Building damage assessment from post-earthquake drone images using deep learning based segmentation methods: The case of February 6, 2023 Türkiye earthquakes
Derin öğrenme tabanlı bölütleme yöntemleri kullanılarak deprem sonrası drone görüntülerinden bina hasar tespiti: 6 Şubat 2023 Türkiye depremleri örneği
- Tez No: 892976
- Danışmanlar: PROF. DR. MİNE ELİF KARSLIGİL
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 90
Özet
Depremlerin yıkıcı etkisi, efektif afet müdahalesi için hasarın hızlı bir şekilde değerlendirilmesini gerektirir. Bu amaçla, hasarlı binaların tespiti, geniş alanların hasar büyüklüğünün değerlendirilmesine yardımcı olabilir. Bu tez, drone görüntüleri üzerinde deprem sonrası hasarlı bina tespiti için derin öğrenme yöntemleri kullanarak gelişmiş teknikler olan, semantik ve örnek segmentasyonundan yararlanmaktadır. Hasar tespitini gerçekleştirmek için öncelikle 6 Şubat Depremi sonrasında Hatay'dan çekilen drone görüntülerinden oluşan bir veri kümesi oluşturulmuştur. Yüksek kaliteli drone görüntülerindeki binalar 4 hasar seviyesine göre etiketlenmiştir:“Hasarsız”, 'Az Hasar', 'Çok Hasar', 'Yıkılmış'. Veri kümesi, her bina için segmentasyon maskeleri ve sınırlayıcı kutular içermektedir. İkinci olarak, oluşturulan veri kümesinden yararlanarak, görüntülerdeki hasarlı binaları tespit etmek için denetimli derin öğrenme yöntemleri gerçekleştirilmiştir. Bunun için hasarlı bölgeleri çıkarmak için görüntü segmentasyonu seçilmiş, öncelikle U-Net, SegFormer ve OneFormer olmak üzere üç farklı model kullanılarak semantik segmentasyon yöntemi uygulanmıştır. Bunlar arasında SegFormer en iyi performansı göstermiş ve 0.51 ile mIOU ve 0.72 piksel doğruluğu ile en iyi sonucu almıştır. Sonuçları iyileştirmek için, hasar derecelerinin sınıfları“Stabil”ve“Hasarlı”sınıfları temsil eden ikiye indirilmiştir. SegFormer modeli 0,68 mIOU ve 0,80 piksel doğruluğu elde etmiştir. Sınıf sayısı sadece hasarlı binalar için bire düşürüldüğünde, model 0,73 mIOU ve 0,84 piksel doğruluğu elde etmiştir. Örnek segmentasyonu için Mask R-CNN, OneFormer ve BoundaryFormer modelleri hasarlı bina tespiti yapmak üzere eğitilmiştir. BoundaryFormer modeli 0.17 segmentasyon ve sınırlayıcı kutu AP'si ile en iyi sonucu almıştır. İki sınıflı durum için aynı model 0.25 segmentasyon AP'si ve 0.24 sınırlayıcı kutu AP'si elde etmiştir. Son olarak, bir sınıf için model 0.22 segmentasyon ve sınırlayıcı kutu AP'si elde etmiştir. Model eğitimi ve değerlendirmesi gerçekleştirildikten sonra anlamsal ve örnek bölütleme için sonuçlar çıktılar incelenerek karşılaştırılmıştır. Son olarak, çıkarım sonuçlarını iyileştirmek için karşılaştırma sonuçları kullanılarak hem anlamsal hem de örnek bölütleme çıktılarını birleştiren bir yöntem geliştirilmiştir.
Özet (Çeviri)
The disastrous nature of earthquakes necessitates rapid assessment of damage for effective disaster response. With this goal, detection of damaged buildings can help assess the damage magnitude of large areas. This thesis presents deep learning based detection of damaged buildings after earthquakes using drone images, leveraging advanced techniques: semantic and instance segmentation. To perform damage detection, firstly a dataset is created comprising drone images captured from Hatay after 6th February Earthquake. The buildings in high quality drone images are labeled into 4 levels of damage:“No Damage”,“Minor Damage”,“Major Damage”,“Destroyed”. The dataset contains segmentation masks and bounding boxes for each building. To detect damaged buildings, image segmentation is applied. Firstly, three different models: U-Net, SegFormer, OneFormer are applied for semantic segmentation. SegFormer performed the best and obtained the best result of mIOU with a value of 0.51 and a PA of 0.72. To improve results, classes are reduced to two, representing the“stable”and the“damaged”buildings. SegFormer model achieved 0.68 mIOU and 0.80 PA. When only the damaged buildings were segmented, the model achieved 0.73 mIOU and 0.84 PA. The images are then segmented using the Mask R-CNN, OneFormer, BoundaryFormer instance segmentation. BoundaryFormer model achieved the best result with segmentation and bounding box AP of 0.17. For two class case, same model got 0.25 segmentation AP and 0.24 bounding box AP. Lastly for only damaged class, the model got segmentation and bounding box AP of 0.22. After model training and evaluation, the results for semantic and instance segmentation are compared. Finally, using comparison results, a method to enhance inference results using both semantic and instance outputs is developed. This method combines the inference outputs of both semantic and instance segmentation and makes use of the advantages of each model.
Benzer Tezler
- Yüksek mekansal çözünürlüklü uydu/uçak platformlu görüntüler ve CBS teknolojisi kullanılarak Van-Erciş depremi sonrası bina hasar tespiti
Determination of building damage after Van-Ercis earthquake by using very high resolution satellite/aircraft platforms and GIS technology
ASLI SABUNCU
Doktora
Türkçe
2018
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. AYŞE FİLİZ SUNAR
- Van depreminde hasar gören mevcut betonarme bir binadaki hasarın, DBYBHY 2007'ye göre yapılan performans analiz sonuçları ile karşılaştırılması
Comparison of the observed damage and calculated performance assessment results according to the TSC2007 of an RC building which exposed to the van earthquake
ALPER AYDIN
Yüksek Lisans
Türkçe
2012
İnşaat Mühendisliğiİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. ALPER İLKİ
- Anıtsal yığma binalarda risk düzeyinin tespitine ilişkin bir öndeğerlendirme yöntemi
Pre-assessment method for determining the risk level of monumental masonry buildings
MELTEM VATAN KAPTAN
- Kentsel arkeolojik alanlarda afet risklerine karşı acil durum hazırlık süreçlerinin tanımlanması, Küçükyalı Arkeopark örneği
Definition of emergency preparation processes against disaster risks in urban archeological areas, case of Kucukyali archeopark
GÖKÇE KUZEY
Yüksek Lisans
Türkçe
2019
Şehircilik ve Bölge Planlamaİstanbul Teknik ÜniversitesiŞehir ve Bölge Planlama Ana Bilim Dalı
PROF. DR. NURAN ZEREN GÜLERSOY
- Tarihi ahşap yapı taşıyıcı sistemlerinin incelenmesi ve Boğaziçi örneği: Amcazade Hüseyin Paşa Yalısı
The analysis of historical timber buildings load bearing systems and a given example Amcazade Huseyin Paşa Mansion in Bosphorus
SELÇUK UZUN
Yüksek Lisans
Türkçe
2018
İnşaat Mühendisliğiİstanbul Teknik ÜniversitesiYapı Mühendisliği Ana Bilim Dalı
PROF. DR. FATMA GÜLTEN GÜLAY