Building damage assessment from post-earthquake drone images using deep learning based segmentation methods: The case of February 6, 2023 Türkiye earthquakes
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Yıldız Teknik Üniversitesi, Elektrik-Elektronik Fakültesi, Bilgisayar Mühendisliği, Türkiye
Tezin Onay Tarihi: 2024
Tezin Dili: İngilizce
Öğrenci: BEYZA GÜRER
Danışman: Mine Elif Karsligil
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Depremlerin yıkıcı etkisi, efektif afet müdahalesi için hasarın hızlı bir şekilde değerlendirilmesini gerektirir. Bu amaçla, hasarlı binaların tespiti, geniş alanların hasar büyüklüğünün değerlendirilmesine yardımcı olabilir. Bu tez, drone görüntüleri üzerinde deprem sonrası hasarlı bina tespiti için derin öğrenme yöntemleri kullanarak gelişmiş teknikler olan, semantik ve örnek segmentasyonundan yararlanmaktadır. Hasar tespitini gerçekleştirmek için öncelikle 6 Şubat Depremi sonrasında Hatay'dan çekilen drone görüntülerinden oluşan bir veri kümesi oluşturulmuştur. Yüksek kaliteli drone görüntülerindeki binalar 4 hasar seviyesine göre etiketlenmiştir: "Hasarsız", 'Az Hasar', 'Çok Hasar', 'Yıkılmış'. Veri kümesi, her bina için segmentasyon maskeleri ve sınırlayıcı kutular içermektedir. İkinci olarak, oluşturulan veri kümesinden yararlanarak, görüntülerdeki hasarlı binaları tespit etmek için denetimli derin öğrenme yöntemleri gerçekleştirilmiştir. Bunun için hasarlı bölgeleri çıkarmak için görüntü segmentasyonu seçilmiş, öncelikle U-Net, SegFormer ve OneFormer olmak üzere üç farklı model kullanılarak semantik segmentasyon yöntemi uygulanmıştır. Bunlar arasında SegFormer en iyi performansı göstermiş ve 0.51 ile mIOU ve 0.72 piksel doğruluğu ile en iyi sonucu almıştır. Sonuçları iyileştirmek için, hasar derecelerinin sınıfları "Stabil" ve "Hasarlı" sınıfları temsil eden ikiye indirilmiştir. SegFormer modeli 0,68 mIOU ve 0,80 piksel doğruluğu elde etmiştir. Sınıf sayısı sadece hasarlı binalar için bire düşürüldüğünde, model 0,73 mIOU ve 0,84 piksel doğruluğu elde etmiştir. Örnek segmentasyonu için Mask R-CNN, OneFormer ve BoundaryFormer modelleri hasarlı bina tespiti yapmak üzere eğitilmiştir. BoundaryFormer modeli 0.17 segmentasyon ve sınırlayıcı kutu AP'si ile en iyi sonucu almıştır. İki sınıflı durum için aynı model 0.25 segmentasyon AP'si ve 0.24 sınırlayıcı kutu AP'si elde etmiştir. Son olarak, bir sınıf için model 0.22 segmentasyon ve sınırlayıcı kutu AP'si elde etmiştir. Model eğitimi ve değerlendirmesi gerçekleştirildikten sonra anlamsal ve örnek bölütleme için sonuçlar çıktılar incelenerek karşılaştırılmıştır. Son olarak, çıkarım sonuçlarını iyileştirmek için karşılaştırma sonuçları kullanılarak hem anlamsal hem de örnek bölütleme çıktılarını birleştiren bir yöntem geliştirilmiştir.