Segment anything model for crater detection on the lunar surface
Ay yüzeyinde krater tespiti için segment anythıng modeli
- Tez No: 962433
- Danışmanlar: Dr. ÖZLEM FEYZA ERKAN
- Tez Türü: Yüksek Lisans
- Konular: Astronomi ve Uzay Bilimleri, Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Bilim ve Teknoloji, Astronomy and Space Sciences, Computer Engineering and Computer Science and Control, Science and Technology
- Anahtar Kelimeler: Segment Anything Modeli, SAM, Görüntü Segmentasyonu, Krater Tespiti, Bilgisayarla Görü, OpenCV, Elips Uydurma, En Küçük Kareler Yöntemi, Derin Öğrenme, Three.js, Segment Anything Model, SAM, Image Segmentation, Crater Detection, Computer Vision, OpenCV, Ellipse Fitter, Least Squares Method, Deep Learning, Three.js
- Yıl: 2025
- Dil: İngilizce
- Üniversite: BEYKOZ ÜNİVERSİTESİ
- Enstitü: Lisansüstü Programlar Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 84
Özet
Bu çalışmada, krater tespiti için Segment Anything Modeli'nin (SAM) nasıl uygulanabileceği araştırılacaktır. Krater tespiti, gezegen jeolojisi ve bilimsel araştırmaların önemli bir parçası olup, görev planlaması ve gelecekteki Ay iniş görevleri için kritik öneme sahiptir. Bu tez, yarı otomatik bir krater tespit hattı sunmaktadır. Bu sistem, Meta AI tarafından geliştirilen yeni nesil bir derin öğrenme modeli olan Segment Anything Modeli ile klasik geometrik analizleri birleştirmektedir. SAM'in yönlendirilebilir görsel dönüştürücüsü (promptable vision transformer) kullanılarak 1024×1024 çözünürlükteki Ay yüzeyi görüntülerinden ilk krater aday maskeleri üretilecektir. Ay yüzeyine dair etiketli veri setlerinin eksikliği nedeniyle bu görüntüler, WebGL tabanlı 3D görselleştirme motoru olan Three.js kullanılarak üretilecek ve NASA'nın MoonKit kütüphanesi aracılığıyla Ay'ın gerçekçi topografyasına ve yüzey detaylarına sahip küresel modeller oluşturulacaktır. Ayrıca, farklı ışık ve gölgeleme koşulları da simüle edilecektir. SAM ile işlenen bu görüntülerden elde edilen maskeler üzerinde, özel olarak geliştirilen bir elips uydurma algoritması çalıştırılacaktır. Bu algoritma, alan oranı, uzama (elongation) ve parlaklık gibi geometrik filtreler uygulayarak krater benzeri yapıları izole edecektir. Bu işlem sırasında En Küçük Kareler Yöntemi (Least Squares Method) kullanılacaktır. Sonuçlar, segmentasyon çıktısını ve elipslerle işaretlenmiş görüntüyü gösteren .PNG formatında dışa aktarılacaktır. Ayrıca bu çalışmada, Ay krateri tespitinin zorlukları ve karşılaşılan problemler de detaylı şekilde tartışılacaktır. Ay yüzeyinin değişken ışıklandırma ve gölgeleme koşulları gibi faktörlerinin segmentasyon modelleri üzerindeki etkisi vurgulanacak, Segment Anything Modeli'nin bu bağlamdaki sınırlamaları da ele alınacaktır.
Özet (Çeviri)
In this research we will discover how to implement Segment Anything Model for crater detection, Crater Detection is an essential part of planetary geology and scientific research, for mission planning and future lunar landing missions, this thesis will present a semi-automated crater detection pipeline, which will combine Segment Anything Model, which is a new state of the Art Deep learning model developed by Meta AI, we will implement classical geometric analysis, leveraging' SAM's promotable vision transformer, to generate initial crater mask candidates from 1024x1024 lunar surface images, due to the lack of datasets of the lunar surface these images will be generated using Three.js a program that uses WebGL to render 3D objects in the web browser, which then will make use of NASA's MoonKit to create an actual accurate sphere of the lunar surface with proper topographies and surface details and diverse lighting conditions, once our image is processed by SAM we will run a custom ellipse fitting algorithm, which then applies geometric filters, like area ratio, elongation and brightness to isolate crater like structures, it will use Least Squares Method for such operation, later we export the results in .PNG format showing our segmented image and Ellipse fitted image, in this research we will also discuss the difficulties and challenges of Lunar Crater Detection, shedding light on the different conditions of lunar surface, from lighting to shading, and it's challenges on image segmentation models like SAM, we will discuss the limitations of SAM in such regards for crater detection.
Benzer Tezler
- Yüksek çözünürlüklü görüntülerde derin öğrenme tabanlı nesne tespiti için yeni bir önişleme yöntemi geliştirilmesi
Development of a new preprocessing method for deep learning based object detection in high resolution images
MUHAMMED TELÇEKEN
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. DEVRİM AKGÜN
PROF. DR. SEZGİN KAÇAR
- New deep learning based approaches for land cover classificationin satellite images
Uydu görüntülerinde arazi örtüsü sınıflandırması için yeni derin öğrenme tabanlı yaklaşımlar
BAHAA AWAD
Doktora
İngilizce
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. IŞIN ERER
- Detection and classification of olive quality and diseases by deep learning methods
Zeytin kalitesi ve hastalıklarının derin öğrenme yöntemleri ile belirlenmesi ve sınıflandırılması
CENGİZ MEHMET ALBOYACI
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDokuz Eylül ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ CAN ATILGAN
- Fetal mr görüntülerinin derin öğrenme tabanlı çoklu yapısal segmentasyonu
Fetal mr görüntüleri̇ni̇n deri̇n öğrenme tabanli çoklu yapisal segmentasyonu
ENES DEMİR
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiMatematik Mühendisliği Ana Bilim Dalı
DOÇ. DR. BİROL ASLANYÜREK
DOÇ. DR. EMRAH AYDIN
- Minimally supervised tracking of animal colonies with iteratively trained object detectors
Yinelemeli eğitilen nesne algılayıcılar ile hayvan kolonilerinin minimal denetimli takibi
OĞUZ GÖDELEK
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. HANDE ALEMDAR