Geri Dön

Coğrafi bilgi sistemlerinde elektrik direklerinin derin öğrenme yöntemleriyle tespit edilmesi

Detection of electric poles in geographic information systems using deep learning methods

  1. Tez No: 898075
  2. Yazar: SONAY ŞENGÜL
  3. Danışmanlar: DOÇ. DR. BAHATDİN DAŞBAŞI, DR. ÖĞR. ÜYESİ MURAT TAŞYÜREK
  4. Tez Türü: Yüksek Lisans
  5. Konular: Mühendislik Bilimleri, Engineering Sciences
  6. Anahtar Kelimeler: Derin Öğrenme, Coğrafi Bilgi Sistemleri, YOLO, ResNet, MobileNet, Deep Learning, Geographic Information Systems, YOLO, ResNet, MobileNet
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Kayseri Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Hesaplamalı Bilimler ve Mühendislik Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 54

Özet

Fotoğraflandırılmış doğal görüntülerden nesne tanıma işi ışığın geliş açısı, derinlik kavramı, görüntüde birden fazla nesne olması ve görüntü çözünürlüğü gibi etkenler göz önünde bulundurulduğunda oldukça zor ve karmaşık bir süreçtir. Fotoğraflandırılmış doğal görüntülerden elektrik direklerinin tespit edilmesi bir bilgisayar ve makine öğrenmesi işidir. Makine öğrenmesi veya derin öğrenme (DL) ile görüntü sınıflandırma süreçlerinde en sık kullanılan yöntemlerden biri Evrişimsel Sinir Ağı (convolutional neural network-CNN) modelidir. Bu çalışmada doğal görüntülerden oluşan direk fotoğraflarından direk nesneleri belirlenmiş ve bunun için öncelikle CNN temelli DL yöntemi kullanılmıştır. Ancak, görüntünün birden fazla direk içerdiği ve derinliğin farklılaştığı durumlarda istenilen etkili sonuçlara ulaşılamamıştır. Bu nedenle hem doğruluğu arttırmak, hem başarılı sonuçlara ulaşmak hem de doğal görüntülerden oluşan bu kütüphanede daha küçük veri boyutlarıyla çalışmış olmak için üç farklı CNN modeli kullanılarak yeni bir DDL (Deep in Deep Learning) yaklaşımı sunulmuştur. Sunulan bu DDL yönteminde sahadan çekilen ve konum bilgisi içeren 1 GB boyutunda 2343 adet direk fotoğrafı kullanılarak önerilen üç farklı yaklaşımın bu direk görüntülerini tanıması ve belirlemesindeki başarısı ve performansı karşılaştırılmıştır. Yapılan çalışmalar sonucunda DDL yönteminin DL yöntemine göre daha yüksek performans sergilediği, daha kısa sürede daha başarılı sonuçlar ürettiği ve veri depolama için daha az alana ihtiyaç duyduğu görülmüştür.

Özet (Çeviri)

Recognizing objects such as electric poles from photographed natural scenes is a challenging and complex process, considering factors like lighting angles, depth, multiple objects in the image, and image resolution. Identifying electric poles from photographed natural scenes is a task involving computer vision and machine learning techniques. One of the most commonly used methods in image classification tasks using machine learning or deep learning (DL) is the Convolutional Neural Network (CNN) model. In this study, electric poles were identified from natural scene photographs using a CNN-based DL method. However, achieving desired effective results proved difficult when images contained multiple poles with varying depths. Therefore, to improve accuracy, achieve successful outcomes, and work with smaller data sizes from this library of natural images, a new approach called Deep in Deep Learning (DDL) was introduced using three different CNN models. In this proposed DDL approach, the success and performance of three different approaches in identifying and determining these pole images were compared using 2343 pole photographs, each sized at 1 GB and containing location information collected from the field. The studies revealed that the DDL method outperformed traditional DL methods by producing higher performance, yielding more successful results in less time, and requiring less storage space for data. Overall, the research concluded that the DDL approach offers enhanced performance compared to conventional DL methods, achieving better results more efficiently while utilizing less storage space.

Benzer Tezler

  1. Assessment of urbanization history of Addis Ababa city, Ethiopia

    Addıs Ababa cıty, Ethıopıa'nın kentleşme tarihinin değerlendirilmesi

    ABDURAHMAN HUSSEN YIMER

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Şehircilik ve Bölge PlanlamaMersin Üniversitesi

    Şehir ve Bölge Planlama Ana Bilim Dalı

    DOÇ. DR. ALİ CENAP YOLOĞLU

  2. Çok istasyonlu ve çoklu tren setli bir metro hattının matematiksel modellemesi ve işletim senaryolarının karşılaştırılması

    Mathematical modelling of a metro line with multistation and multiple train set and comparison of operational scenarios

    ULAŞ CİHANGİR

    Yüksek Lisans

    Türkçe

    Türkçe

    2018

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DERYA AHMET KOCABAŞ

  3. Evaluation of wastewater treatment technologies using renewable energy for dispersed settlements: Storm valley Ardesen– Camlihemsin pilot region application

    Dağınık yerleşimler için yenilenebilir enerji kullanan atıksu arıtma teknolojilerinin değerlendirilmesi: Fırtına vadisi Ardesen–Camlıhemsin pilot bölge uygulaması

    ORÇUN LEBLEBİCİ

    Yüksek Lisans

    İngilizce

    İngilizce

    2017

    Çevre Mühendisliğiİstanbul Teknik Üniversitesi

    Çevre Mühendisliği Ana Bilim Dalı

    PROF. DR. ORHAN İNCE

  4. Coğrafi bilgi sistemlerinde gemiler için güvenli seyir takibi

    Safe cruise tracking for ships in geographic information systems

    SONER TÜTEN

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    DenizcilikAkdeniz Üniversitesi

    Uzaktan Algılama ve Coğrafi Bilgi Sistemleri Ana Bilim Dalı

    DOÇ. DR. FIRAT YÜCEL

  5. Güç akış analizinde coğrafi bilgi sistemlerinin kullanılması

    Power flow analysis using geographical information systems

    FARUK AYDIN

    Yüksek Lisans

    Türkçe

    Türkçe

    2014

    Elektrik ve Elektronik MühendisliğiYıldız Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. BORA ACARKAN