LEE- Jeofizik Mühendisliği-Yüksek Lisans
Bu koleksiyon için kalıcı URI
Gözat
Son Başvurular
1 - 1 / 1
-
ÖgeDerin öğrenme tabanlı yöntemler ile GPR görüntülerinde obje tespiti(Lisansüstü Eğitim Enstitüsü, 2023-06-22)Yer radarı (GPR) yakın yüzey yer altı araştırmaları için sıklıkla kullanılan bir elektromanyetik (EM) yöntemdir. GPR yöntemi üretilen bir EM dalganın yer içerisine nüfuz etmesi ve yer içerisindeki farklı EM empedansa sahip yapılar ya da süreksizliklerden yansıyan, kırılan ve direk gelen dalgalar alıcı anten tarafından elektrik akımlarına dönüştürülerek kayıt edilmesi esasına dayanır. Bir hat boyunca gerçekleştirilen GPR ölçümleri neticesinde B-tarama veya radargram olarak adlandırılan GPR görüntüsü elde edilir. İlk GPR araştırmaları buzul kalınlıklarının tespiti amacıyla yapılmış olmasına rağmen günümüzde özellikle gömülü boru vb. modern alt yapı elemanları arkeolojik kalıntılar, ağaç kök dağılımları, mayın tespiti, tünel, havaalanı, tren rayları vb. ulaşım altyapı araştırmaları, obrukların tespiti, ağaç gövdelerinin içerisindeki boşlukların tespiti gibi alanlarda tahribatsız bir yöntem olması dolayısı ile sıklıkla kullanılmaktadır. Yer içerisine gömülü objeler B-tarama görüntülerinde hiperbolik şekilli anomaliler olarak görünmektedir. Hiperbollerin geometrik özellikleri, objelerin yer yüzünden olan derinliğine, ortamın ve objenin dielektrik sabiti ve elektrik iletkenliğine, boyut ve şekillerine bağlıdır. Özellikle gömülü objelerin geometrik şekilleri ve fiziksel özellikleri, farklı yapıda hiperbolik anomalilerin oluşmasına neden olur. Araştırmaların amacına göre verilerin yorumlanmasında bu hiperbolik şekilli anomalilerin tespit edilmesi ve geometrik şekillerine göre sınıflandırılması önem arz eder. Görüntülerdeki objelerin tespiti ve sınıflandırılması derin öğrenme (DÖ) tabanlı yöntemler ile gerçekleştirilebilmektedir. DÖ yapay zekâ alanında en popüler yöntemlerden biri olup bilgisayar teknolojilerinin gelişmesi ile uygulama imkân ve kapsamları ilerlemiştir. Resimler üzerinde gerçekleştirilmek istenen obje tespit ve sınıflandırma uygulamalarında evrişimsel sinir ağları (ESA) metodu DÖ modellerinin içerisinde bulunur ve resimlere ait özellik çıkarımları yapılması sağlanır. Bu fikir ve yapılan araştırma ve geliştirmeler sayesinde ESA içeren DÖ yöntemleri türetilmeye başlanmıştır. En popüler DÖ tabanlı obje tespit ve sınıflandırma uygulamaları Faster R-CNN ve YOLO'dur. Bu iki metot kendisine askeri, tıp, havacılık ve uzay, jeofizik, uzaktan algılama, otonom araç teknolojisi gibi birçok disiplinde uygulama alanı bulmuştur. GPR görüntülerinde obje tespiti uygulamaları da bu yöntemler ile denenmiştir. Bu tez çalışması kapsamında farklı geometrik şekle sahip objelerin GPR görüntülerindeki hiperbolik şekilli anomalilerinin tespiti ve ardından bunların hangi geometrik şekle sahip olduğunu gösteren sınıflandırılmasının yapılması için DÖ tabanlı Faster R-CNN ve YOLO uygulamaları kullanılmıştır. DÖ yöntemleri ile obje tespit ve sınıflandırma uygulamaları için veri kümesi kritik bir öneme sahiptir. Bu tez çalışması kapsamında oluşturulan veri kümesi laboratuvar ortamında gerçekleştirilen GPR ölçümlerinden ve gprMax adlı EM dalga simülasyonu yapabilen açık kaynaklı program ile laboratuvar ortamında oluşturulan senaryolara benzer olarak türetilen modellerin simülasyonu sonucunda elde edilen sentetik verilerden oluşur. Laboratuvar ortamındaki ölçümler için vektör ağ analizörü (VAA) ve Vivaldi anten çifti kullanılarak bir GPR ölçüm cihazı oluşturulmuştur. VAA cihazı ile frekans ortamında sinyal üretip toplanabilmektedir. Tez çalışması kapsamında VAA cihazı 600 MHz ile 1200 MHz aralığında bir bant genişliği kullanılarak EM dalga üretilmiştir. Ölçüm cihazının hazırlanmasının ardından yapay bir yer altı modeli oluşturmak amacı ile ahşap bir masa kullanılmıştır. Burada 140 cm genişlik ve 4 cm kalınlığındaki ahşap masanın üst yüzeyi yer yüzü, masanın altında kalan ve araştırılacak objelerin konumlandırılacağı alan ise yer içi olarak kurgulanmıştır. Tez çalışmasındaki amaçlardan biri farklı geometrik şekilli objelerin GPR görüntülerindeki tespiti olduğundan dikdörtgen prizma şekilli, alüminyum folyo kaplı kutu ve silindirik şekilli demir çubuk masa altına farklı derinliklerde konumlandırılmıştır. Kutu ve demir çubuk çeşitli boyutlarda seçilerek veri kümesi genişletilmiştir. Laboratuvar ölçümlerinde iki farklı senaryo kurgulanmıştır. Bunlardan ilki 28 cm ve 40 cm genişlikte iki farklı dikdörtgen prizma şekilli kutunun masa altına farklı derinliklerde konumlandırılması ikincisi ise 2,5 cm ve 5 cm çapa sahip iki farklı silindirik şekilli demir çubuğun masa altına farklı derinliklerde konumlandırılmasıdır. Ölçümler için tasarlanan GPR cihazı ile masa üzerinde 120 cm uzunluğunda hat boyunca 2 cm'de bir radar ölçümleri gerçekleştirilmiş ve B-tarama görüntüsü elde edilmiştir. İlk ve ikinci senaryolar için toplamda 19 adet GPR verisi elde edilmiştir. VAA cihazı üretim amacı nedeni ile verileri frekans ortamındaki kayıt etmektedir. Frekans ortamındaki bu veriler ters ayrık Fourier dönüşümü (TAFD) kullanılarak 20 nanosaniye uzunluğunda B-tarama görüntüleri elde edilmiştir. Veri kümesini oluşturan diğer GPR görüntüleri ise gprMax programı ile oluşturulan sentetik verilerdir. Laboratuvar ölçümlerinde kullanılan objeler ve GPR ölçüm cihazı aynı EM ortam parametreleri ile birebir gprMax programında modellenmiştir. Simülasyonda oluşturulan yapay EM dalganın merkez frekansı 900 MHz olarak ayarlanmıştır. Laboratuvar ölçümlerine benzer olarak iki farklı senaryoda objeler farklı derinliklere konumlandırılarak 20 nanosaniyelik bir zaman dilimi simüle edilmiştir. Simülasyonlar sonucunda birinci senaryo için 50, ikinci senaryo için 50 adet olmak üzere toplam 100 adet sentetik GPR görüntüsü oluşturulmuştur. Veri sayısını arttırmak amacı ile DÖ yöntemlerinde gerçekleştirilen obje tespiti uygulamalarında sıklıkla kullanılan veri çeşitlendirme yöntemleri olan aynalama ve yeniden boyutlandırma teknikleri uygulanmıştır. Bu tekniklerin uygulanması sonucunda laboratuvar ölçümleri ve simülasyon ile elde edilen 119 adet GPR görüntüsü, toplam 357 adete çıkarılmıştır. DÖ tabanlı obje tespit uygulamaları görüntüler ve bu görüntülerde tespit edilmek istenen objelerin etiketlenmesi ile eğitilir. Elde edilen GPR görüntülerinde dikdörtgen prizma şekilli kutulara ait hiperboller "dikdörtgensel", silindirik şekilli objelere ait hiperbol yapılar "silindirik" olarak isimlendirilmiştir. Etiketleme işlemi tespit edilmek istenen objenin bir sınırlandırıcı kutu içerisine alınıp isimlendirme işlemidir. Etiketleme işleminin ardından veri kümesi artık DÖ tabanlı Faster R-CNN ve YOLO ağlarının eğitimi için kullanılabilir hale getirilmiştir. Faster R-CNN ve YOLO yönteminin bir veri kümesi ile eğitilmesi tespit edilmek istenen objelerin makine tarafından öğrenilmesi ve farklı bir veri görselinde bu objenin tespit edilebilmesi anlamına gelir. Yöntemler sonucunda yüksek doğruluk oranları ile GPR görüntülerinde farklı geometrik şekle sahip objelerden kaynaklı hiperbolik anomaliler tespit edilip bu anomalilerin hangi geometrik şekle sahip objelere ait olduğu tespit edilmiştir. Elde edilen sonuçlar neticesinde YOLO yöntemi kullanılarak bir GPR görüntüsünde obje tespiti ortalama 52.7 milisaniye sürmüş, Faster R-CNN ile bu süre 4,2 saniye sürmüştür. Eğitim sonucunda Faster R-CNN yönteminde sınıflandırma kaybı = 5,48E-03, konumlandırma kaybı = 3,97E-03, objesizlik kaybı = 5,11E-05, GOK_0.5 = 1, GOK_0.75 = 1 bulunurken YOLO yönteminde sonuçlar, sınıflandırma kaybı = 1,93E-04, konumlandırma kaybı = 1,54E-02, objesizlik kaybı = 7,24E-03, GOK_0.5 = 0.995, GOK_0.5:0.95 = 0.779 olarak bulunmuştur. Böylece YOLO kullanılarak GPR görüntülerinde daha hızlı obje tespiti yapılmıştır. Buna karşılık Faster R-CNN, görüntülerdeki objelerin tespitini ve sınıflandırmasını YOLO'dan daha doğru değerler ile gerçekleştirmiştir.