Beton çatlakların derin öğrenme tabanlı semantik segmentasyonunda kodlayıcı değişkenlerinin karşılaştırmalı analizi

Authors : Hasan Polat, Serhat Alpergin, Mehmet Siraç Özerdem

Pages : 581-593

Doi:10.24012/dumf.1465724

View : 146 | Download : 162

Publication Date : 2024-09-30

Article Type : Research Paper

Abstract :Depremler, seller ve yangınlar gibi doğal afetler akabinde yapılarda ve kentsel altyapıda ciddi hasarlar meydana gelmektedir. Çatlaklar, beton yapılarda meydana gelen hasarların veya bozulmaların en yaygın belirtileri olarak kabul edilmektedir. Dolayısıyla, çatlak kusurlarının erken ve doğru bir şekilde tespit edilmesi, bu tür yapıların güvenliklerinin sağlanması ve hizmet süreleri açısından önem arz etmektedir. Son yıllarda bilgisayarlı görü uygulamalarında önemli bir atılım sergileyen derin öğrenme mimarileri, beton çatlaklarının otomatik olarak tespit ve segmente edilmesinde yaygın olarak kullanılmaya başlanmıştır. Özellikle, genel olarak bir kodlayıcı ve bir kod çözücü bloktan oluşan derin öğrenme tabanlı segmentasyon mimarileri çatlakları uzamsal sınırları ile tespit ederek, kapsamlı yapı sağlığı analizlerini mümkün kılmaktadır. Ancak, evrişimsel filtrede küçük alıcı alan, pooling işleminin neden olduğu bilgi kayıpları ve yetersiz yerel özellik işlenmesi gibi kodlayıcı blok sınırlandırmaları segmentasyon performansını sekteye uğratmaktadır. Bu çalışmada, beton yüzeylerindeki çatlakların segmentasyonu için önerilen DeepLabV3+ mimarisinde kodlayıcı blok için farklı omurga mimarilerinin (ResNet-18, ResNet-50, MobileNetV2, Xception ve Inception-ResNet) etkinlikleri analiz edilmiştir. Farklı omurga mimariler ile sağlanan alçak ve yüksek seviyeli özelliklerin etkinliklerinin test edilmesi için erişime açık Deepcrack ve CrackForest veri setleri kullanılmıştır. Bulgular her iki veri seti için de MobileNetV2 mimarisinin eğitilebilir parametre ve segmentasyon perfromansı açısından en başarılı ağ olduğunu göstermiştir. MobileNetV2 kodlayıcı tabanlı segmentasyon çerçevesi, yaklaşık 6.7 milyon eğitilebilir ağırlık kullanarak her iki veri seti için sırasıyla 0.81 ve 0.70 Dice benzerlik katsayısı (DSC) başarımı elde etmiştir.
Keywords : Semantik Segmentasyon, Derin Öğrenme, Görüntü İşleme, Çatlak Tespiti, Çatlak Segmenasyonu, Yapı Denetimi