Derin öğrenme sınıflandırıcıları kullanarak bina cephe görüntülerinin hızlı görsel tarama analizi
Fast visual analysis of building facade images using deep learning classifier for rapid visual screening
- Tez No: 764304
- Danışmanlar: DR. ÖĞR. ÜYESİ AMIR YAVARIABDI, PROF. DR. MUSA HAKAN ARSLAN
- Tez Türü: Yüksek Lisans
- Konular: Mekatronik Mühendisliği, Mechatronics Engineering
- Anahtar Kelimeler: CNN, Deprem riski, Derin öğrenme, Evrişimli sinir ağları, Görsel tarama, CNN, Earthquake risk, Deep learning, Convolutional neural networks, Visual scanning
- Yıl: 2022
- Dil: Türkçe
- Üniversite: Kto Karatay Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Mekatronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Mekatronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Türkiye ve dünyada binaların deprem öncesi risk durumlarının hızlı bir şekilde belirlenebilmesi için farklı yöntemler kullanılmaktadır. Bu yöntemlerden en fazla kabul görmüş olanı, bina cephesine bağlı olarak yapılan hızlı görsel tarama yöntemidir. Bu yöntemde binaların risk öncelik durumu, dış cephe görüntüsü ve bölgesel depremsellik parametreleri kullanılarak hesaplanır. Binanın başlangıç puanından, binanın özellikle deprem performansını olumsuz yönde etkileyecek olan geometrik ve mekanik özelliklerinden aldığı ceza puanları çıkartılarak binanın nihai risk öncelik skoru bulunur. Binanın ceza puanlarının bulunmasında, binanın bitişik nizam olup olmadığı, yapısal düzensizlikler, kısa kolon oluşumu, geometrik düzensizlikler, zemin eğimi, ağır çıkma, asma kat durumu vs. gibi pek çok etmenin değerlendirilmesi gerekmektedir. Bu ceza puanlarının da tespiti sonucunda elde edilen nihai skorlar ile, söz konusu yapısal envanter içinde değerlendirilmesi yapılan binaların deprem risk durumuna göre öncelikleri tespit edilir. Deprem riski fazla olan pek çok ülkede kullanılan bu hızlı değerlendirme yöntemlerinin kullanımında ana problem bina yapı stokunun çok büyük olmasından dolayı, tüm binaların değerlendirilmesi çok fazla zaman ve insan kaynağına ihtiyaç duyulmasıdır. Bu sorunları ve insan hatalarını minimize etmek için yapay zekâ tabanlı bina cephe görüntülerini analiz eden sistemlerin geliştirilmesi oldukça önemli bir konudur. Bu tezde, hızlı görsel tarama yöntemlerinde kullanılan deprem davranışına etki ettiği bilinen iki ana parametre olan“binalarda çarpışma durumu”ve“ağır çıkma”etkilerinin bina cephe görseli üzerinden tespit edilebilen (çıkarabilen) bir algoritma geliştirilmiştir. Çalışmada makine öğrenme yöntemlerinden biri olan, derin öğrenme yöntemi kullanılmıştır. İki ayrı sınıflandırma gerçekleştirilmiştir. Sınıflandırmalar ikili sınıflardan oluşmaktadır. Her bir sınıf yaklaşık 2500 bina cephe görselinden oluşmaktadır. Çalışmada toplamda 10000 adet bina cephe görüntüsü kullanılmıştır. Derin öğrenme metodu olarak ise KSA (Konvolüsyonel Sinir Ağları) kullanılmıştır. Tezin temel amacı VGG19, SqueezeNet ve DarkNet53 KSA modellerini kullanarak bina cephe görüntülerinden, binaların deprem performansında etkili olduğu bilinen iki farklı parametrenin uzmana gerek kalmadan cephe görselleri ile derin öğrenme yöntemleri kullanılarak otomatik olarak elde edebilmektir. Bitişik nizam binaların sınıflandırılmasında en iyi başarımı (96.68%) DarkNet53 göstermiştir. Ağır çıkma binaların sınıflandırılmasında en iyi başarımı (88.62%) DarkNet53 göstermiştir.
Özet (Çeviri)
Different methods are used in order to quickly determine the pre-earthquake risk status of buildings in Turkey and in the world. The most widely accepted of these methods is the rapid visual scanning method based on the facade of the building. In this method, the risk priority status of the buildings is calculated using the exterior view and regional seismicity parameters. The final risk priority score of the building is found by subtracting the penalty points received from the building's initial score, especially from the geometric and mechanical properties that will adversely affect the seismic performance of the building. In finding the penalty points of the building, whether the building is adjacent or not, structural irregularities, short column formation, geometric irregularities, ground slope, heavy overhang, mezzanine status etc. Many factors need to be evaluated, such as With the final scores obtained as a result of the determination of these penalty points, the priorities of the buildings evaluated within the said structural inventory are determined according to the earthquake risk status. The main problem in the use of these rapid assessment methods, which are used in many countries with a high earthquake risk, is that the evaluation of all buildings requires a lot of time and human resources due to the very large building stock. In order to minimize these problems and human errors, it is very important to develop systems that analyze artificial intelligence-based building facade images. In this thesis, an algorithm has been developed that can detect (subtract) the effects of“collision status in buildings”and“heavy overhang”, which are two main parameters known to affect earthquake behavior used in rapid visual scanning methods, from the building facade image. Deep learning method, which is one of the machine learning methods, was used in the study. The dataset consisting of building facade images consists of 4 classes, each of which contains approximately 2500 images. A total of 10000 building facade images were used in the study. CNN (Convolutional Neural Networks) was used as a deep learning method. The main purpose of the thesis is to automatically obtain two different parameters known to be effective in earthquake performance of buildings from building facade images using VGG19, SqueezeNet and DarkNet53 CNN models, without the need for an expert, by using facade images and deep learning methods. DarkNet53 showed the best performance (96.68%) in the classification of adjacent buildings. DarkNet53 showed the best performance (88.62%) in the classification of heavy overhanging buildings.
Benzer Tezler
- Transfer öğrenme modellerinin basamaklandırılmış derin özelliklerini ve topluluk sınıflandırıcıları kullanarak lastik çatlaklarının tespit edilmesi
Detecting tire cracks using cascading deep features of transfer learning models and ensemble classifiers
ÖZCAN ASKAR
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBatman ÜniversitesiBilgi Teknolojileri Ana Bilim Dalı
DOÇ. DR. RAMAZAN TEKİN
- Fake news classification using machine learning and deep learning approaches
Makine öğrenimi ve derin öğrenme yaklaşımlarını kullanarak sahte haber sınıflandırması
SAJA ABDULHALEEM MAHMOOD AL-OBAIDI
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ TUBA ÇAĞLIKANTAR
- Design and implementation of models on deep learning and machine learning algorithms using NASA MDP dataset for software fault prediction
Yazılım hata tahmini için NASA MDP veri kümesini kullanarak derin öğrenme ve makine öğrenimi algoritmalarına ilişkin modellerin tasarımı ve gerçekleştirilmesi
BARAAH MAHMOOD KHUDHAIR ALSANGARI
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GÖKSEL BİRİCİK
- Drug target interaction prediction using artificial intelligence
Yapay kullanarak ilaç hedef etkileşimi tahminizeka
BARAA TAHA YASEEN YASEEN
Doktora
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. SEFER KURNAZ
- Derin öğrenme algoritmalarının EKG aritmilerinin sınıflandırılmasında değerlendirilmesi
Evaluation of deep learning algorithms in classification of ECG arrhythmias
ÖZGÜR TOMAK
Doktora
Türkçe
2018
Elektrik ve Elektronik MühendisliğiKaradeniz Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. TEMEL KAYIKÇIOĞLU