Beton Yüzey Çatlaklarının Tespitinde Derin Öğrenme Mimarilerin Kullanılması
Öz
Beton yüzeyler için en temel problem çatlakların varlığıdır. Bu çatlaklar, güvenliğin sağlanabilmesi için mümkün olan en kısa sürede tespit edilip onarılmalıdır. Günümüzde çatlakların tespit edilmesi insan gücüyle gerçekleştirilmektedir. İnsan gücü ile yapılan tespitlerde fazla emek olmasına karşın hata oranı yüksektir. Bu çalışmanın amacı, çatlakların daha doğru ve hızlı tespit edilmesini sağlamaktır. Bunun için ise otonom bir sisteme ihtiyaç duyulmaktadır. Beton yüzey çatlaklarının tespitinde bazı Evrişimsel Sinir Ağları (CNN) kullanılmıştır. Bu çalışmada kullanılan görüntü verisi Orta Doğu Teknik Üniversitesi (ODTÜ) kampüs binalarından toplanmıştır. Bu veri setinde 20000 Negatif ve 20000 Pozitif veri bulunmaktadır. Görüntü verileri, ResNet-50, VGG-16, Inception-V3, Xeption gibi derin CNN mimarileri ve MobileNet, ShuffleNet, EfficientNet gibi hafif CNN mimarilerini kullanarak eğitildi. Eğitim sonucunda elde edilen veriler karşılaştırılarak, daha az parametre kullanıldığında doğruluğun nasıl değiştiği gözlemlenmiştir.
Anahtar Kelimeler
Çatlak Tespiti, Evrişimli Sinir Ağı, Hafif Evrişimli Sinir Ağı, Görüntü İşleme
Kaynakça
- [1] B. Y. N. S. P. K. R. &. A. P. R. Kim, «Surface crack detection using deep learning with shallow CNN architecture for enhanced computation.,» Neural Computing and Applications, 2021.
- [2] L. A. F. J. H. A. G. M. K. W. &. S. M. A. Ali, «"Performance evaluation of deep CNN-based crack detection and localization techniques for concrete structures.",» Sensors , 2021.
- [3] C. D. G. V. M. D. C. A. M. v. L. S. L. Attard, «"Automatic Crack Detection using Mask R-CNN,",» %1 içinde International Symposium on Image and Signal Processing and Analysis (ISPA), 2019.
- [4] K. &. B. H. B. Hacıefendioğlu, « Concrete road crack detection using deep learning-based faster R-CNN method.,» Iranian Journal of Science and Technology, Transactions of Civil Engineering, 2021.
- [5] X. Z. M. S. P. R. R. H. X. W. X. &. Y. H. Xu, «Crack Detection and Comparison Study Based on Faster R-CNN and Mask R-CNN,» Sensors, 2022.
- [6] J. Y. Y. Z. D. T. W. C. R. Z. Q. &. L. Q. Liao, «Automatic Tunnel Crack Inspection Using an Efficient Mobile Imaging Module and a Lightweight CNN,» IEEE Transactions on Intelligent Transportation Systems, 2022.
- [7] C. k. dedektörü, «Wikipedia,» 24 01 2022. [Çevrimiçi]. Available: https://en.wikipedia.org/wiki/Canny_edge_detector#:~:text=The%20Canny%20edge%20detector%20is,explaining%20why%20the% 20technique%20works..
- [8] S. a. V. S. Niu, « "Simulation trained CNN for accurate embedded crack length, location, and orientation prediction from ultrasound measurements.",» International Journal of Solids and Structures, 2022.
- [9] Ç. F. Özgenel, «Concrete Crack Images for Classification,» Mendeley Data, 2019.
- [10] L. F. Y. Y. D. Z. a. Y. J. Z. Zhang, « “Road crack detection using deep convolutional neural network.”,» IEEE International Conference on Image Processing (ICIP), 2016.