Geri Dön

Evrişimsel sinir ağları yöntemleri ile beton yapılarda çatlakların tespit

Detection of cracks in concrete structures by convolutional neural network methods

PDF İndir

  1. Tez No: 1011457
  2. Yazar: KASIM YETER
  3. Danışmanlar: PROF. DR. ENGİN YENER
  4. Tez Türü: Yüksek Lisans
  5. Konular: Mühendislik Bilimleri, Engineering Sciences
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Iğdır Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: İnşaat Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Beton yapılar, inşaat sektöründe en yaygın kullanılan malzemeler arasında yer almakta ve zamanla çeşitli çevresel ve mekanik etkilere maruz kalarak çatlak oluşumlarına neden olabilmektedir. Bu çatlaklar, yapıların dayanıklılığı ve güvenliği açısından önemli bir sorun teşkil etmektedir. Geleneksel çatlak tespiti yöntemleri, genellikle zaman alıcı, maliyetli ve insan hatasına açık süreçler içermektedir. Bu bağlamda, yapay zeka ve derin öğrenme tekniklerinin yapı denetiminde kullanımı son yıllarda önemli bir araştırma alanı haline gelmiştir. Bu tez çalışmasında, beton yapılardaki çatlakların tespitinde Evrişimsel Sinir Ağları (ESA) yöntemlerinin etkinliği araştırılmıştır. Çalışmanın temel amacı, görüntü işleme teknikleri kullanarak çatlakların hızlı, doğru ve otomatik bir şekilde tespit edilmesini sağlamaktır. Bu amaç doğrultusunda, farklı beton yüzey türlerini temsil eden yüksek çözünürlüklü çatlak ve sağlam yüzey görüntülerini içeren SDNET 2018 veri seti kullanılmıştır. Ardından, çeşitli ESA mimarileri bu veri seti üzerinde eğitilmiş ve test edilerek performansları karşılaştırmalı olarak analiz edilmiştir. Araştırma kapsamında kullanılan ESA modelleri, beton yüzeylerindeki çatlakların tespiti açısından doğruluk, hassasiyet, geri çağırma ve F1 skoru gibi çeşitli performans metrikleriyle detaylı olarak analiz edilmiştir. Elde edilen bulgular, ESA tabanlı yaklaşımların yalnızca yüksek doğruluk oranlarına ulaşmakla kalmadığını, aynı zamanda düşük işlem süresi ve yüksek genelleme kabiliyeti sayesinde gerçek zamanlı uygulamalar için de uygun olduğunu ortaya koymuştur. Özellikle derin katmanlı mimariler, ince çatlakların algılanmasında klasik görüntü işleme yöntemlerine kıyasla çok daha başarılı sonuçlar üretmiştir. Bu bağlamda çalışma, yapı sağlığı izleme sistemlerinde yapay zekâ destekli otonom denetim uygulamalarının etkinliğini vurgulamakta ; hem yeni yapılar hem de mevcut betonarme sistemlerin düzenli kontrol ve bakım süreçlerinde mühendislik uygulamalarına değerli katkılar sunmaktadır. Ayrıca, çalışmanın ortaya koyduğu yöntemler; güvenilir, hızlı ve tekrarlanabilir bir çatlak tespiti sistemi geliştirilmesi açısından önemli bir temel teşkil etmektedir.

Özet (Çeviri)

Concrete structures are among the most widely used materials in the construction industry and can, over time, be exposed to various environmental and mechanical influences, leading to crack formation. These cracks pose a significant problem for the durability and safety of structures. Traditional crack detection methods are often time-consuming, costly, and prone to human error. In this context, the use of artificial intelligence and deep learning techniques in building inspection has become an important research area in recent years. This thesis investigates the effectiveness of Convolutional Neural Network (CNN) methods in detecting cracks in concrete structures. The primary objective of the study is to enable fast, accurate, and automated crack detection using image processing techniques. For this purpose, the SDNET 2018 dataset, which contains high-resolution cracked and intact surface images representing different concrete surface types, was used. Various CNN architectures were then trained and tested on this dataset, and their performances were comparatively analyzed. The ESA models used in the study were analyzed in detail using various performance metrics, such as accuracy, precision, recall, and F1 score, for the detection of cracks on concrete surfaces. The findings revealed that ESA-based approaches not only achieve high accuracy rates but are also suitable for real-time applications thanks to their low computational time and high generalizability. Deep-layered architectures, in particular, produced significantly better results in the detection of fine cracks compared to conventional image processing methods. In this context, the study highlights the effectiveness of AI-supported autonomous control applications in structural health monitoring systems and offers valuable contributions to engineering practices in the regular inspection and maintenance processes of both new structures and existing reinforced concrete systems. Furthermore, the methods presented in the study provide an important basis for developing a reliable, fast, and repeatable crack detection system.

Benzer Tezler

  1. Tez No

    688405

    A comparative study of deep learning techniques in concrete crack detection: Convolutional neural networks and logistic regression

    Beton çatlağı tahminde derin öğrenme yöntemlerinin kıyaslamalı bir çalışması: Evrişimsel sinir ağları ve lojistik regresyon

    AZHI YASSIN RASUL

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Kültür Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    PROF. DR. FADİME YÜKSEKTEPE

  2. Tez No

    3762

    Performance analysis of basic and hybrid types of arq schemes

    Başlık çevirisi yok

    MİNE KALKAN

    Yüksek Lisans

    İngilizce

    İngilizce

    1987

    Elektrik ve Elektronik MühendisliğiBoğaziçi Üniversitesi

    PROF. DR. ERDAL PANAYIRCI

  3. Tez No

    6837

    Prototyping and evolutionary system design techniques

    Başlık çevirisi yok

    M.TANSEL ERSAVAŞ

    Yüksek Lisans

    İngilizce

    İngilizce

    1989

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik Üniversitesi

    PROF. DR. ZİYA AKTAŞ

  4. Tez No

    9507

    Cutoff rate for fixed-composition on-off keying over direct detection photon channels

    Doğrudan saptamalı foton kanallarında sabit bileşimli aç-kapa anahtarlama için kesilim hızı

    M.ŞENOL TOYGAR

    Yüksek Lisans

    İngilizce

    İngilizce

    1990

    Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ERDAL ARIKAN

  5. Tez No

    9629

    Identification of a theoretical framework for the natural-essential properties of settlements bound to human identity

    Yerleşmelerin doğal-özge özelliklerinin insan kimliğine bağlı olarak kavramsal çerçevesinin tanımlanması

    YUNUS EŞKİNAT

    Yüksek Lisans

    İngilizce

    İngilizce

    1990

    MimarlıkOrta Doğu Teknik Üniversitesi

    Mimarlık Ana Bilim Dalı

    DOÇ. DR. HALUK PAMİR

Geri Dön