Sürdürülebilir Kalkınma Amaçları

• 1
• 1

• MakaleYalnız künye2022/r/gumushane/13035
  Detection of damaged buildings after an earthquake with convolutional neural networks in conjunction with image segmentation

  Ünlü, Ramazan; Kiriş, Recep

  Detecting damaged buildings after an earthquake as quickly as possible is important for emergency teams to reach these buildings and save the lives of many people. Today, damaged buildings after the earthquake are carried out by the survivors contacting the authorities or using some air vehicles such as helicopters. In this study, AI-based systems were tested to detect damaged or destroyed buildings by integrating into street camera systems after unexpected disasters. For this purpose, we have used VGG-16, VGG-19, and NASNet convolutional neural network models which are often used for image recognition problems in the literature to detect damaged buildings. In order to effectively implement these models, we have first segmented all the images with the K-means clustering algorithm. Thereafter, for the first phase of this study, segmented images labeled “damaged buildings” and “normal” were classified and the VGG-19 model was the most successful model with a 90% accuracy in the test set. Besides, as the second phase of the study, we have created a multiclass classification problem by labeling segmented images as “damaged buildings,” “less damaged buildings,” and “normal.” The same three architectures are used to achieve the most accurate classification results on the test set. VGG-19 and VGG-16, and NASNet have achieved considerable success in the test set with about 70%, 67%, and 62% accuracy, respectively.

  • 
  • 
  İncele
• Yüksek Lisans TeziAçık Erişim2021/r/gumushane/21111
  Görüntü segmentasyonu ile entegre edilmiş evrişimli sinir ağları ile deprem sonrası hasarlı binaların otomatik olarak tespiti

  Recep Kiriş

  Doğal afet türlerinden biri olan depremlerin meydana gelmesinden sonra birçok afetzedenin hayatını kurtarabilmek ve kriz yönetimini daha mükemmel sonuçlandırabilmek için afet bölgesinde bulunan hasarlı binaları mümkün olduğunca en kısa sürede tespit etmek ve tespit edilen hasarlı binalara müdahalelerde bulunmak son derece önemlidir. Günümüzde, deprem sonrasında hasarlı binaların tespiti afet bölgesinde görev alan yetkililer tarafından gözlemlenerek, uydu görüntülerinden veya helikopter gibi hava araçlarından alınan görüntülerden faydalanılarak yapılmaktadır. Yetkililerin gözlemleriyle hasarlı binaların tespiti zaman açısından ciddi kayıplar doğururken, tespitlerin doğruluğu bakımından da güvenilirliği tartışılır düzeydedir. Bu çalışmada, deprem ve sel gibi beklenmedik afetlerden sonra hasarlı veya tahrip olmuş binaların otomatik olarak tespit edilebilmesi için yapay zeka tabanlı sistemler test edilmiştir. Çalışma sırasında görüntü sınıflandırma literatüründe sıklıkla kullanılan VGG-16, VGG-19 ve NASNet evrişimli sinir ağı modelleri kullanılmıştır. Bu modelleri etkili bir şekilde uygulayabilmek için, önce çalışmada kullanılan tüm görüntüler K-Means kümeleme algoritması ile segmentlere ayrılmıştır. Sonrasında, çalışmanın ilk aşaması için, "hasarlı binalar" ve "normal binalar" olarak etiketlenen resimler sınıflandırılmıştır. VGG-19 modeli test setinde %90 doğruluk oranı elde edilmiştir. Çalışmanın ikinci aşamasında "hasarlı binalar", "daha az hasarlı binalar" ve "normal binalar" olarak etiketlenen resimler için çok sınıflı bir sınıflandırma algoritması oluşturulmuştur. Bu aşamada VGG-19, VGG-16 ve NASNet test setinde sırasıyla yaklaşık %69, %66 ve %62.5 doğruluk oranı elde edilmiştir.

  İncele