Uydu görüntüleri kullanılarak kasırga sonrası hasarlı binaların sınıflandırılmasını iyileştirme

Özellikle afet sonrası senaryolarda, bina hasarını değerlendirmek için etkili ve doğru yöntemlere olan ihtiyaç giderek artmaktadır. Geleneksel manuel inceleme zaman alıcı ve insan hatasına açık olduğundan, otomatik sistemlere olan ihtiyaç artmaktadır. Gelişmiş derin öğrenme modellerinden yararlanmak, görüntü sınıflandırmasının doğruluğunu ve hızını artırarak afetlere zamanında müdahaleye katkıda bulunabilir. Bu çalışma, görüntü verilerini kullanarak bina hasarı sınıflandırması için gelişmiş bir derin öğrenme modeli geliştirmeye odaklanmaktadır. Önerilen model, hem küresel hem de yerel özellikleri etkili bir şekilde yakalamak için transfer öğrenmesi için ResNet50'yi özel bir Evrişimli Sinir Ağı (CNN) ile birleştiren hibrit bir mimariden yararlanmaktadır. Kullanılan veri kümesi, farklı koşullar altında etiketlenmiş bina görüntülerini içermekte ve eğitim ve değerlendirme için çeşitli bir küme sağlamaktadır. Değerlendirme sonuçları, dengeli veri kümesinde %98,9, dengesiz veri kümesinde ise %98,01 doğruluk göstermiştir. Önerilen model, çeşitli modellerden daha iyi performans göstermiş ve farklı veri dağılımlarında sağlamlık göstermiştir. Çalışma, görüntü tabanlı sınıflandırma görevleri için transfer öğrenmesi ve özel olarak tasarlanmış CNN'leri birleştiren hibrit modellerin etkinliği hakkında bilgiler sunmaktadır.