İHA görüntüleri üzerinde derin öğrenme yaklaşımları kullanılarak yg havai hatların gözlemi ve hata tespiti
Overhead hv power lines inspection and defect detection by using deep learning approaches on UAV images
- Tez No: 910784
- Danışmanlar: DR. ÖĞR. ÜYESİ HATİCE HİLAL EZERCAN KAYIR
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Pamukkale Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 70
Özet
Enerji sektörü, sürdürülebilirlik ve güvenilirlik açısından dünyanın en kritik sektörlerinden biridir. Geleneksel yöntemlerle şebeke izleme, bakım ve yenileme karar mekanizmaları karmaşık hale gelmiştir. Bu bağlamda, görüntü işleme süreçleriyle farklı boyutlardaki nesnelerin tespiti ve arızaya neden olabilecek ekipmanların otomatik olarak belirlenmesi kritik önem taşımaktadır. Bu tez çalışmasında, makine öğrenmesi aşamasında toplam 588 görüntü YOLOV5 ile eğitildi ve değerlendirme aşamasında 207 adet görüntü ile kesinlik belirlendi. Uygulanan model, izolatör nesneleri tespit ederken daha az yanlış pozitif üreterek daha fazla doğru tespit yapmaktadır. İzolatör sınıfında 0,5 eşiği için mAP değeri 0,702 (% 70,2)'dir. Kırık izolatörlerde 0,5 eşiği için ise mAP 0,507 olup izolatör sınıfına göre daha düşüktür. İzolatör sınıfında yüksek güven oranlarında bile nispeten daha yüksek duyarlılık değerleri görülmekte olup uygulanan modelin izolatör sınıfını tanımakta daha iyi olduğunu göstermektedir. Kırık izolatör sınıfının düşük güven oranlarında duyarlılık değerlerini daha yüksek elde ettiği, fakat güven oranı arttıkça duyarlılığın hızla düştüğü görülmekte olup uygulanan modelin kırık izolatörleri ayırt etmekte daha zorlandığı anlaşılmaktadır. Her iki sınıf birlikte değerlendirildiğinde ortalama performans olarak oldukça başarılı olan 0.96 duyarlılık değeri göstermektedir. Uygulanan model, izolatör sınıfında kırık izolatör sınıfına göre daha iyi performans sergilemektedir. Modelin kırık izolatörleri tespit etmede gösterdiği nispeten düşük değerleri iyileştirmek için veri arttırmak, izolatör çeşitlerini farklı sınıflarda değerlendiren sınıflar oluşturmak gelecekte yapılacak çalışmalar için faydalı olacaktır.
Özet (Çeviri)
The energy sector is one of the most critical industries globally in terms of sustainability and reliability. Traditional methods for grid monitoring, maintenance, and renewal decision-making have become increasingly complex. In this context, using image processing techniques to detect objects of varying sizes and automatically identify equipment that may cause faults is of critical importance. In this thesis study, a total of 588 images were used to train the YOLOV5 model during the machine learning phase, and accuracy was evaluated using 207 images during the testing phase. The applied model demonstrated better performance in detecting insulator objects by producing fewer false positives and achieving more correct detections. The [email protected] threshold is 0.702 for insulator class. For broken insulators, the mean average precision (mAP) at 0.5 confidence threshold was calculated as 0.507, which is lower compared to the insulator class. In the insulator class, relatively higher recall values were observed even at high confidence thresholds, indicating that the applied model is better at recognizing insulator objects. In contrast, for the broken insulator class, higher recall values were achieved at lower confidence thresholds. However, as the confidence threshold increased, the recall dropped sharply, showing that the model struggles to distinguish broken insulators effectively. When both classes were evaluated together, the model demonstrated a strong average performance with a recall value of 0.96. This result indicates that the applied model performs better in the insulator class compared to the broken insulator class. To improve the relatively lower performance of the model in detecting broken insulators, future work could focus on increasing the dataset size and creating new classes to evaluate different types of insulators. Expanding the dataset and diversifying the insulator types for classification are expected to enhance the model's detection capabilities and overall accuracy in future studies.
Benzer Tezler
- Semantic segmentation of UAV images in archaeological sites using deep learning
Arkeolojik alanlardaki İHA görüntülerinin derin öğrenme yardımıyla anlamsal segmentasyonu
DAMLA KUMBASAR
Yüksek Lisans
İngilizce
2023
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. DURSUN ZAFER ŞEKER
- Semantic land cover and land use classification using deep convolutional neural networks
Derin evrişimsel sinir ağları ile arazi kullanımı ve arazi örtüsünün anlamsal sınıflandırılması
BERK GÜNEY
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
PROF. DR. ELİF SERTEL
- Derin öğrenme ile İHA görüntülerinden nesne tespitinin yapılması
Object detection from UAV images with deep learning
EMİR ALBAYRAK
Yüksek Lisans
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBilecik Şeyh Edebali ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. UĞUR YÜZGEÇ
- Güneş panellerinin dört rotorlu iha kullanılarak termografi yöntemiyle derin öğrenme tabanlı hata tespit ve teşhisi
Deep learning based fault detection and diagnosis of solar panels using four rotor uav with termography method
BARIŞ KAYCI
Yüksek Lisans
Türkçe
2021
Mekatronik MühendisliğiKarabük ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BATIKAN ERDEM DEMİR
- Derin öğrenme mimarileri kullanılarak drone ile askeri araç ve silahların sınıflandırılması
Classification of military vehicles and weapons with drones using deep learning architectures with drones
DOĞAN EROL
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSivas Bilim ve Teknoloji ÜniversitesiSavunma Teknolojileri Ana Bilim Dalı
DOÇ. DR. KEMAL ADEM