Erdem Emin MARAŞ, Halil İbrahim SARIYILDIZ

İHA ile Derin Öğrenme Algoritmaları Kullanılarak Hasarlı Yapıların Tespit Edilmesi

Bu araştırmada, hasarlı yapıların hızlı ve güvenilir bir şekilde tespit edilebilmesi için derin öğrenme algoritmalarında evrişimsel sinir ağı mimarisinin bir modeli olan Mask Region-based Convolutional Neural Network (Mask R-CNN) modeli kullanılarak hasar tespiti yapılmaya çalışılmıştır. Eğitim alanı olarak 2010 yılında Haiti’de meydana gelen 316.000 insanın öldüğü, 280.000 civarı yapının hasar gördüğü 7.0 büyüklüğündeki deprem bölgesi seçilmiştir. Bölgede 5 cm ve 7 cm çözünürlüğe sahip insansız hava aracı görüntüleri çalışmada kullanılmıştır. Görüntüler ilk aşamada üç sınıfta “hasarlı”, “az hasarlı” ve “hasarsız” olarak eğitilip test edilmiştir. İnsansız hava aracı verileri ile yapılan test işleminde ise yapılar %58.62 oranıyla bulunmuş ve bulunan yapılar %83.53 genel doğrulukla sınıflandırılmıştır. İkinci aşamada görüntüler “hasarlı” ve “hasarsız” olarak iki sınıfta etiketlenip eğitim ve test işlemi gerçekleştirilmiştir. İnsansız hava aracı verileri ile yapılan test işleminde ise yapılar %74.50 oranıyla bulunmuş ve bulunan yapılar %95.12 genel doğruluk oranıyla sınıflandırılmıştır.

Anahtar Kelimeler:

Derin Öğrenme, İHA, Uzaktan Algılama, Evrişimsel Sinir Ağı

Detection of Damaged Structures Using Deep Learning Algorithms with UAV

In the study, damage detection was tried to be done using Mask Region-based Convolutional Neural Network (Mask R-CNN) model, which is a model of convolutional neural network architecture in deep learning algorithms in order to detect damaged structures quickly and reliably. The 7.0 magnitude earthquake zone, which occurred in Haiti in 2010, in which 316,000 people died and 280,000 buildings were damaged, was chosen as the training area. Unmanned aerial vehicle images with a resolution of 5 cm and 7 cm used in the study. In the first stage, the images were trained and tested in three classes as “damaged”, “slightly damaged” and “undamage”. In the test process with unmanned aerial vehicle data, the structures were found with a rate of 58.62% and the structures found were found with an overall accuracy of 83.53%. In the second stage, the images were labeled in two classes as “damaged” and “undamaged” and training and testing was carried out. In the test process with unmanned aerial vehicle data, the structures were found with a rate of 74.50% and the structures found were classified with an overall accuracy of 95.12%.

Keywords:

Deep Learning, Remote Sensing, Convolutional Neural Network, UAV,

PDF

___

Albawi, S., Mohammed, T. A. and Al-Zawi, S., 2018. Understanding of a convolutional neural network. Proceedings of 2017 International Conference on Engineering and Technology, ICET 2017, 1–6.
Bhangale, U., Durbha, S., Potnis, A. and Shinde, R., 2019. Rapid Earthquake Damage Detection Using Deep Learning from VHR Remote Sensing Images. International Geoscience and Remote Sensing Symposium (IGARSS), 2654–2657.
Cheng, Z., Gong, W., Tang, H., Juang, C. H., Deng, Q., Chen, J. and Ye, X., 2021. UAV photogrammetry-based remote sensing and preliminary assessment of the behavior of a landslide in Guizhou, China. Engineering Geology, 289, 106172.
İnik, Ö. ve Ülker, E., 2017. Derin Öğrenme ve Görüntü Analizinde Kullanılan Derin Öğrenme Modelleri. Gaziosmanpasa Journal of Scientific Research , 6(3), 85–104.
Kayaalp, K. ve Süzen, A. A., 2018. Derin Öğrenme Ve Türkiye’deki Uygulamaları. İksad Publishing House 44-52.
Khosravi, K., Panahi, M., Golkarian, A., Keesstra, S. D., Saco, P. M., Bui, D. T. and Lee, S., 2020. Convolutional neural network approach for spatial prediction of flood hazard at national scale of Iran. Journal of Hydrology, 591, 125552. LeCun, Y., Bengio, Y. and Hinton, G., 2015. Deep learning. Nature 2015 521(7553), 436–444.
Metlek, S. ve Kayaalp, K., 2020. Derin Öğrenme ve Destek Vektör Makineleri İle Görüntüden Cinsiyet Tahmini. Düzce Üniversitesi Bilim ve Teknoloji Dergisi, 8(3), 2208–2228.
Nex, F., Duarte, D., Tonolo, F. G. and Kerle, N., 2019. Structural Building Damage Detection with Deep Learning: Assessment of a State-of-the-Art CNN in Operational Conditions. Remote Sensing, Vol. 11, Page 2765, 11(23), 2765.
Nie, Y., Takaki, T., Ishii, I. ve Matsuda, H.,2011. Behavior recognition in laboratory mice using HFR video analysis. Proceedings - IEEE International Conference on Robotics and Automation, 1595–1600.
Robertson, B. W., Johnson, M., Murthy, D., Smith, W. R. and Stephens, K. K., 2019. Using a combination of human insights and ‘deep learning’ for real-time disaster communication. Progress in Disaster Science, 2, 100030.
Şahin, N., 2009. Afet Yönetimi ve Acil Yardım Planları. TMMOB İzmir Kent Sempozyumu, 131–142.
Zhai, W. ve Peng, Z. R., 2020. Damage assessment using Google Street View: Evidence from Hurricane Michael in Mexico Beach, Florida. Applied Geography, 123, 102252.