Theses supervised by Prof. Dr. Fevzi Karslı
10 theses · Karadeniz Technical University
Su kütlelerinin sayısal yüzey ve arazi modellerinden otomatik olarak çıkarılması ve düzeltilmesi
LiDAR (Light Detection and Ranging) teknolojisi ve Fotogrametrik verilerden görüntü eşleme ile üretilen nokta bulutları, yüksek çözünürlüklü Sayısal Yükseklik Modellerinin (SYM) üretiminde kullanılmaktadır. Ancak SYM'lerde, su yüzeylerinde oluşan üçgenleme ve süreksizliklere bağlı olarak ortaya çıkan geometrik düzensizlikler bulunmaktadır. Bu düzensizliklerin hidrolojik olarak düzleştirilmesi, manuel olarak çizilen su ayırma çizgilerinin kullanılması durumunda yüksek miktarda zaman ve iş gücü gerektirmektedir. Bu çalışmada, SYM üzerindeki durağan (göl, deniz vb.) ve akarsu su kütlelerinin tespit edilmesi/çıkarılması ve hidrolojik düzleştirilmesi için MATLAB ortamında otomatik bir yaklaşım geliştirilmiştir. Bu yaklaşım, dijital hava fotoğraflarından eşleştirme yöntemiyle üretilen (Rize, Malatya ve Edirne) ve LiDAR algılayıcılardan (İstanbul) elde edilen nokta bulutlarının içerdiği geometrik bilgileri kullanmaktadır. Nokta bulutu üzerinden 3B yapı tensörü ile hesaplanan öznitelik haritaları SLIC (Simple Linear Iterative Clustering) süper piksel algoritması kullanılarak bölütlenmiştir. Ardından, üretilen öznitelik haritaları Rastgele Orman (RO) sınıflandırıcısı ile su ve su değil olmak üzere iki sınıf olarak sınıflandırılmıştır. Alt veri setlerine bölünen çalışma alanlarının sınıflandırma doğrulukları için hesaplanan F-Ölçütü (F-Score), Doğruluk (Correctness), Bütünlük (Completeness) ve Kalite (Quality) ölçütlerinin ortalama değerleri sırasıyla; Çalışma Alanı-1 Deniz (Rize) için %85,7, %99,7, %96,7 ve %96,4, Çalışma Alanı-2 (Malatya) için %93,7, %99,6, %95,9 ve %95,5, Çalışma Alanı-3 (Edirne) için %94,9, %97,9, %95,4 ve %93,5, Çalışma Alanı-4 (İstanbul) için %73,6, %95,3, %94,3 ve %90,1 olarak tespit edilmiştir. Sınıflandırma ile tespit edilen su kütlesi sınırlarının Sayısal Arazi Modeli (SAM) ile kesiştirilmesi ile elde edilen su yüzey yükseklikleri kullanılarak 3B bir yüzey oluşturulmuş ve hidrolojik düzleştirme işlemi gerçekleştirilmiştir.
Tarihi yapı cephe dokusunun farklı yöntemlerle üretilen nokta bulutları üzerinden otomatik tespit edilmesi
Ülkemiz, birçok medeniyeti üzerinde barındırmış ve bu sayede çok sayıda kültürel varlığa sahip olmuştur. Keşfedilen veya keşfedilmeyi bekleyen bu kültürel varlıkların geleceğe aktarılması son derece önem arz etmektedir. Kültürel varlıklara ait mimari röleve çalışmalarında, geçmişte manuel yöntemler ile elde edilen ölçüler kullanılarak çizilen röleveler kullanılırken, günümüzde artık yersel ve havadan gerçekleştirilen fotogrametrik ve 3B alım teknikleri kullanımı yaygınlaşmıştır. Bu tez çalışmasında kültürel varlıkların korunması ve geleceğe aktarılması konusunda yapılacak mimari çalışmalardaki belgeleme işlemlerinde yersel lazer tarayıcı cihazında ±2 mm değer ile cm altı hassasiyetin elde edildiği ve 3B veri üretiminde taşınılması zor, hassas ve yüksek maliyet gerektiren cihazlar olduğu ancak ilk öncelikte seçilmesi gereken bir alet olduğu tespit edilmiştir. Yersel fotogrametri yöntemi ile elde edilen verilerin ±2 cm ve hava fotogrametrisi yöntemleri ile elde edilen verilerin ±10 cm doğruluğunda veri üretildiği, taşınılabilir ve düşük maliyet gerektiren cihazlar olduğu; ancak yüzey dokusu ve çevresel ışık faktörlerinden etkilenen bir yöntem olduğu ortaya çıkmıştır. Ancak İHA'ların hareket halinde fotoğraflama nedeniyle olası görüntü bozukluklarından dolayı yersel fotogrametriden sonra kullanılması tercih edilmesi gereken bir alet olduğu sonucuna varılmıştır.
YOLO-V4 algoritması ile sosyal mesafelerin fotogrametrik yöntemle üç boyutlu gerçek zamanlı tespiti
Koronavirüs (COVID-19), ilk kez 2019 yılının son aylarında Çin'in Hubei eyaleti başkenti Wuhan'da ortaya çıkan ve günümüzde de etkilerini sürdüren bir hastalıktır. Hastalık, solunum yoluyla bulaşması nedeniyle kısa sürede yayılmış ve 11 Mart 2020'de Dünya Sağlık Örgütü (DSÖ) tarafından hastalığın pandemi olarak ilan edilmesine neden olmuştur. İnsanlık tarihi boyunca çeşitli salgın hastalıklar nedeni ile gündeme gelen sosyal mesafe kavramı COVID-19 ile tekrar gündeme gelmiş ve salgına karşı tedbirlerde birinci sırada yerini almıştır. Bu süreçte sosyal mesafenin kontrolü amacıyla çeşitli kısıtlamalar getirilmiş, kontrol mekanizmaları geliştirilmiş ve yardımcı sistemlere entegre çözümler ön plana çıkmıştır. Çalışma kapsamında sosyal mesafelerin fotogrametrik yöntemle üç boyutlu koordinatlarla gerçek zamanlı tespitine yönelik bir algoritma tasarlanmıştır. İki bilgisayar kamerası ile oluşturulan stereo görüş sistemi ile elde edilen görüntülere ait sahneler değerlendirilmiş ve kişiler YOLO-V4 algoritmasıyla tespit edilmiştir. Tespit edilen kişiler arası sosyal mesafeler üç boyutlu gerçek koordinatlar bazında hesaplanmış ve gerçek zamanlı olarak analiz edilmiştir. Sosyal mesafe tespitine yönelik var olan algoritmalar incelediğinde, mesafelerin iki boyutlu piksel koordinatları ya da sahne bağımlı üç boyutlu referans noktaları baz alınarak hesaplandığı görülmüştür. Geliştirilen algoritma, kişiler arası mesafeleri sahneden bağımsız, üç boyutlu gerçek koordinatları ile yüksek doğrulukta hesaplamakta ve bu yönüyle alanındaki diğer çalışmalardan farklı bir bakış açısı ortaya koymaktadır.
Derin öğrenme ile nokta bulutu üzerinden bina çatı tiplerinin sınıflandırılması
Binaların otomatik olarak algılanması ve çıkarılması, kentsel alan planlama, güneş potansiyel analizi, arazi ve afet yönetimi, kentsel haritalama ve 3 boyutlu (3B) şehir modeli oluşturma gibi birçok alan üzerinde önemli bir etkiye sahip olduğundan; binaların tespit edilmesi ve çıkarılması, günümüzde Uzaktan Algılama, Fotogrametri, Coğrafi Bilgi Sistemleri (CBS) ve bilgisayarla görme alanlarında aktif bir araştırma konusu haline gelmiştir. Nokta bulutu ya da hava ve uydu görüntüsü verilerinden bina çatı türlerinin sınıflandırılması, çatı yüzeylerinin ayrı ayrı tanımlanması, bina şekillerinin yeniden yapılandırılması ve belirlenmesi için anlamlı olduğundan tüm bu alanlar için önemli bir adım teşkil etmektedir. Son yıllarda, 3B bina modellerinin oluşturulması için derin öğrenme metotlarının önem kazanmasıyla ile derin öğrenme algoritmalarını eğitebilecek kaliteli ve makul boyutlara sahip verilere olan ihtiyaç artmıştır. Özellikle bina çatı türlerinin sınıflandırılmasında 3 boyutlu nokta bulutlarının kullanıldığı derin öğrenme yöntemlerinde var olan bu veri açığı RoofN3D veri seti ile giderilmeye çalışılmıştır. Bu tez çalışmasında RoofN3D veri seti kullanılarak çatı türlerinin sınıflandırılması için nokta bulutlarını direkt işleyen ve çıktı olarak da her bir çatıya ait sınıf etiketi üreten bir yapay sinir ağı mimarisi geliştirilmiştir. Geliştirilen mimaride kullanılacak verinin düzenlenmesi için ise çatılara ait nokta bulutlarının histogramları kullanılmış, her bir nokta bulutunda kaç adet nokta olması gerektiğine karar verilmiştir. Belirlenen nokta sayısından fazla sayıda nokta içeren çatılar için nokta sayısı azaltılarak; az sayıda nokta içeren çatılar için ise enterpolasyon ile nokta sayısı artırılarak veri seti sinir ağına uygun hale getirilmiştir. Yapay sinir ağı mimarisinin hiperparametreleri ise, Bayesian optimizasyonu kullanılarak optimum seviyeye getirilmiştir. Üçgen, kırma ve piramit olmak üzere üç çatı türünde yapılan sınıflandırmanın Kesinlik (Precision), Hassasiyet (Recall) ve F1-Skoru (F1-Score) metrikleri kullanılarak gerçekleştirilen doğruluk analizlerinde genel doğruluk %95 olarak elde edilmiştir.
Lidar nokta bulutlarının semantik segmantasyonu için derin öğrenme tabanlı iyileştirilmiş poıntnet++ mimarisi
Bu çalışmada, hava LiDAR nokta bulutlarının semantik segmentasyonunda iç mekân nokta bulutları için tasarlanmış, nokta bulutlarını doğrudan işleyebilen ve bu alanda öncü bir 3B Derin Sinir Ağı (DNN) mimarisi olan PointNet++ kullanılmıştır. Öncelikli olarak PointNet++ mimarisi çoklu sınıf arazi örtüsü ve iki sınıflı zemin/zemin-üstü problemlerinin semantik segmentasyonu için büyük ölçekli hava LiDAR nokta bulutlarına uyarlanmıştır. Mimariyi değişken nokta yoğunluğuna karşı daha kararlı hale getirebilmek amacı ile mimarinin orijinal yığın toplama stratejisi yerine nokta yoğunluğuna adapte olabilen Adaptif 1 ve Adaptif 2 isminde iki yeni yaklaşım önerilmiştir. Ayrıca, mimarinin farklı gruplama katmanlarını birleştiren yeni bir hibrit model geliştirilerek işleme süresi ve performansı açısından avantaj ve dezavantajları değerlendirilmiştir. Tez kapsamında, komşuluk arama yarıçap seçimini başlangıç değer için otomatize edebilen bir yaklaşım da önerilmiştir. Bunların yanı sıra, yoğunluk, geri dönüş sayısı ve dönüş numarası gibi ek ham özniteliklerin mimarinin performansı üzerine olan etkileri de irdelenmiştir. Önerilen yaklaşımların semantik segmentasyon performansları ISPRS Vaihingen, DALES, düzensiz DALES ve OpenGF nokta bulutu veri setleri üzerinde araştırılmıştır. Özellikle nokta yoğunluğu değişkenliğinin fazla olduğu OpenGF test veri setleri üzerinde orijinal mimariye göre ağırlıklı ortalama kesişim-birleşim oranı (mIoU) metriği Adaptif 1 yaklaşımı ile %17'ye ve Adaptif 2 yaklaşımı ile %11'e varan iyileşme göstermiştir. Adaptif 1 ve Adaptif 2 yaklaşımları sayesinde düzensiz DALES veri seti üzerinde mIoU doğruluklarında sırası ile %1 ve %3 performans artışı sağlanmıştır. Adaptif 1 ve Adaptif 2 yaklaşımlarının genelleştirme kabiliyetleri test edilerek orijinal mimariye göre doğruluk düzeylerinde sırasıyla yaklaşık %3 ve %5 oranında iyileşme sağladığı tespit edilmiştir. Bu yaklaşımlar sayesinde mimarinin deneme yanılma yöntemi ile parametre seçimine olan ihtiyacı büyük oranda ortadan kaldırılmıştır. Mimari, değişken nokta yoğunluğuna ve parametre seçimine karşı daha kararlı bir hale getirilmiştir.
İyileştirilmiş lokal maksimum yöntemi ile nokta bulutlarından ağaçtaç segmentasyonu ve metriklerinin tahmini
Yeryüzünde bulunan doğal ve beşerî unsurların konumsal bilgisi ve hacmi, ekonomik, ekolojik ve sosyokültürel açıdan ülkelerin yönetim politikası için büyük önem arz etmektedir. Bu unsurların kontrolü ve analizi için üç boyutlu konum bilgisine ihtiyaç duyulmaktadır. LiDAR ve fotogrametrik nokta bulutları kentsel modelleme, afet yönetimi ve ormanlık alanların kontrolü gibi birçok uygulamada kullanılmaktadır. Son yıllarda ortaya çıkan iklim değişikliği ve küresel ısınma gibi sorunların önlenebilmesi için kilit roldeki ağaçların, korunması ve güncel durumlarının kayıt altına alınması gerekmektedir. Ancak özellikle yoğun kapalılıktaki ağaçlık alanlarda GPS, sürekli sinyal alamadığından bu bölgelerde yersel ölçüm teknikleri ile arazi çalışması gerçekleştirmek zaman alıcı ve pahalı bir uğraştır. Ülkelerin benimsedikleri ormancılık ilkeleri gereğince ağaçların minimum insan gücü ile envanter bilgisine işlenmesi sürdürülebilir kalkınma açısından büyük önem arz etmektedir. Bu tez çalışmasında, nokta bulutlarından iki aşamalı olarak geliştirilmiş lokal maksimum yönteme dayalı bireysel ağaç taç segmentasyonu ve dört farklı ağaç metriğinin (ağaç boyu, taç genişliği, göğüs çapı, taç taban yüksekliği) tahmini için yeni bir yaklaşım geliştirilmiştir. Çalışmada veri seti olarak sırasıyla Akdeniz Üniversitesi'ndeki Fıstık Çamı (Pinus pinea), Maçka'daki (Trabzon) Ladin (Picea orientalis) ve Cenevre'deki (İsviçre) Meşe (Quercus alba- L.) ile kaplı ağaçlık alanların hava LiDAR ve fotogrametrik nokta bulutları kullanılmıştır. Önerilen akış şeması, MATLAB yazılım ortamında mevcut Kanopi Yükseklik Modelini kullanarak bireysel ağaçları tespit ettikten sonra, bitişik ağaçlarda ortaya çıkan hatalı ağaç kümelenmelerinin iyileştirilmesi için iki farklı düzlemde Bézier eğrileriyle desteklenen geliştirilmiş lokal maksimum yöntemi ile alternatif bir çözümden oluşmaktadır. Elde edilen ağaç kümelerinin metrik tahmini için mevcut ve geliştirilmiş allometrik denklemler kullanılmıştır. Nesne tabanlı doğruluk analizine göre segmentasyon doğruluğu ortalama %79, ağaç merkezlerindeki konumsal hata ise ±0.785 m olarak hesaplanmıştır.
Uzaktan algılanmış görüntülerden yeni bir derin öğrenme mimarisi ile bina çıkarımı
Haritanın temel unsurlarından biri olan bina katmanı, çeşitli nizam ve mimarilere sahip olup; kentsel planlama, emlak yönetimi, kaçak yapı tespiti ve afet analizi gibi birçok haritacılık faaliyetinde kullanılmaktadır. Bu sebeple bina obje bilgilerine hızlı ve otomatize bir biçimde erişmek önem arz etmekle birlikle son derece popüler bir konu haline gelmiştir. Bu tez çalışmasında, Massachusetts bina veri seti kullanılarak yüksek çözünürlüklü dijital hava fotoğrafları üzerinden otomatik bir biçimde bina çıkarımı hedeflenmiş ve bu amaç için yeni bir derin öğrenme mimarisi tasarlanmıştır. Bunun yanı sıra veri setindeki maskelerde bulunan bina temsillerine morfolojik operasyonların uygulanmasıyla bina sınır bilgisi eklenerek, derin öğrenme ağının bina objesini öğrenmesi hususunda, bina sınır bilgisinin katkısı araştırılmıştır. Tasarlanan mimarinin test verileri üzerindeki performansı; Genel Doğruluk (OA), Doğruluk (Cr), Tamlık (Cp), F1-Puanı, Birleşimlerin Kesişimi(IoU) doğruluk metrikleri için sırasıyla %91, %80, %73, %76 ve %62 olarak hesaplanmıştır. Önerilen mimarinin karşılaştırılması için aynı veri seti ile eğitilip, aynı test verileri üzerinde değerlendirilen, literatürde mevcut U-Net mimarisine göre; Genel Doğruluk metriği için eşit, diğer metrikler için ise ortalama %2'lik daha düşük performans sergilediği gözlemlenmiştir. Bu duruma karşın tasarlanan mimarinin eğitim işlemini, U-Net mimarisine göre 400 dakika daha kısa sürede tamamlaması önemli bir üstünlük sağlamaktadır. Sonuç olarak tasarlanan mimarinin, literatürde başarısı kabul görmüş olan U-Net mimari performansına yaklaşmış olması ve eğitim süresindeki avantajı sebebiyle kullanılabilirlik açısından hız ve kolaylık sağlayacağı öngörülmektedir.
İyileştirilmiş sayısal yükseklik modeli ile yeni bir gerçek ortofoto modülü geliştirilmesi
Fotogrametri ve uzaktan algılama alanındaki teknolojik ilerlemeler, veri üretim sürecini kolaylaştırmakta ve yüksek performanslı yazılımlarla ortofoto üretim sürecini hızlandırmaktadır. Üretilen klasik ortofotolar, referans verilerle karşılaştırıldığında doğruluk düzeyi yetersiz kalmaktadır. Doğru ortofoto üretimi sırasında karşılaşılan en sık hatalardan biri de sayısal yükseklik modelinin (SYM) düzgün bir şekilde oluşturulamamasıdır. Bu çalışmada, ticari yazılımlarla üretilen doğru ortofotonun doğruluğunu artırmak üzere içeriğinde sadece bina çatı ve sınırlarını temsil eden verilerin bulunduğu iyileştirilmiş SYM (i-SYM) ile doğru2 ortofoto üretimi önerilmiş ve gerçekleştirilmiştir. Sözü edilen öneri, Python programlama dilinden faydalanarak, ticari bir yazılım ArcGIS platformuna yeni bir ortofoto modülünün entegrasyonuyla desteklenmiştir. Yaklaşımın testi için, veri seti olarak Yenice İlçesi'nde (Karabük) seçilen bölgeye ait yüksek çözünürlüklü kırk dört dijital görüntü kullanılmıştır. Üretilen sonuç, ticari yazılımlar tarafından üretilen gerçek ortofoto sonuçları ve referans nokta bulutu ile kıyaslanmıştır. Çalışma sonucunda i-SYM kullanımının, ortofoto üretimindeki doğruluk seviyesini önemli ölçüde yükselttiği tespit edilmiştir.
LiDAR nokta bulutu ile arkeolojik kazı çalışmalarında yüksek doğruluklu arazi modeli üretim performansının değerlendirilmesi
Arkeolojik kazılar, kültürel mirası koruma ve insanlık tarihini yeniden inşa etme açısından büyük öneme sahiptir. Son yıllarda uzaktan algılama ve fotogrametrik yöntemlerin gelişmesi, arkeolojik alanların analizini hızlandırmıştır. Arkeolojik kazı bölgeleri genellikle yoğun bitki örtüsüyle kaplı olup, bu alanlarda gerçek arazi modelinin elde edilmesi önemli bir araştırma konusu olmuştur. Bu tez çalışmasında, LiDAR nokta bulutu verisi kullanarak zemin filtrelemesi yapmak amacıyla literatürde yer alan Kumaş Simülasyon Filtresi (CSF), Aşamalı Üçgenleştirilmiş Düzensiz Ağ (PTIN) ve Destek Vektör Makinesi (DVM) yöntemleri farklı parametre kombinasyonlarıyla karşılaştırılmıştır. Test bölgesi olarak, Ordu ili Fatsa ilçesi, Yapraklı Mahallesi'nde yer alan ve 1. Derece Arkeolojik Sit Alanı olarak tescillenen Çıngırt Kalesi seçilmiştir. Arazide yersel LiDAR verisiyle elde edilen 1159 adet referans veriyle yapılan karşılaştırmada, CSF, PTIN ve DVM yöntemlerinin zemin çıkarım performansları sırasıyla %97,66, %96,80 ve %73,40 F-skoru ile sonuçlanmıştır. PTIN ve CSF yöntemlerinin birleşimi ile zemin çıkarım performansı %96,89 F-skor değerine ulaşmıştır. Referans veriye göre ortalama yükseklik farkı yaklaşık 10 cm olarak hesaplanmıştır. Sonuçlar, PTIN'in bitki örtüsü ve zemin filtrelemesinde, CSF'nin ise kayalık ve branda alanlarında daha başarılı olduğunu göstermektedir. Bütünleşik yöntemle (PTIN+CSF) hassas arazi modeli üretimi daha etkin bir şekilde zemin çıkarımını sağlamıştır.
Hava lidar verilerinden meşçere parametre kestirimi ve ağaç türü tahmini
Gelişen uzaktan algılama teknolojileri, orman ekosistemlerinin izlenmesi ve yönetimini daha hassas ve verimli hale getirmiştir. Bu bağlamda, LiDAR teknolojisi, ağaçların üç boyutlu konumunu ve yapısal özelliklerini güvenilir biçimde belirleme olanağı sunmaktadır. Ancak, ağaç türü tespitinde LiDAR verilerinin sınırlı olduğu ve genellikle ek veri ya da yöntemlerle desteklenmesi gerektiği bilinmektedir. Bu çalışmada, hava LiDAR verileri kullanılarak meşçere parametreleri (ağaç boyu, gövde çapı, tepe çapı, tepe alanı, gövde hacmi ve tepe hacmi) belirlenmiş ve optik veri kullanılmadan ağaç türü sınıflandırması gerçekleştirilmiştir. Ladin (Picea orientalis), Kayın (Fagus orientalis) ve kuru ladin bireyleri üzerinde odaklanılmış; PointNet, PointNet++ ve DGCNN algoritmaları sırasıyla %86, %94 ve %89 doğrulukla tür sınıflandırması yapmıştır. Ayrıca, birinci kapalılık düzeyinden elde edilen referans verilerle kurulan Rastgele Orman (R²=0.95) ve Aşırı Gradyan Artırma (R²=0.92) modelleriyle diğer kapalılık sınıfındaki bireylerin gövde çapları 3–5 cm hata payıyla tahmin edilmiştir. Segmentasyon başarısı ladin bireylerinde yüksek çıkarken, yayvan taç yapısına sahip kayın ağaçlarında daha düşük doğruluk elde edilmiştir. Tepe kapalılığı yüksek alanlarda bireysel ayrıştırma zorlaşsa da, farklı kapalılık sınıfından elde edilen verilerle güvenilir meşçere parametreleri ve ağaç türü tahmini yapılabildiği gösterilmiştir.