Derin Öğrenme ile İHA Görüntüleri Tabanlı Yığma Duvar Segmentasyonu

Yıl 2026, Cilt: 11 Sayı: 1, 120 - 128

Ozan Öztürk

https://doi.org/10.29128/geomatik.1801243

Öz

Yığma taş duvarların belgelenmesi, kültürel mirasın ve dolayısıyla tarihi yapılar hakkındaki önemli bilgilerin korunması açısından büyük önem taşımaktadır. Ancak bu tür yapıların belgelendirilmesi hem fiziksel erişim kısıtları hem de yapı elemanlarının biçimsel çeşitliliği nedeniyle çeşitli zorlukları barındırmaktadır. Bu çalışmada, İHA görüntüleri aracılığıyla yığma taş duvarların segmentasyonunu gerçekleştirmek üzere U-Net tabanlı bir derin öğrenme yöntemi önerilmektedir. Çalışma, Rize il sınırları içerisinde bulunan Zil Kale’nin İHA ile elde edilen görüntüleri üzerinde gerçekleştirilmiştir. Derin öğrenme model eğitimi için doğal ve restore edilmiş duvar yüzeylerinden oluşturulan iki farklı veri seti oluşturulmuştur. Eğitimlerden elde edilen sonuçlara göre, restore edilmiş yüzeylerde hem Recall hem de F1-Score metriklerinde %93 düzeyine ulaşılmıştır. Daha karmaşık arka planlara sahip doğal yüzeylerde ise %88 Recall ve %86 F1-Score değerleri ile modelin bu çeşitliliği de yeterli düzeyde algılayabildiği gözlemlenmiştir. Ayrıca görsel analizler, modelin hem doğal hem de düzensiz yüzeylerde taş kenarlarını hassas bir biçimde yakaladığını, taş geometrisinin tutarlı biçimde korunduğunu ve arka plan karmaşıklığından sınırlı düzeyde etkilendiğini göstermektedir. Bu nicel ve niteliksel sonuçlar yaklaşımın farklı yığma duvar tiplerinde uygulanabilir olduğunu ortaya koymaktadır. Derin öğrenme tabanlı segmentasyon yöntemlerinin kültürel miras belgelenmesine entegre edilebileceğini ve İHA destekli görüntüleme süreçlerinin saha kaynaklı sınırlamaları önemli ölçüde azaltabileceğini göstermektedir.

Anahtar Kelimeler

Yığma Duvar Segmentasyonu , Kültürel Miras , Derin Öğrenme , İnsanız Hava Araçları (İHA)

Kaynakça

• Marangoz, A. M., & Özen, M. (2020). Tarihi Yerleşim Alanlarının Yersel Fotogrametrik Yöntem ile 3B Modellenmesi: Zeynel Bey Türbesi Örneği. Türkiye Fotogrametri Dergisi, 2(1), 1-6.
• Erdal, K., & Makineci, H. B. (2021). Documentation of Cultural Heritage with Backpack LiDAR Usage on Photogrammetric Purpose. Türkiye Lidar Dergisi, 3(1), 1-6. https://doi.org/10.51946/melid.921032
• Günen, M. A., Öztürk, K. F., & Aliyazıcıoğlu, Ş. (2025). Optimizing Visibility of Historical Structures Using mWDE: Insights from the Kromni Valley, Gümüşhane, Türkiye. International Journal of Engineering and Geosciences, 10(1), 107-126. https://doi.org/10.26833/ijeg.1529351
• Bozdoğan, Ö., Yaman, A., & Yılmaz, H. M. (2022). An analysis on the corrosion of a cultural heritage. International Journal of Engineering and Geosciences, 7(2), 112-127. https://doi.org/10.26833/ijeg.891616
• Alyilmaz, C., Alyilmaz, S., & Yakar, M. (2010). Measurement of petroglyhps (rock of arts) of Qobustan with close range photogrammetry. International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences, 38(Part 5), 29-32.
• Forster, A., Valero, E., Bosché, F., Hyslop, E., & Wilson, L. (2024). Digital Toolkit to Assist the Interpretation of Traditional Masonry Construction. International Journal of Architectural Heritage, 18(5), 725-739. https://doi.org/10.1080/15583058.2023.2182729
• Yakar, M., & Doğan, Y. (2017). Mersin Silifke Mezgit Kale Anıt Mezarı Fotogrametrik Rölöve Alımı Ve Üç Boyutlu Modelleme Çalışması. Geomatik, 2(1), 11-17. https://doi.org/10.29128/geomatik.296763
• Loverdos, D., & Sarhosis, V. (2023). Geometrical digital twins of masonry structures for documentation and structural assessment using machine learning. Engineering Structures, 275, 115256. /https://doi.org/10.1016/j.engstruct.2022.115256
• Karataş, L. (2023). Yersel lazer tarama yöntemi ve ortofotoların kullanımı ile kültür varlıklarının cephelerindeki malzeme bozulmalarının dokümantasyonu: Mardin Mungan Konağı örneği. Geomatik, 8(2), 152-162. https://doi.org/10.29128/geomatik.1147639
• Wang, T., Zhang, J., Chen, W., Chun, Q., & Sun, J. (2025). Pixel-level segmentation of spalling in masonry structures based on deep learning. Engineering Structures, 340, 120686. https://doi.org/ 10.1007/s13349-024-00904-8
• Zhang, J., Qiu, H., & Sun, J. (2025). Automatic detection of mortar loss on masonry building facades based on deep learning. Journal of Civil Structural Health Monitoring, 1-12. https://doi.org/10.1016/j.engstruct.2025.120686
• Kasem Agha, K., & Uzun, C. (2025). Point Cloud Semantic Segmentation of Building Elements of Fatih Mosque, Istanbul. Journal of Architectural Sciences and Applications, 10(1), 30-54. https://doi.org/10.30785/mbud.1586902
• Fornaciari, L. (2025). AI and Deep Learning for Image-Based Segmentation of Ancient Masonry: A Digital Methodology for Mensiochronology of Roman Brick. Heritage, 8(7). https://doi.org/10.3390/heritage8070241
• Oses, N., & Dornaika, F. (2013). Image-Based Delineation of Built Heritage Masonry for Automatic Classification. Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 7950 LNCS, 782-789. https://doi.org/10.1007/978-3-642-39094-4_90
• Oses, N., Dornaika, F., & Moujahid, A. (2014). Image-Based Delineation and Classification of Built Heritage Masonry. Remote Sensing, 6(3), 1863-1889. https://doi.org/10.3390/rs6031863
• Valero, E., Forster, A., Bosché, F., Hyslop, E., Wilson, L., & Turmel, A. (2019). Automated defect detection and classification in ashlar masonry walls using machine learning. Automation in Construction, 106, 102846. https://doi.org/10.1016/j.autcon.2019.102846
• Loverdos, D., & Sarhosis, V. (2022). Automatic image-based brick segmentation and crack detection of masonry walls using machine learning. Automation in Construction, 140, 104389. https://doi.org/10.1016/j.autcon.2022.104389
• Dreier, A., Tobies, A., Kuhlmann, H., & Klingbeil, L. (2025). Stone instance segmentation of rubble masonry based on laser scanning point clouds. Measurement, 242, 115905. https://doi.org/10.1016/j.measurement.2024.115905
• Ibrahim Yahya and Nagy, B. and B. C. (2019). CNN-Based Watershed Marker Extraction for Brick Segmentation in Masonry Walls. Içinde A. and Y. A. Karray Fakhri and Campilho (Ed.), Image Analysis and Recognition (ss. 332-344). Cham: Springer International Publishing.
• Yu, R., Li, P., Shan, J., & Zhu, H. (2022). Structural state estimation of earthquake-damaged building structures by using UAV photogrammetry and point cloud segmentation. Measurement, 202, 111858. https://doi.org/10.1016/j.measurement.2022.111858
• Rocha, J. H. A., Gonzales, R. J. R., Castro, N. C. R., Rosas, M. H., Campos, A. A., Chileno, N. G. C., & Lordsleem Júnior, A. C. (2025). The Utilization of Unmanned Aerial Vehicles (UAVs) in Cultural Heritage Buildings: A Systematic Literature Review. Iranian Journal of Science and Technology, Transactions of Civil Engineering, 49(3), 2241-2256. https://doi.org/10.1007/s40996-024-01523-5
• Alyılmaz, C., Yakar, M. & Yılmaz, H. M. (2010). Drawing of petroglyphs in Mongolia By Close Range Photogrammetry. Scientific-Research and Essays, 5(11), 1216–1222.
• Polat, Y., & Tamsü Polat, R. (2025). Arkeolojik Belgelemede Teknolojik Yaklaşımlar: Yazılıkaya/Midas Kale Çalışmaları. Geomatik, 10(3), 364-374. https://doi.org/10.29128/geomatik.1643529
• Öztürk, O., Bilgilioğlu, B. B., Çelik, M. F., Bilgilioğlu, S. S., & Uluğ, R. (2017). İnsanız Hava Aracı (İHA) Görüntüleri İle Ortofoto Üretiminde Yükseklik Ve Kamera Açısının Doğruluğa Etkisinin Araştırılması. Geomatik, 2(3), 135-142. https://doi.org/10.29128/geomatik.327049
• Yakar, M. (2011). Using close range photogrammetry to measure the position of inaccessible geological features. Experimental Techniques, 35(1), 54-59.. https://doi.org/10.26833/ijeg.1487818
• Özdemir, E., Çallı, R., & Kartal, S. (2024). Utilization of unmanned aerial vehicles for the detection and localization of deteriorations in historical structures: a case study of Ishak Pasha Palace. International Journal of Engineering and Geosciences, 9(3), 377-389. https://doi.org/10.26833/ijeg.1464867
• Yakar, M., Yilmaz, H. M., & Yurt, K. (2010). The effect of grid resolution in defining terrain surface. Experimental Techniques, 34(6), 23-29.. https://doi.org/10.53093/mephoj.1198605
• Rize İl Kültür ve Turizm Müdürlüğü. (t.y.). Zil Kale. Erişim tarihi: 26 Eylül 2025, https://rize.ktb.gov.tr/TR-347095/zil-kale.html
• Ibrahim, Y., Szulovszky, P., & Benedek, C. (2023). Masonry Structure Analysis, Completion and Style Transfer Using a Deep Neural Network (ss. 155-168). https://doi.org/10.1007/978-3-031-37731-0_13
• Ronneberger, O., Fischer, P., & Brox, T. (2015, October). U-net: Convolutional networks for biomedical image segmentation. In International Conference on Medical image computing and computer-assisted intervention (pp. 234-241). Cham: Springer international publishing.
• Pavel Iakubovskii. (2019). Segmentation Models Pytorch. GitHub repository. https://github.com/qubvel/segmentation_models.pytorch
• Deng, J., Dong, W., Socher, R., Li, L.-J., Kai Li, & Li Fei-Fei. (2009). ImageNet: A large-scale hierarchical image database. Içinde 2009 IEEE Conference on Computer Vision and Pattern Recognition (ss. 248-255). IEEE. https://doi.org/10.1109/CVPR.2009.5206848
• Akiba, T., Sano, S., Yanase, T., Ohta, T., & Koyama, M. (2019, July). Optuna: A next-generation hyperparameter optimization framework. In Proceedings of the 25th ACM SIGKDD international conference on knowledge discovery & data mining (pp. 2623-2631).