Derin öğrenme ile atıksu kanal görüntülemede arızaların tespit edilmesi
Deep learning based sewage pipe line failures detection from images
- Tez No: 995989
- Danışmanlar: PROF. DR. BÜLENT BAYRAM
- Tez Türü: Doktora
- Konular: Mühendislik Bilimleri, Engineering Sciences
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Harita Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Uzaktan Algılama ve Coğrafi Bilgi Sistemleri Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
İstanbul Su ve Kanalizasyon İdaresi (İSKİ), 16 milyonluk nüfusa hizmet veren, 90 atık su arıtma tesisi ve yaklaşık 18.000 km kanal ağına sahip dünyanın sayılı su ve atık su idarelerinden biridir. Kurum, atık suların çevreye ve insan sağlığına zarar vermeden bertaraf edilmesini sağlamaktadır. Kanal hatları, olası arızaların erken tespiti için periyodik olarak temizlenmekte, CCTV ile görüntülenmekte ve TS EN 13508-2 standardına göre değerlendirilerek risk raporları oluşturulmaktadır. Hatlar 1–5 arasında puanlanarak bakım öncelikleri tematik haritalar üzerinde görselleştirilmektedir. Ancak bu süreçler, yüksek iş gücü gereksinimi, zaman kaybı ve operatör hataları nedeniyle etkinliğini sınırlamaktadır. Bu noktada yapay zekâ ve derin öğrenme tabanlı yöntemler, kanal arızalarının otomatik ve güvenilir biçimde tespiti için umut vadetmektedir. Bu çalışmada, derin öğrenme temelli nesne tespiti yaklaşımları kullanılarak kanal hatlarındaki arızaların otomatik olarak sınıflandırılması ve tespit edilmesi amaçlanmıştır. Tez kapsamında, İstanbul atıksu ağından elde edilen ve iki bağımsız uzman tarafından etiketlenen toplam 13.491 görüntü ile Istanbul Sewer Defect Dataset (ISWDS) adlı özgün bir veri seti oluşturulmuştur. Veri seti, İstanbul'da bildirilen kanal arızalarının yaklaşık %90'ını temsil etmekte olup literatürdeki en kapsamlı yerel veri setlerinden biridir. Çalışmada, YOLO (v8, v11, v12) ve dönüştürücü tabanlı RT-DETR (v1, v2) modelleri aynı deneysel protokoller altında karşılaştırılmıştır. Sonuçlar, RT-DETR v2'nin en yüksek performansı sağladığını (F1: %79.03, Recall: %81.10) ve en iyi YOLO varyantına göre anlamlı üstünlük gösterdiğini ortaya koymaktadır. Dönüştürücü tabanlı mimariler karmaşık ve kısmen örtülü arızalarda daha başarılıyken, YOLO mimarileri gömülü sistemlerde daha yüksek işlem verimliliği sunmaktadır. Elde edilen modeller ONNX formatına dönüştürülerek, açık kaynaklı CBS yazılımı QGIS üzerinde Python ile geliştirilen özel bir uygulama aracılığıyla gerçek zamanlı kusur tespiti için kullanılmıştır. Bulgular, doğruluk–verimlilik dengesi bağlamında, sonradan yürütülen merkezi analizlerde RT-DETR v2'nin; saha odaklı ve kaynak kısıtlı uygulamalarda ise YOLO mimarilerinin daha elverişli olduğunu göstermektedir. Çalışma, özgün bir veri seti sunmakta ve kanal arızalarının tespitinde derin öğrenme tabanlı modelleri karşılaştırmalı olarak değerlendirmektedir.
Özet (Çeviri)
The Istanbul Water and Sewerage Administration (ISKI) is one of the world's leading water and wastewater authorities, serving a population of approximately 16 million through 90 wastewater treatment plants and a sewer network of nearly 18,000 km. The institution ensures the disposal of wastewater without causing harm to the environment or public health. Sewer lines are periodically cleaned and inspected using CCTV systems for early defect detection, and their conditions are assessed in accordance with the TS EN 13508-2 standard to generate risk reports. The pipelines are scored on a scale from 1 to 5, enabling the visualization of structural integrity and maintenance priorities through thematic maps. However, these processes are constrained by high labor requirements, time consumption, and susceptibility to operator-related errors. Artificial intelligence and deep learning-based approaches offer promising solutions for the automated and reliable detection of sewer defects. In this study, deep learning-based object detection methods were utilized to automatically classify defects in sewer pipes. Accordingly, within the scope of this thesis, a novel dataset named the Istanbul Sewer Defect Dataset (ISWDS) was constructed using 13,491 images acquired from the Istanbul wastewater network and meticulously annotated by two independent experts. The dataset represents approximately 90% of the reported sewer defects in Istanbul and constitutes one of the most comprehensive local datasets in the literature. YOLO (v8, v11, v12) and transformer-based RT-DETR (v1, v2) models were compared under identical experimental protocols. The results demonstrate that RT-DETR v2 achieved the highest performance (F1: 79.03%, Recall: 81.10%) and significantly outperformed the best YOLO variant. While transformer-based architectures showed superior performance in complex or partially occluded defect scenarios, YOLO architectures provided higher computational efficiency in embedded systems. The trained models were converted to ONNX format and integrated into a custom Python-based application developed within the open-source GIS software QGIS for real-time defect detection. Overall, the findings indicate that, in terms of the accuracy–efficiency trade-off, RT-DETR v2 is more suitable for centrally conducted offline analyses, whereas YOLO architectures are more appropriate for field-oriented and resource-constrained applications. The study presents a novel dataset and provides a comparative evaluation of deep learning-based models for sewer defect detection.
Benzer Tezler
- Derin tekrarlayan sinir ağı yöntemleri ile Erzurum Biyolojik Atıksu Arıtma Tesisinin performans tahmini
Performance forecasting of biological wastewater treatment plant using deep recurrent neural network methods
SIRRI BALLİ
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAtatürk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AHMET COŞKUNÇAY
- İleri biyolojik atıksu arıtma tesislerinde çıkış parametrelerinin derin öğrenme yöntemleriyle değerlendirilmesi
Evaluation of output parameters in advanced biological waste water treatment plants using deep learning methods
ERCAN UYGUN
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiKilis 7 Aralık ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUSTAFA MİKAİL ÖZÇİLOĞLU
- Pekiştirmeli öğrenme ve karar ağacı ile bitki tabanlı mikrobiyal yakıt hücresinin optimum performansına götüren yolların tespiti
Routes to optimal conditions in plant-based microbial fuel cells using reinforcement learning and decision trees
TUĞBA GÜRBÜZ
Yüksek Lisans
Türkçe
2025
Kimya MühendisliğiGazi ÜniversitesiKimya Mühendisliği Ana Bilim Dalı
PROF. DR. NİYAZİ ALPER TAPAN
- Endüstriyel kontrol sistemlerindeki yazılım açıklarına yönelik dinamik aldatma yama stratejileri ile güvenlik yönetimi
Security management with dynamic deception patching strategies for software vulnerabilities in industrial control systems
HAYRİYE TANYILDIZ
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMalatya Turgut Özal ÜniversitesiEnformatik Ana Bilim Dalı
DOÇ. DR. CANAN BATUR ŞAHİN
DR. ÖĞR. ÜYESİ ÖZLEM BATUR DİNLER
- Endüstriyel simbiyoz çerçevesinde örgütsel konfigürasyonların analizi: Yapı, strateji ve çevre uyumu
An analysis of organizational configurations within the framework of industrial symbiosis: Structure, strategy, and environmental adaptation
ŞÜKRAN TAŞKESEN
Doktora
Türkçe
2026
İşletmeBolu Abant İzzet Baysal Üniversitesiİşletme Ana Bilim Dalı
DOÇ. DR. HAKAN TAHİRİ MUTLU