Görüntü İşleme Teknikleri ve Derin Öğrenme Metotları Kullanılarak Yığma Taş Duvar Segmentasyonu.
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Atatürk Üniversitesi, Fen Bilimleri Enstitüsü, Bilgisayar Mühendisliği Anabilim Dalı, Türkiye
Tezin Onay Tarihi: 2025
Tezin Dili: Türkçe
Öğrenci: RÜSTEM MUHAMMED KARADEMİR
Danışman: Tolga Aydın
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Amaç: Bu çalışmanın amacı, tarihi yığma taş yapıların korunması ve yapısal analizlerinde kullanılmak üzere, duvar görsellerindeki taş ve harç bölgelerini piksel düzeyinde otomatik olarak segmente eden derin öğrenme ve görüntü işleme tabanlı hibrit bir yöntem geliştirmektir. Çalışma ile geleneksel manuel ölçüm yöntemlerine kıyasla daha hızlı, nesnel ve yüksek doğruluklu bir analiz altyapısı sunulması hedeflenmektedir. Yöntem: Araştırmada kamuya açık bir veri seti ile Erzurum ilindeki tarihi yapılardan toplanan yerel görüntülerin birleştirildiği hibrit bir veri seti kullanılmıştır. Yüksek çözünürlüklü görüntüler, detay kaybını önlemek amacıyla 256x256 piksellik daha küçük parçalara (patch) ayrılarak toplam 108194 görüntü maske çifti (85747 eğitim, 22447 doğrulama) modellere girdi olarak hazırlanmıştır. U-Net, FPN, LinkNet ve PSPNet mimarileri; VGG16, ResNet34/50, MobileNetV1/V2, EfficientNetB0 ve DenseNet121 gibi önceden eğitilmiş yedi farklı omurga (backbone) ile transfer öğrenme yöntemi kullanılarak eğitilmiştir. Model performansları Piksel Doğruluğu, IoU, Dice Katsayısı, Kesinlik, Duyarlılık ve Özgüllük gibi segmentasyon metrikleri ile değerlendirilmiştir. Derin öğrenme modellerinin ham segmentasyon çıktıları, morfolojik işlemler, Watershed algoritması ve bağlantılı bileşen analizi gibi son işlem adımlarıyla iyileştirilmiştir. Nihai segmentasyon maskeleri üzerinden taş boyutları hesaplanmıştır. Bulgular: Deneysel bulgular, geliştirilen derin öğrenme modellerinin yığma taş duvarlardaki taş ve harç bölgelerini yüksek bir başarıyla ayrıştırabildiğini göstermiştir. Karşılaştırılan modeller arasında U-Net/MobileNetV1 modeli %97,87 IoU ve %98,92 Dice katsayısı ile en yüksek genel segmentasyon performansını sergilemiş, %99,09 duyarlılık ve %82,51 özgüllük değerlerine ulaşmıştır. Harç bölgelerinin tespitinde kritik bir metrik olan özgüllük açısından %83,03 ile en başarılı model U-Net/EfficientNetB0 olmuştur. Hesaplama verimliliği (eğitim süresi ve parametre sayısı) ve performans dengesi açısından ise LinkNet/MobileNetV1 modeli en uygun çözümlerden birini sunmuş ve pratik uygulamalar için cazip bir seçenek olduğu belirlenmiştir. Uygulanan son işlem adımlarının, modellerin eksik veya hatalı tahminlerini önemli ölçüde düzelttiği ve taşların geometrik özelliklerinin hassas bir şekilde hesaplanmasına katkı sağladığı tespit edilmiştir. Sonuç: Bu çalışma, derin öğrenme ve görüntü işleme tekniklerinin bir arada kullanıldığı hibrit yaklaşımın, yığma taş duvarların karmaşık yapılarının segmentasyonunda hızlı, nesnel ve yüksek doğruluklu bir yöntem sunduğunu kanıtlamıştır. Gelecekteki çalışmalar için veri seti genişletme, daha gelişmiş mimariler, gerçek zamanlı uygulamalar için optimizasyon ve detaylı hata analizi gibi alanlarda potansiyel araştırma yönleri belirlenmiştir. Geliştirilen bu yaklaşım, tarihi yapıların korunması ve restorasyonu alanında çalışan uzmanlara, yapısal analizler için temel bir girdi olan taş ve harç dağılımını otomatik olarak belirleme imkânı sunarak geleneksel yöntemlere kıyasla önemli bir avantaj sağlamaktadır.