İç Mekân Nokta Bulutu Verilerinin Makine Öğrenimi Yöntemleri Kullanılarak Sınıflandırılması

---

Tezin Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: Yıldız Teknik Üniversitesi, Fen Bilimleri Enstitüsü, HARİTA MÜHENDİSLİĞİ ANABİLİM DALI, Türkiye

Tezin Onay Tarihi: 2025

Tezin Dili: Türkçe

Öğrenci: SENA VARBİL

Danışman: Alper Şen

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

İç mekânlara ait 3B nokta bulutu sınıflandırması, iç mekân harita yapımı, iç mekân navigasyonu, bina yenileme, tesis yönetimi vb. uygulamalarda iç mekân modellerinin oluşturulmasında büyük önem taşımaktadır. Bu çalışmada, Stanford Üniversitesi tarafından üretilen S3DIS veri setinde bulunan ofis odalarına ait nokta bulutları makine öğrenmesi yöntemlerinden Rastgele Orman, Çok Katmanlı Algılayıcı, Kategorik Artırma (CatBoost), Aşırı Gradyan Artırma (XGBoost), Hafif Gradyan Artırma Makinesi (LightGBM) ve Sınıflandırma ve Regresyon Ağaçları (CART) yöntemleri ile sınıflandırılarak iç mekân planları oluşturulmuştur. Giriş verileri için X, Y, Z koordinatları ve R, G, B renk değerleri öznitelik bilgileri olarak kullanılmıştır. Sınıflar tavan, zemin, duvar, kapı, pencere, kolon, masa, sandalye, pano, dağınıklık ve kitaplık nesnelerini kapsamaktadır. Eğitim ve test verilerinde iç mekân planlarının oluşturulması amacıyla duvar, kapı, pencere, kolon, pano ve kitaplık bir sınıf (birleştirilmiş sınıf-1); masa, sandalye ve dağınıklık bir sınıf (birleştirilmiş sınıf-2) halinde birleştirilmiştir. İç mekân nokta bulutlarının sınıflandırılması için kullanılan makine öğrenimi yöntemlerinden Rastgele Orman yöntemiyle ortalama %90, Çok Katmanlı Algılayıcı yöntemiyle ortalama %87, CatBoost yöntemiyle ortalama %91, XGBoost yöntemiyle ortalama %88,LightGBM yöntemiyle ortalama %89 ve CART yöntemiyle ortalama %86 genel sınıflandırma doğruluğu elde edilmiştir.