Derin öğrenme algoritmaları kullanılarak çay alanlarının otomatik segmentasyonu
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Yıldız Teknik Üniversitesi, Fen Bilimleri Enstitüsü, HARİTA MÜHENDİSLİĞİ ANABİLİM DALI, Türkiye
Tezin Onay Tarihi: 2018
Tezin Dili: Türkçe
Öğrenci: SALİH BOZKURT
Danışman: Bülent Bayram
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Orman alanlarının, ağaç türlerinin otomatik olarak belirlenmesi, doğal kaynakların yönetimi açısından kritik bir öneme sahiptir. Ülkemizde kentsel ve orman haritalarının üretimi 1940' lı yıllardan günümüze dek fotogrametrik yöntemler kullanılarak gerçekleştirilmektedir. Hava fotoğraflarından orman sınırı ve ağaç türlerinin belirlenmesi geleneksel stereo değerlendirme yöntemleri ile yapılmakta olup, bu durum, iş ve zaman açısından yüksek maliyet gerektirmektedir. Sunulan tez çalışmasında önerilen yöntem ile otomatik olarak çay alanlarının sınıflandırılması, derin öğrenme algoritmaları kullanılarak gerçekleştirilmiştir. Derin öğrenme algoritmaları, özellik çıkarımı işlemini veriden otomatik olarak yapan bir makine öğrenme yöntemidir. Son zamanlarda popülerlik kazanan derin öğrenme, ses tanıma, nesne tanıma, el yazısı tanıma ve görüntü sınıflandırma gibi birçok farklı bilgisayar tanı işlemlerinde kullanılmaktadır. Sunulan tez kapsamında, derin öğrenme temelli bir yaklaşım kullanılarak yüksek çözünürlüklü görüntülerden çay alanlarının otomatik çıkartılması amaçlanmıştır. Bu amaç doğrultusunda, görüntüler içindeki çay alanları ve çay alanları dışında kalan alanları sınıflandırmak için VGG19 ağ yapısına sahip SegNet mimarisi kullanılmıştır. Derin öğrenme temelli algoritmalar, farklı spektral bant kombinasyonları kullanılarak eğitilmiştir. Bu kombinasyonlar içerisinde; RGB (kırmızı-yeşil-mavi), NirRG (yakın kızılötesi-kırmızı-yeşil), NDVI (normalleştirilmiş fark bitki indeksi) ve NDVIRG (NDVI-kırmızı-yeşil) kombinasyonları bulunmaktadır. Multispektral görüntüler, 30x30 cm yer örneklem aralığına sahip bir sayısal hava kamerası kullanılarak elde edilmiştir. Derin öğrenme algoritmalarına ilişkin çalışmalar Matlab®' in 2017b versiyonunda gerçekleştirilmiştir. Matlab® programının lisansı, Yıldız Teknik Üniversitesi tarafından sağlanmıştır. Sunulan tez çalışması kapsamında, Trabzon' un Hayrat ilçesinde bulunan çay alanları için Nisan 2013 yılına ait 25 adet 1:5000 ölçekli yüksek çözünürlüklü ortofoto görüntü kullanılmıştır. Kullanılan ortofoto görüntüler, kırmızı, yeşil, mavi ve yakın kızılötesi (RGBNir) olmak üzere 4 banta ve her bant 8 bitlik radyometrik çözünürlüğe sahiptir. Kullanılan her bir ortofoto görüntünün yeryüzünde kapladığı alan 453.6 hektardır. Sunulan tez çalışmasında, 15 (%60) görüntü eğitim, 10 (%40) görüntü ise test amaçlı kullanılmıştır. VGG19 ağ yapısına sahip SegNet mimarisi, farklı sayıya ve bant kombinasyonuna sahip eğitim verileri kullanılarak eğitilmiştir. Eğitim verileri 200x200 piksel boyutlarında 15 adet ortofoto görüntüden rastlantısal olarak seçilerek hazırlanmıştır. Sırasıyla 250, 400, 600 ve 1000 adet görüntü seti kullanılarak sistem eğitilmiş ve sonuçlar analiz edilmiştir. Önerilen yöntemin doğruluk analizi, fotogrametri operatörünce stereoskopik sayısallaştırma ile üretilen referans verilerinin, önerilen yöntemden elde edilen sonuçların karşılaştırılmasıyla gerçekleştirilmiştir. Değerlendirme, Sørensen-Dice Benzerlik Katsayısı algoritması kullanılarak yapılmış ve doğruluklar belirlenmiştir. Önerilen yöntem için, RGB, NirRG, NDVIRG ve NDVI için sırasıyla %90.91, %91.16, %91.51 ve %53.39 doğruluk değerlerine ulaşılmıştır. Geleneksel stereo sayısallaştırma ile karşılaştırıldığında, önerilen yöntem, hem doğruluk hem işlem süresi bakımından daha etkili sonuçlar üretmektedir. Genel olarak, geleneksel stereoskopik değerlendirme işlemi, bir görüntü için yaklaşık olarak sekiz saat alırken, önerilen yöntem, aynı görüntü için ortalama beş dakikada sınıflandırma işlemini tamamlamaktadır.