Geri Dön

Elektrik dağıtım sistemlerinde görüntü işleme tabanlı anomali tespiti: SAM ve derin öğrenme uygulaması

Image processing-based anomaly detection in electricity distribution systems: An application of SAM and deep learning

PDF İndir

  1. Tez No: 953275
  2. Yazar: EYYÜP KARAHAN
  3. Danışmanlar: PROF. DR. MEHMET SİRAÇ ÖZERDEM, DOÇ. DR. EMİNE ELİF TÜLAY
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Dicle Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 59

Özet

Elektrik dağıtım şebekelerinde izolatörler, direkler (towers) ve spancer gibi bileşenlerde meydana gelen kırık, çatlak, ark yanığı ve diğer anomalilerin hızlı ve doğru bir şekilde tespit edilmesi, enerji iletim sistemlerinin güvenliği ve bakım süreçlerinin verimliliği açısından büyük önem taşımaktadır. Literatürde bu tür anomalilerin tespiti için çeşitli yöntemler geliştirilmiş olsa da, mevcut çalışmalar çoğunlukla belirli kısıtlamalara sahiptir ve genellikle tek bir bileşen üzerine yoğunlaşmaktadır. Bu çalışmada, dağıtım şebekesindeki farklı bileşenlerdeki anomalilerin belirlenmesi amacıyla Segment Anything Model (SAM) ve dört farklı derin öğrenme tabanlı sınıflandırıcı kullanılarak kapsamlı bir analiz gerçekleştirilmiştir. Roboflow platformundan sağlanan açık kaynaklı veri seti, toplamda 1539 görüntü içermekte olup; kırık izolatör, ark yanığı olan izolatör, sağlam izolatör, direk (towers) ve spancer gibi bileşenlere ait etiketlenmiş verilerden oluşmaktadır. Ön işleme aşamasında veri seti tekrar etiketlenerek genişletilmiş ve veri artırma (data augmentation) teknikleri uygulanmıştır. Analizler, Google Colab platformunda pandas, numpy, torch gibi açık kaynak kütüphaneleri kullanılarak Python programlama dili ile gerçekleştirilmiştir. Çalışma segmentasyon ve sınıflandırma olmak üzere iki aşamadan oluşmaktadır. İlk aşamada, SAM algoritması kullanılarak görüntülerdeki bileşenlerin otomatik segmentasyonu gerçekleştirilmiş ve modelin %88,55 doğruluk oranı ile başarılı bir ayrıştırma yaptığı belirlenmiştir. İkinci aşamada ise SAM tarafından üretilen segmentasyon maskeleri dört farklı derin öğrenme modeli olan MobileNetV2, ResNet50, Vision Transformer (ViT) ve VGG-16 ile sınıflandırılmış ve modellerin başarımı doğruluk (accuracy), kesinlik (precision), duyarlılık (recall) ve F1 skoru metrikleri üzerinden değerlendirilmiştir. Yapılan karşılaştırmalar sonucunda, MobileNetV2 modelinin diğer sınıflandırıcılara kıyasla en yüksek doğruluk oranına (%84,21) ulaştığı ve dağıtım şebekesindeki anomalilerin tespitinde en iyi performansı gösterdiği belirlenmiştir. Sonuçlar, Segment Anything Model (SAM) algoritmasının elektrik dağıtım hatlarındaki anomali tespit süreçlerinde başarılı bir yaklaşım sunduğunu, farklı derin öğrenme modelleri ile entegre edilerek kullanımının modelin genelleme yeteneğini artırabileceğini ve enerji dağıtım şebekelerinin bakım süreçlerini daha hızlı ve etkin hale getirebileceğini ortaya koymuştur.

Özet (Çeviri)

The rapid and accurate detection of anomalies, such as fractures, cracks, arc burns, and other defects in components like insulators, towers, and spacers within electrical distribution networks, is of critical importance for the safety of power transmission systems and the efficiency of maintenance processes. Although various methods have been developed in the literature for detecting such anomalies, existing studies are often limited in scope and primarily focus on a single component. In this study, a comprehensive analysis was conducted using the Segment Anything Model (SAM) and four different deep learning-based classifiers to identify anomalies in various components of the distribution network. The open-source dataset obtained from the Roboflow platform consists of a total of 1,539 images, including labeled data for broken insulators, arc-burned insulators, intact insulators, towers, and spacers. In the preprocessing stage, the dataset was re-annotated, expanded, and data augmentation techniques were applied. The analyses were performed using the Python programming language on the Google Colab platform, utilizing open-source libraries such as pandas, numpy, and torch. The study consists of two main stages: segmentation and classification. In the first stage, automatic segmentation of the components in the images was performed using the SAM algorithm, which achieved a segmentation accuracy of 88.55%. In the second stage, the segmentation masks generated by SAM were classified using four deep learning models: MobileNetV2, ResNet50, Vision Transformer (ViT), and VGG-16. The performance of these models was evaluated using accuracy, precision, recall, and F1-score metrics. The comparative results revealed that the MobileNetV2 model achieved the highest accuracy (84,21%) among the classifiers and demonstrated the best performance in anomaly detection within the distribution network. The findings indicate that the Segment Anything Model (SAM) provides a successful approach for anomaly detection in electrical distribution lines. Furthermore, integrating SAM with different deep learning models can enhance its generalization capability, thereby contributing to faster and more efficient maintenance processes in power distribution networks.

Benzer Tezler

  1. Tez No

    941655

    Prostat MR görüntülerinden üretilen segmentasyon maskelerinin güvenilirliğini belirlemek için belirsizlik modellerinin geliştirilmesi

    Developing uncertainty methods to determine trustworthiness of segmentation masks generated from prostate MR images

    EMRE OKUMUŞ

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    Elektrik ve Elektronik MühendisliğiBursa Teknik Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. FATMATÜLZEHRA USLU

  2. Tez No

    290122

    Deprem etkisiyle oluşan boru hasarlarının coğrafi bilgi sistemleri (CBS) ve kümeleme analizi ile değerlendirilmesi

    Evaluation of pipeline damages caused by earthquakes using geographical information systems (GIS) and cluster analysis

    ENGİN NACAROĞLU

    Yüksek Lisans

    Türkçe

    Türkçe

    2010

    İnşaat MühendisliğiPamukkale Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    DOÇ. DR. SELÇUK TOPRAK

  3. Tez No

    931667

    İçerik tabanlı görüntü erişimi ile uzaktan algılama verilerinde obje arama

    Object retrieval in remote sensing data using content based imaged retrieval

    ÖZGE TOKMAK

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    Jeodezi ve Fotogrametriİstanbul Teknik Üniversitesi

    Geomatik Mühendisliği Ana Bilim Dalı

    PROF. DR. NEBİYE MUSAOĞLU

  4. Tez No

    541846

    Fuzzy logic based position control system design for nano quadcopter

    Nano quadkopter için bulanık mantık tabanlı pozisyon kontrol sistemi tasarımı

    FETHİ CANDAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2018

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Kontrol ve Otomasyon Mühendisliği Ana Bilim Dalı

    DOÇ. DR. TUFAN KUMBASAR

  5. Tez No

    769255

    Stochastic bitstream-based vision and learning machines

    Stokastik bit akışı tabanlı görü ve öğrenme makineleri

    SERCAN AYGÜN

    Doktora

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. ECE OLCAY GÜNEŞ

Geri Dön