Afet sonrası yapı hasarlarının uzaktan algılama görüntüleri ile semantik segmentasyon tabanlı değerlendirilmesi
Post-disaster structural damage assessment based on semantic segmentation using remote sensing images
- Tez No: 954003
- Danışmanlar: PROF. DR. MEHMET SİRAÇ ÖZERDEM, DOÇ. DR. HASAN POLAT
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Dicle Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Elektronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: 114
Özet
Doğal afetler sonrası yapıların çatı, cephe ve bina içi hasar görüntüleri üzerinden hasar bilgisini çıkarmak için hava görüntüleri ve bina içi görüntülerin entegrasyonundan faydalanmak, uzaktan algılama ile hasar tespitinde en etkili ve güvenilir yöntem olacaktır. Bina içi hasar tespitinde yapıların taşıyıcı elemanları üzerinden inceleme yapılmakta olup, bina dışından yapılacak incelemede cephe ve çatı incelenebilmektedir. Bu tezin birinci çalışmasında, betonarme yapıların deprem sonrası hasar tespiti ve çatlak segmentasyonu amacıyla geleneksel makine öğrenimi yöntemlerinin sınırlamalarını aşmak üzere geliştirilen derin öğrenme tabanlı segmentasyon yaklaşımları ele alınmıştır. Beton yüzeylerindeki çatlakların piksel düzeyinde tespiti amacıyla önerilen DeepLabV3+ tabanlı semantik segmentasyon mimarisi kapsamında, kodlayıcı blokta kullanılan farklı ön eğitimli omurga mimarilerinin performansları karşılaştırmalı olarak analiz edilmiştir. Söz konusu mimarilerin, düşük ve yüksek seviyeli özellik çıkarımı üzerindeki etkinliklerini değerlendirmek üzere DeepCrack ve CrackForest adlı açık erişimli veri setleri kullanılmıştır. Gerçekleştirilen deneysel çalışmalar sonucunda, MobileNetV2 mimarisinin hem parametre verimliliği hem de segmentasyon doğruluğu açısından diğer omurga yapılarından üstün performans sergilediği tespit edilmiştir. İkinci çalışma, doğal afetler sonrası yapı hasar tespiti amacıyla geliştirilen derin öğrenme tabanlı semantik segmentasyon modellerinin doğruluk, genelleme kabiliyeti ve hesaplama verimliliği açısından kapsamlı bir analizi sunulmuştur. Çalışma kapsamında, özgün hazırlanan Kahramanmaraş depremi veri seti ile birlikte Joplin Kasırgası ve xBD'ye ait yüksek çözünürlüklü drone ve uydu görüntülerinden oluşan veri kümeleri kullanılarak bina yıkım derecelerinin tespiti hedeflenmiştir. DeepLabV3+ segmentasyon mimarisi farklı omurga (backbone) ağları ile yapılandırılarak değerlendirilmiştir. Ayrıca, bina bazlı sınıflandırma için Joplin Kasırgasına ait afet öncesi görüntülerden çıkarılan poligon sınırları ile segmentasyon çıktıları birleştirilerek, bina düzeyinde hasar durumu belirlenmiştir. Deneysel sonuçlar, ResNet50 ve Xception mimarilerinin genel segmentasyon doğruluğu açısından en başarılı modeller olduğunu, buna karşılık MobileNetV2'nin daha az hesaplama maliyetiyle özellikle hızlı ve hafif uygulamalarda avantaj sağladığını göstermektedir. Öte yandan, sınıf dengesizliği ve karmaşık enkaz yapısı nedeniyle tüm modellerin yıkılmış binaların tespitinde zorluk yaşadığı, bu durumdan en çok etkilenen modellerin daha düşük katman derinliğine sahip yapılar olduğu gözlemlenmiştir. Bu çalışma, afet sonrası hızlı ve doğru hasar değerlendirmesi için derin öğrenme tabanlı bir çerçeve sunmaktadır.
Özet (Çeviri)
In the aftermath of natural disasters, integrating aerial imagery with interior building images is considered one of the most effective and reliable methods for remote sensing-based damage assessment, as it enables the extraction of structural damage information from roof, façade and interior views. While interior damage analysis focuses on inspecting structural elements, exterior assessments are typically limited to roofs and façades. The first part of this dissertation addresses deep learning-based semantic segmentation approaches developed to overcome the limitations of conventional machine learning techniques in post-earthquake damage detection and crack segmentation in reinforced concrete structures. Specifically, a DeepLabV3+ based semantic segmentation architecture was proposed for pixel-level detection of surface cracks in concrete. Within this framework, the performance of various pre-trained backbone architectures was comparatively analyzed in the encoder block. To evaluate the effectiveness of low and high-level feature extraction capabilities of these architectures, publicly available datasets, namely DeepCrack and CrackForest, were employed. experimental results demonstrated that the MobileNetV2 model outperformed the others in terms of both parameter efficiency and segmentation accuracy. The second part of this study presents a comprehensive analysis of deep learning-based semantic segmentation models for post-disaster structural damage assessment in terms of accuracy, generalization ability and computational efficiency. Using the custom-built Kahramanmaraş Earthquake dataset, along with high-resolution drone and satellite imagery from the Joplin Tornado and xBD datasets, the objective was to detect building-level damage grades. The DeepLabV3+ segmentation architecture was evaluated using various backbone networks. For building-level classification, segmentation outputs were merged with polygon boundaries extracted from pre-disaster imagery to determine the structural damage status of individual buildings. experimental findings revealed that ResNet50 and Xception provided the highest segmentation accuracy overall, whereas MobileNetV2 offered advantages in computational efficiency, making it preferable for lightweight and rapid applications. On the other hand, due to class imbalance and the complexity of debris patterns, all models exhibited difficulty in accurately detecting fully collapsed buildings an issue most prominent in architectures with shallower depth. This study proposes a deep learning-based framework for rapid and accurate post-disaster damage assessment.
Benzer Tezler
- Afetten etkilenen bölgelerin ve binaların hava görüntülerinden derin öğrenme tabanlı belirlenmesi
Deep learning-based detection of affected areas and buildings from aerial images in disaster zones
ABDULLAH ŞENER
Doktora
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. BURHAN ERGEN
- Past earthquake relocation process in Yalova
Deprem sonrası Yalova'da yeniden yerleşme süreci
BİNALİ TERCAN
Yüksek Lisans
İngilizce
2001
Şehircilik ve Bölge PlanlamaOrta Doğu Teknik ÜniversitesiŞehir Planlama Ana Bilim Dalı
DOÇ.DR. BAYKAN GÜNAY
- Uydu görüntüleri ve İHA ile derin öğrenme algoritmaları kullanılarak hasarlı yapıların tespit edilmesi
Detection of damaged structures using deep learning algorithms with satellite images and UAV
HALİL İBRAHİM SARIYILDIZ
Yüksek Lisans
Türkçe
2021
Jeodezi ve FotogrametriOndokuz Mayıs ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
DOÇ. DR. ERDEM EMİN MARAŞ
- Depremde oluşacak bina hasarlarının envanter bilgilerine dayalı tahmini ve coğrafi bilgi sistemleri (CBS) uygulaması
Inventory data based prediction of building damages caused by earthquakes and geographical information systems (GIS) applications
YASEMİN MANAV
Yüksek Lisans
Türkçe
2007
Deprem MühendisliğiPamukkale Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
Y.DOÇ.DR. SELÇUK TOPRAK
- Earthquake damage prediction of large-scale structures based on long-term microtremor monitoring and their numerical modeling
Uzun dönem mikrotremor gözlemleri ve sayısal analiz modeline dayalı büyük ölçekli yapılar için deprem hasar tahmini
SEÇKİN ÖZGÜR ÇİTAK
Doktora
İngilizce
2008
Deprem MühendisliğiKyushu UniversityAfet Yönetimi Ana Bilim Dalı
PROF. DR. HİROSHİ KAWASE