Rigid pavement crack detection utilizing generative adversarial networks
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Orta Doğu Teknik Üniversitesi, Fen Bilimleri Enstitüsü, İNŞAAT MÜHENDİSLİĞİ ANABİLİM DALI, Türkiye
Tezin Onay Tarihi: 2023
Tezin Dili: İngilizce
Öğrenci: TANNER WAMBUI MUTURI
Danışman: Onur Pekcan
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Çatlaklar, kaplamanın bozulmasının ilk işareti olarak gözlenir ve bu nedenle kaplamanın daha fazla parçalanmasını önlemek için tespit edilmeli ve onarılmalıdır. Teknolojideki büyüme ile yol kaplamalarındaki çatlakları tespit etmek için çeşitli görüntü işleme, makine öğrenimi ve derin öğrenme yöntemleri uygulanmıştır. Bu yöntemlerden araştırmalar, görüntülerdeki çatlakların piksel bazında bölütlenmesi için derin öğrenme modellerinin kullanımına yöneliktir. Bununla birlikte, literatürde benimsenen derin öğrenme modellerinin çoğu denetlenir ve bu nedenle, elde edilmesi pahalı olan, karşılık gelen yer-gerçeği etiketleriyle birlikte çok büyük miktarda görüntü gerektirir. Bu nedenle, bu çalışma, çatlak bölgelerinin piksel bazında bölütlenmesi için denetimsiz bir görüntü çeviri modeli olan Döngüsel Çekişmeli Üretici Ağlar'ın (CycleGANs) kullanılmasını önermektedir. Her tek dönem için eğitilmiş ileri ve geri çevrim üreteçleri ve çift dönem için ayrımcılar ile yeni bir eğitim prosedürü benimsenmiştir. Eğitim için FCN (X. Yang ve diğerleri, 2018) ve drone (Ersoz ve diğerleri, 2017) görüntülerinden oluşan rijit bir kaplama veri seti toplanır. Model, doğru kesin bilgi etiketleri gerektirmediğinden, CrackForest, GAPS384, CrackTree200 ve Crack500 genel veri kümelerinden temel doğruluk çatlak etiketlerinin derlenmesiyle emek gerektirmeyen eşleştirilmemiş görüntü etiketleri elde edilir. Önerilen model, CrackForest algoritması (Shi ve diğerleri, 2016), FCN algoritması (X. Yang ve diğerleri, 2018) ve pix2pix modeli (Isola ve diğerleri, 2017) ile karşılaştırılabilir sonuçlar elde ederek 0,84'lük bir genel F1 puanı elde etmiştir.). Ayrıca geliştirilen model, insansız hava aracı veri setini test ederken CrackForest algoritması ve FCN denetimli modelden daha iyi performans göstermektedir. Son olarak, diskriminatör mimarisindeki değişimin etkisi ve üreteçte transfer öğrenme uygulaması araştırılmıştır. Tek sınıf bir ayrımcı mimarisi ve ImageNet'in önceden eğitilmiş ağırlıkların üretece yüklenmesinin en iyi performansı sağladığı gözlemlenmiştir