Deprem sonrası yıkılmış yapıların derin öğrenme ve ortogörüntüler ile otomatik tespiti

Öz

Deprem kaynaklı yapısal yıkımlar insan hayatı ve güvenliği için ciddi bir tehdit oluşturmaktadır. Bu bağlamda, deprem sonrası elde edilen yüksek çözünürlüklü ortogörüntülerden yıkılmış yapıların hızlı ve doğru biçimde tespiti, afet müdahale süreçlerinin etkinliği açısından büyük önem taşımaktadır. Bu çalışma, derin öğrenme tabanlı YOLOv12 model ailesine ait farklı varyantların (N, S, M, L, X), yıkılmış bina tespiti görevindeki performanslarını karşılaştırmalı olarak analiz etmektedir. Eğitim sürecinden elde edilen değerlendirme metrikleri, tüm modellerin istikrarlı bir öğrenme süreci gösterdiğini ve aşırı uyum (overfitting) eğilimi sergilemediğini ortaya koymuştur. Özellikle YOLOv12-M modeli, doğruluk (AP: 0.940) ve kaynak verimliliği açısından en dengeli sonuçları sunarken, L ve X varyantları benzer başarı düzeylerini korumakla birlikte; sahne karmaşıklığının arttığı durumlarda daha yüksek geri çağırma (recall) oranları ile dikkat çekmiştir. Bununla birlikte, üç modelin de benzer doğruluk seviyelerine sahip olması, uygulama senaryosuna göre donanım ve işlem süresi gereksinimlerine bağlı olarak esnek seçim imkânı sunmaktadır. Ayrıca çalışmada, klasik derin öğrenme iş akışına ek işlem yükü getirmeden model çıktılarını coğrafi koordinatlara dönüştürebilen bir yöntem önerilmiştir. Bu bağlamda, ortogörüntüler hem piksel hem de coğrafi koordinatlarda 640×640 boyutlarında parçalara bölünmüş ve tespit edilen nesnelerin sınırlayıcı kutuları ve merkez nokta koordinatları otomatik olarak elde edilmiştir Böylece tespit edilen yıkılmış yapılar, coğrafi tabanlı karar destek sistemleri ile bütünleştirilebilir hale getirilmiştir. Sonuçlar, önerilen yöntemin yüksek doğrulukta ve konumsal bilgiye dayalı yıkılmış yapı tespitlerini mümkün kıldığını, özellikle afet yönetimi gibi zaman ve konum hassasiyetinin kritik olduğu alanlarda uygulanabilirliğe sahip olduğunu ortaya koymaktadır.

Anahtar Kelimeler

• Mekânsal zekâ
• Nesne tespiti
• Deprem
• YOLO algoritmaları
• CBS

Automatic detection of collapsed buildings post-earthquake by deep learning and orthoimages

Öz

Earthquakes pose a serious threat to human life and safety through the structural destructions they cause. In this context, the rapid and accurate detection of collapsed buildings from high-resolution orthoimages obtained after earthquakes is of great importance for the effectiveness of disaster response processes. This study comparatively analyzes the performance of different variants (N, S, M, L, X) of the deep learning-based YOLOv12 model family in the task of collapsed building detection. The metrics from the training process revealed that all models underwent a stable learning process and did not exhibit overfitting tendencies. In particular, the YOLOv12-M model provided the most balanced results in terms of accuracy (AP: 0.940) and resource efficiency, while the L and X variants maintained similar levels of success but stood out with slightly higher recall rates in cases of increased scene complexity. Nonetheless, the similar accuracy levels of these three models offer flexible selection options depending on hardware and speed requirements based on the application scenario. Additionally, the study proposes a method capable of converting model outputs into geographic coordinates without adding extra processing load to the classical deep learning workflow. In this context, orthoimages were divided into 640×640 patches in both pixel and geographic coordinates, and the bounding box and center point coordinates of the detected objects were automatically obtained. Thus, the detected collapsed buildings have been made integrable with geographic-based decision support systems. The results show that with the proposed method, high-accuracy and spatially informed building detections can be achieved, supporting its applicability especially in areas where time and location sensitivity are critical, such as disaster management.

Anahtar Kelimeler

• Spatial intelligence
• Object detection
• Earthquake
• YOLO algorithms
• GIS

Kaynakça

1. Azizi, A., Yaghoobi, M., & Kamel, S. R. (2023). Intelligent detection and assessment of damaged buildings using UAV imagery and YOLOv8. Research Square.
2. Dao, T. (2023). Flashattention-2: Faster attention with better parallelism and work partitioning. arXiv preprint arXiv:2307.08691.
3. Dao, T., Fu, D., Ermon, S., Rudra, A., & Ré, C. (2022). Flashattention: Fast and memory-efficient exact attention with io-awareness. Advances in neural information processing systems, 35, 16344-16359.
4. Demirel, Y., & Türk, T. (2023). 6 Şubat 2023 Kahramanmaraş depremleri (Mw 7.7 ve Mw 7.6) sonrasında Türkiye’de meydana gelen depremlerin (Mw≥ 4) coğrafi bilgi sistemleri ile mekânsal analizi. Türkiye Coğrafi Bilgi Sistemleri Dergisi, 5(2), 60-69.
5. Dong, L., & Shan, J. (2013). A comprehensive review of earthquake-induced building damage detection with remote sensing techniques. ISPRS Journal of Photogrammetry and Remote Sensing, 84, 85-99.
6. Gong, L., Li, Q., & Zhang, J. (2013). Earthquake building damage detection with object-oriented change detection. In 2013 IEEE International Geoscience and Remote Sensing Symposium-IGARSS (pp. 3674-3677). IEEE.
7. Ilmak, D., Iban, M. C., & Şeker, D. Z. (2024). A Geospatial Dataframe of Collapsed Buildings in Antakya City after the 2023 Kahramanmaraş Earthquakes Using Object Detection Based on Yolo and VHR Satellite Images. In IGARSS 2024-2024 IEEE International Geoscience and Remote Sensing Symposium (pp. 3915-3919). IEEE.
8. Jing, Y., Ren, Y., Liu, Y., Wang, D., & Yu, L. (2022). Automatic extraction of damaged houses by earthquake based on improved YOLOv5: A case study in Yangbi. Remote Sensing, 14(2), 382.

9. Liu, Y., Tian, Y., Zhao, Y., Yu, H., Xie, L., Wang, Y., Ye, Q., Jiao, J., & Liu, Y. (2024). Vmamba: Visual state space model. Advances in neural information processing systems, 37, 103031-103063.
10. Ma, H., Liu, Y., Ren, Y., & Yu, J. (2019). Detection of collapsed buildings in post-earthquake remote sensing images based on the improved YOLOv3. Remote Sensing, 12(1), 44.
11. Shi, L., Zhang, F., Xia, J., Xie, J., Zhang, Z., Du, Z., & Liu, R. (2021). Identifying damaged buildings in aerial images using the object detection method. Remote Sensing, 13(21), 4213.
12. Tian, Y., Ye, Q., & Doermann, D. (2025). Yolov12: Attention-centric real-time object detectors. arXiv preprint arXiv:2502.12524.
13. Türk, T. (2009). Sürdürülebilir afet bilgi sistemi altyapısının oluşturulması ve Kuzey Anadolu Fay Zonu (KAFZ) üzerinde uygulanması (Doctoral Dissertation). Graduate School of Science and Engineering, Yildiz Technical University, İstanbul, Türkiye.
14. Türk, T. (2013). Doğal Afet Yönetiminde İnsansız Hava Araçları’nın (İHA) Kullanılması. Türkiye Ulusal Fotogrametri ve Uzaktan Algılama Birliği VII. Teknik Sempozyumu (TUFUAB 2013), Trabzon.
15. Wang, C. Y., Bochkovskiy, A., & Liao, H. Y. M. (2023). YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors. In Proceedings of the IEEE/CVF conference on computer vision and pattern recognition (pp. 7464-7475).
16. Xin, Y., Jun, W., & Qiming, Q. (2016). Damaged building detection based on GF-1 satellite remote sensing image: A case study for Nepal M S 8.1 earthquake. Acta Seismologica Sinica, 38(3), 477-485.
17. Zhang, J., Chen, Z., Ji, Y., Sun, X., & Bai, Y. (2023). A multi-branch feature fusion model based on convolutional neural network for hyperspectral remote sensing image classification. International Journal of Advanced Computer Science and Applications, 14(6).
18. Zhou, P., Xie, X., Lin, Z., & Yan, S. (2024). Towards understanding convergence and generalization of AdamW. IEEE transactions on pattern analysis and machine intelligence, 46(9), 6486-6493.