Coğrafi bilgi sistemlerinde elektrik direklerinin derin öğrenme yöntemleriyle tespit edilmesi
Detection of electric poles in geographic information systems using deep learning methods
- Tez No: 898075
- Danışmanlar: DOÇ. DR. BAHATDİN DAŞBAŞI, DR. ÖĞR. ÜYESİ MURAT TAŞYÜREK
- Tez Türü: Yüksek Lisans
- Konular: Mühendislik Bilimleri, Engineering Sciences
- Anahtar Kelimeler: Derin Öğrenme, Coğrafi Bilgi Sistemleri, YOLO, ResNet, MobileNet, Deep Learning, Geographic Information Systems, YOLO, ResNet, MobileNet
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Kayseri Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Hesaplamalı Bilimler ve Mühendislik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- 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
- Assessment of urbanization history of Addis Ababa city, Ethiopia
Addıs Ababa cıty, Ethıopıa'nın kentleşme tarihinin değerlendirilmesi
ABDURAHMAN HUSSEN YIMER
Yüksek Lisans
İngilizce
2023
Şehircilik ve Bölge PlanlamaMersin ÜniversitesiŞehir ve Bölge Planlama Ana Bilim Dalı
DOÇ. DR. ALİ CENAP YOLOĞLU
- 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
2018
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DERYA AHMET KOCABAŞ
- 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
2017
Çevre Mühendisliğiİstanbul Teknik ÜniversitesiÇevre Mühendisliği Ana Bilim Dalı
PROF. DR. ORHAN İNCE
- Coğrafi bilgi sistemlerinde gemiler için güvenli seyir takibi
Safe cruise tracking for ships in geographic information systems
SONER TÜTEN
Yüksek Lisans
Türkçe
2023
DenizcilikAkdeniz ÜniversitesiUzaktan Algılama ve Coğrafi Bilgi Sistemleri Ana Bilim Dalı
DOÇ. DR. FIRAT YÜCEL
- Güç akış analizinde coğrafi bilgi sistemlerinin kullanılması
Power flow analysis using geographical information systems
FARUK AYDIN
Yüksek Lisans
Türkçe
2014
Elektrik ve Elektronik MühendisliğiYıldız Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. BORA ACARKAN