Uydu görüntülerinden alınan halka açık binaların derin öğrenme yöntemleriyle sınıflandırılması ve performans ölçümü

Günümüzde yapay zekânın her konuda uygulanabilir bir teknoloji olması nedeniyle birçok görsel ve ses verisi için kullanımı oldukça artmıştır. Gerek özel, gerekse kamu kurumları var olan yapılarının dışına çıkıp işlerin daha kolay ve hızlı yürütülebilmesi için çeşitli sınıflandırma algoritmaları ile çalışan sistemler geliştirir hale gelmiştir. Özellikle belediyelerde şehir ve bölge planlaması için yapılan çalışmalarda kullanılan görsel sınıflandırmalar, istenilen sonuçlara ulaşılması, detaylandırılması ve hızları bakımından yetersiz bulunmaktadır. Bu tip bina tespiti çalışmasının uydu verileri üzerinden sağlanması verilerin gerçekliğine katkı sağlarken, derin öğrenme algoritmasının test edilip en iyi performans ile gerçekleştirilmesi bu çalışmanın birçok kuruma ve/veya sektöre uyarlanabileceğini göstermektedir. İmge üzerinde yapılmış olan çalışmada halka açık (hastane, okul, hava limanı, cami ve saha) alanların tanımlanması sağlanmıştır. Kullanıma açık uydu görüntülerinden alınan 5 sınıfa ayrılmış toplam 300 imge üzerinde, derin öğrenme tabanlı YOLOv3 ve YOLOv5 kütüphanesi ile bina sınıflandırılası ve tespiti analiz edilmiştir. Veri seti üzerinde derin öğrenme için test ve eğitim verileri ayrılmıştır. Python dilinde tasarlanmış YOLOv3 ve YOLOv5 kütüphanesi algoritmaları ile imgeler eğitilmiştir. Eğitim adımı öncesinde ve sonrasında doğru sınıflandırılmış veri oranının kontrolü için daha hızlı bölgesel-evrişimsel sinir ağlar uygulanmıştır. Sınıflandırma sonuçları karşılaştırılmıştır. Bu halka açık binaların tespiti için Darknet-53 açık kaynaklı sinir ağı çerçevesi ile gerçek zamanlı nesne algılama sistemi YOLOv3 ve YOLOv5 derin öğrenme modelleri kullanılmıştır. Belirtilen bu binaların sınıflandırılması gerçekleştirilerek nitelikli ağırlık modeli oluşturulmuştur. Böylelikle ileriki ekobilişim alanındaki uzay görüntülerinde nesne tespitine katkı sağlanmıştır.