İHA ile derin öğrenme algoritmaları kullanılarak hasarlı yapıların tespit edilmesi

Abstract

Bu araştırmada, hasarlı yapıların hızlı ve güvenilir bir şekilde tespit edilebilmesi için derin öğrenme algoritmalarında evrişimsel sinir ağı mimarisinin bir modeli olan Mask Region-based Convolutional Neural Network (Mask R-CNN) modeli kullanılarak hasar tespiti yapılmaya çalışılmıştır. Eğitim alanı olarak 2010 yılında Haiti’de meydana gelen 316.000 insanın öldüğü, 280.000 civarı yapının hasar gördüğü 7.0 büyüklüğündeki deprem bölgesi seçilmiştir. Bölgede 5 cm ve 7 cm çözünürlüğe sahip insansız hava aracı görüntüleri çalışmada kullanılmıştır. Görüntüler ilk aşamada üç sınıfta “hasarlı”, “az hasarlı” ve “hasarsız” olarak eğitilip test edilmiştir. İnsansız hava aracı verileri ile yapılan test işleminde ise yapılar %58.62 oranıyla bulunmuş ve bulunan yapılar %83.53 genel doğrulukla sınıflandırılmıştır. İkinci aşamada görüntüler “hasarlı” ve “hasarsız” olarak iki sınıfta etiketlenip eğitim ve test işlemi gerçekleştirilmiştir. İnsansız hava aracı verileri ile yapılan test işleminde ise yapılar %74.50 oranıyla bulunmuş ve bulunan yapılar %95.12 genel doğruluk oranıyla sınıflandırılmıştır.

In the study, damage detection was tried to be done using Mask Region-based Convolutional Neural Network (Mask R-CNN) model, which is a model of convolutional neural network architecture in deep learning algorithms in order to detect damaged structures quickly and reliably. The 7.0 magnitude earthquake zone, which occurred in Haiti in 2010, in which 316,000 people died and 280,000 buildings were damaged, was chosen as the training area. Unmanned aerial vehicle images with a resolution of 5 cm and 7 cm used in the study. In the first stage, the images were trained and tested in three classes as “damaged”, “slightly damaged” and “undamage”. In the test process with unmanned aerial vehicle data, the structures were found with a rate of 58.62% and the structures found were found with an overall accuracy of 83.53%. In the second stage, the images were labeled in two classes as “damaged” and “undamaged” and training and testing was carried out. In the test process with unmanned aerial vehicle data, the structures were found with a rate of 74.50% and the structures found were classified with an overall accuracy of 95.12%