-terrorism effort. Also, it is important to find cave like structures for archaeological exploration because the first settlemenents of humans are caves. In recent years, the use of unmanned aerial vehicles (UAVs) for cave exploration has become increasingly popular, due to their ability to access hard-to-reach areas and collect data from a safe distance. UAVs can be equipped with a range of sensors, such as cameras, Light Detection and Ranging (LIDAR), and thermal imaging, to collect data on the cave environment, including its topography, geology, and biological communities. In the past, the exploration and mapping of caves typically involved physical exploration, with researchers often crawling through small passages to gather data on the cave environment. However, with the advent of UAVs and their ability to collect data from a safe distance, cave exploration has become more efficient and less risky. Data collected by UAVs can include optical data, thermal data, LIDAR data, ground-penetrating radar data, and remote sensing data. Thermal data is particularly useful for cave detection, as cave entrances behave differently from the surrounding environment. For example, during the hottest hour of the day, cave entrances will appear cooler, while during the coldest hour of the day, they will appear warmer. Optical data can also be used to locate caves, by capturing images and labeling them where caves are located to create a dataset for training cave detection deep learning models. Moreover, creating a digital elevation model (DEM) with using LIDAR data is a solution method for exploring caves which could find the hidden caves. Additionally, cave detection systems based on thermal or optical imagery can detect caves that reach the ground surface, they cannot find caves with hidden entrances but ground-penetrating radar can detect underground cavities and sinkholes. Finally, remote sensing with different mutispectral bands and panchromatic bands can be used to identify cave-like structures where the caves are difficult to access. UAVs are becoming an increasingly popular tool for collecting data in the field of cave exploration due to their many advantages over traditional methods. UAVs are easy to manufacture and can be built at a lower cost than manned aircraft. They are also easy to operate and do not put human pilots at risk. Additionally, UAVs have a much lower cost of operation than traditional aircraft, making them a cost-effective choice for researchers and students. UAVs are highly maneuverable, which allows them to access hard-to-reach areas and collect data from a variety of angles and perspectives. This makes it easier to obtain detailed information about the cave environment. Moreover, the collected data has a lower ground sampling distance, which means it can be used to produce more detailed maps and other informative products. In developing an algorithm for automatic detection of caves using UAV data, several key concepts and techniques from the field of computer vision are employed. These include convolutional neural networks (CNNs), which are a type of deep learning algorithm that can learn to recognize patterns in images and other types of data. Optimization methods such as stochastic gradient descent are used to train the CNNs on large datasets of labeled images. Object detection is a common task in computer vision, and involves identifying and localizing objects within an image. Evaluation metrics such as precision and recall are used to measure the performance of the algorithm on test data. In addition, thermal imaging is an important component of the data collected by the UAVs, as it can provide valuable information about the temperature distribution within the cave environment. When used in combination with optical imaging, which captures visible light, thermal imaging can help to distinguish between cave entrances and other types of openings or anomalies. The use of UAV imaging allows for high-resolution data to be collected over large areas quickly and safely, making it an ideal tool for cave exploration and mapping. Several important decisions had to be made to carry out our project. Firstly, a comparison was made between the advantages and disadvantages of different types of UAVs, including rotary wing and fixed wing. After careful consideration, it was decided that a rotary wing UAV would be more appropriate for the project due to its ability to easily land and navigate in wild environments. The DJI Maverick 2 Enterprise was then selected as the UAV of choice, due to its high-resolution camera and thermal imaging capabilities. The location for UAV flight to collect the required data was then decided upon. Cappadocia, Gökova, Oymapinar, and Mersin were selected for the experiments as they are known to have unique geological formations and cave-like structures. Finally, the object detection model YOLOV7 was chosen to analyze the data collected by the UAV. YOLOV7 is a state-of-the-art model that can quickly and accurately identify objects in images. A dataset was generated for training the YOLOV7 model, as there were no existing open-source datasets available. The model was trained to identify cave entrances in the optical images collected by the UAV. An algorithm was then developed to analyze the optical images and identify cave-like structures. Another algorithm was generated for analyzing the thermal images and identifying potential cave entrances. Finally, a decision-making algorithm was developed to combine the results from the optical and thermal imaging analyses to detect the most likely cave entrances. These algorithms were tested and refined using the dataset and imagery collected during the UAV flights in the selected locations. In conclusion, it can be demonstrated that cave entrances can be located using data collected by UAVs as shown in our project. Several advantages are offered by the use of UAVs, such as the ease of use, lower operating costs, and their ability to access hard-to-reach areas. By generating a real-world dataset and developing algorithms for object detection in both optical and thermal imagery, cave-like structures were successfully identified in our experimental sites. Great results were generated even with a limited amount of data, thanks to Deep Learning techniques like YOLOV7. Thermal imaging was found to be an effective way to locate caves due to their characteristic temperature patterns. Astonishing results were achieved by combining optical and thermal imagery with a decision-making algorithm, providing new insights into the detection of underground caves and sinkholes. Overall, the potential of UAV technology and Deep Learning for the identification of cave-like structures and their applications in geological and environmental studies were showcased in our project.

Benzer Tezler

  1. Tez No

    436210

    Bilgisayarlı tomografi görüntülerinden otomatik merkezi pulmonar emboli tespiti

    Automatic detection of central pulmonary embolism in computed tomographic images

    ŞERİFE ESRA DİNÇER

    Doktora

    Türkçe

    Türkçe

    2016

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKocaeli Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. NEVCİHAN DURU

  2. Tez No

    46271

    Dinamik algılayıcı öğrenme algoritması ile kenar saptamanın öğrenilmesi

    Learning of edge detection using recurrent perceptron learning algorithm

    FİLİZ YOSMA TAŞKIN

    Yüksek Lisans

    Türkçe

    Türkçe

    1995

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    DOÇ.DR. CÜNEYT GÜZELİŞ

  3. Tez No

    540224

    Çamaşır makinesi adaptif sıkma algoritması

    Washing machine adaptive spinning algorithm

    İPEK TERZİOĞLU

    Yüksek Lisans

    Türkçe

    Türkçe

    2018

    Mekatronik Mühendisliğiİstanbul Teknik Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    PROF. DR. ATA MUGAN

  4. Tez No

    66689

    Menzil profili modunda çalışan radarla otomatik hedef sınıflama

    automatic target classification with radars operating in range profilling

    CENK GÖKBERK

    Yüksek Lisans

    Türkçe

    Türkçe

    1997

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. ERCAN TOPUZ

  5. Tez No

    895088

    Yazılım kaynak kodunda güvenlik açıklarının derin öğrenme ve makine öğrenmesi ile otomatik tespiti

    Automatic detection of software vulnerabilities in source code using deep learning and machine learning

    DİLEK MANDAL

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKocaeli Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ İRFAN KÖSESOY

Geri Dön