Beton Yüzey Çatlaklarının Tespitinde Derin Öğrenme Mimarilerin Kullanılması

The most basic problem for concrete surfaces is the presence of cracks. These cracks should be detected and repaired as soon as possible to ensure safety. At the present time, detection of cracks is done by human power. Although a lot of effort is spent in the determinations made with manpower, the error rate is high. The aim of this study is to ensure more accurate and faster detection of cracks. For this, an autonomous system is needed. Some Convolutional Neural Networks (CNN) have been used in the detection of concrete surface cracks. The image data used in this study were collected from the Middle East Technical Universty (METU) campus buildings. There are 20000 Negative and 20000 Positive data in this data set. Image data was trained using deep CNN architectures such as ResNet-50, VGG-16, Inception-V3, Xeption and lightweight CNN architectures such as MobileNet, ShuffleNet, EfficientNet. By comparing the data obtained as a result of the training, it was observed how the accuracy changed when fewer parameters were used.

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.