Afet sonrası yapı hasarlarının uzaktan algılama görüntüleri ile semantik segmentasyon tabanlı değerlendirilmesi

Doğal afetler sonrası yapıların çatı, cephe ve bina içi hasar görüntüleri üzerinden hasar bilgisini çıkarmak için hava görüntüleri ve bina içi görüntülerin entegrasyonundan faydalanmak, uzaktan algılama ile hasar tespitinde en etkili ve güvenilir yöntem olacaktır. Bina içi hasar tespitinde yapıların taşıyıcı elemanları üzerinden inceleme yapılmakta olup, bina dışından yapılacak incelemede cephe ve çatı incelenebilmektedir. Bu tezin birinci çalışmasında, betonarme yapıların deprem sonrası hasar tespiti ve çatlak segmentasyonu amacıyla geleneksel makine öğrenimi yöntemlerinin sınırlamalarını aşmak üzere geliştirilen derin öğrenme tabanlı segmentasyon yaklaşımları ele alınmıştır. Beton yüzeylerindeki çatlakların piksel düzeyinde tespiti amacıyla önerilen DeepLabV3+ tabanlı semantik segmentasyon mimarisi kapsamında, kodlayıcı blokta kullanılan farklı ön eğitimli omurga mimarilerinin performansları karşılaştırmalı olarak analiz edilmiştir. Söz konusu mimarilerin, düşük ve yüksek seviyeli özellik çıkarımı üzerindeki etkinliklerini değerlendirmek üzere DeepCrack ve CrackForest adlı açık erişimli veri setleri kullanılmıştır. Gerçekleştirilen deneysel çalışmalar sonucunda, MobileNetV2 mimarisinin hem parametre verimliliği hem de segmentasyon doğruluğu açısından diğer omurga yapılarından üstün performans sergilediği tespit edilmiştir. İkinci çalışma, doğal afetler sonrası yapı hasar tespiti amacıyla geliştirilen derin öğrenme tabanlı semantik segmentasyon modellerinin doğruluk, genelleme kabiliyeti ve hesaplama verimliliği açısından kapsamlı bir analizi sunulmuştur. Çalışma kapsamında, özgün hazırlanan Kahramanmaraş depremi veri seti ile birlikte Joplin Kasırgası ve xBD'ye ait yüksek çözünürlüklü drone ve uydu görüntülerinden oluşan veri kümeleri kullanılarak bina yıkım derecelerinin tespiti hedeflenmiştir. DeepLabV3+ segmentasyon mimarisi farklı omurga (backbone) ağları ile yapılandırılarak değerlendirilmiştir. Ayrıca, bina bazlı sınıflandırma için Joplin Kasırgasına ait afet öncesi görüntülerden çıkarılan poligon sınırları ile segmentasyon çıktıları birleştirilerek, bina düzeyinde hasar durumu belirlenmiştir. Deneysel sonuçlar, ResNet50 ve Xception mimarilerinin genel segmentasyon doğruluğu açısından en başarılı modeller olduğunu, buna karşılık MobileNetV2'nin daha az hesaplama maliyetiyle özellikle hızlı ve hafif uygulamalarda avantaj sağladığını göstermektedir. Öte yandan, sınıf dengesizliği ve karmaşık enkaz yapısı nedeniyle tüm modellerin yıkılmış binaların tespitinde zorluk yaşadığı, bu durumdan en çok etkilenen modellerin daha düşük katman derinliğine sahip yapılar olduğu gözlemlenmiştir. Bu çalışma, afet sonrası hızlı ve doğru hasar değerlendirmesi için derin öğrenme tabanlı bir çerçeve sunmaktadır.