Derin öğrenme yöntemleri ile GPR B tarama görüntülerinin analizi

Bu tez çalışmasında, GPR B tarama görüntülerinin derin öğrenme yöntemleri kullanılarak gömülü yapıları verimli bir şekilde analiz eden mimariler sunulmaktadır. Bu kapsamda GPR B tarama görüntüleri elde etmek amacıyla GprMax programından faydalanılmıştır. Simülasyon programı kullanılarak farklı özelliklere sahip dört veri seti oluşturulmuştur. Birinci veri setinde toplamda 180 adet GPR B tarama görüntüsü bulunmaktadır. Bu veri setindeki görüntülerde farklı şekil ve malzemeye sahip gömülü yapılar bulunmaktadır. Görüntülerde malzeme kalınlığından ve gömülü yapıların birbirine yakınlığından kaynaklanan yanlış alarm durumunun oluşmasına neden olan örüntüler mevcuttur. İkinci veri setinde ise veri artırım yöntemleri kullanılarak toplamda 4280 adet GPR B tarama görüntüleri elde edilmiştir. Bu görüntülerin oluşturulmasında farklı elektriksel özelliklere sahip bazı toprak ve malzemeler kullanılmıştır. Aynı zamanda farklı şekilsel özelliklerden de faydalanılmıştır. Üçüncü veri setinde ise toplamda 8505 adet GPR cihazından alınan gerçek GPR B tarama görüntüleri kullanılarak analizler gerçekleştirilmiştir. Bu analiz kapsamında GPR B tarama görüntülerinden tarama işleminin hangi tür GPR cihazı ile gerçekleştirildiği, tarama frekansları ve tarama yapılan sahanın toprak çeşidi tespit edilmeye çalışılmıştır. Dördüncü veri setinde 39 adet gerçek GPR B tarama görüntüleri bulunmaktadır. Bu görüntüler içerisinde oyuklar bulunan farklı beton bloklarından elde edilmitşir. Veri setlerinin analizinde veri seti yapısı göz önüne alınarak farklı analiz yöntemleri kullanılmıştır. Birinci veri setindeki veri sayısının azlığı nedeniyle ve analizini daha etkin bir şekilde gerçekleştirmek amacıyla derin sözlük öğrenme yapısı kullanılmıştır. Aynı zamanda karşılaştırmalı bir analiz gerçekleştirmek amacıyla farklı katman sayısı ve sınıflandırıcılarla eğitim ve test işlemi yapılmıştır. İkinci veri seti üzerine veri artırımı yapılarak Konvolüsyonel Sinir Ağlarının (KSA) eğitimi gerçekleştirilmiştir. KSA yapıları olarak AlexNet, VGG-16, GoogloeNet, ResNet-50 ve SquezeeNet kullanılmıştır. Eğitim aşamasında bu modellerin rastgele, ön eğitimli ve transfer öğrenmesi kullanılmış yapıları üzerinde eğitimler gerçekleştirilmiştir. Aynı zamanda eğitim veri sayısının model üzerindeki hassasiyeti test edilmiştir. Bununla birlikte Konvolüsyonel Desktek Vektör Makineleri yapıları eğitilmiştir. Bu yapılar küçük, orta ve geniş modeller olmak üzere üç farklı modelden oluşmaktadır. Eğitimi tamamlanmış ağ yapıları hem simülasyon verileri ile hem de gerçek veriler ile test edilmiştir. Üçüncü veri setinde ise transfer öğrenmesi kullanılarak farklı KSA modellerinin eğitimi gerçekleştirilmiştir. Aynı zamanda iki adet farklı KSA mimarisi tasarlanarak ön eğitimli KSA yapılarının performansı ile karşılaştırmalar yapılmıştır. Belirtilen veri seti için ön eğitimli ağlar olarak AlexNet, VGG-19, GoogloeNet, ResNet-50, InceptionNet ve DenseNet modelleri kullanılmıştır. Dördüncü veri setinde ise GPR B tarama görüntülerindeki oyuk bölgelerin tespit için YOLO, Hızlı Bölgesel tabanlı Konvolüsyonel Sinir Ağları (Hızlı B-KSA) ve Daha Hızlı Bölgesel tabanlı Konvolüsyonel Sinir Ağları (Daha Hızlı B-KSA) yöntemleri kullanılmıştır. Elde edilen sonuçlar değerlendirildiğinde derin öğrenme yöntemlerinin GPR B tarama görüntülerinin analizinde oldukça başarılı olduğu görülmüştür.