UYDU GÖRÜNTÜLERİNDEN ALINAN HALKA AÇIK BİNALARIN DERİN ÖĞRENME YÖNTEMLERİYLE SINIFLANDIRILMASI VE PERFORMANS ÖLÇÜMÜ

Abstract

Günümüzde yapay zekânın her konuda uygulanabilir bir teknoloji olması nedeniyle birçok görsel ve ses verisi için kullanımı oldukça artmıştır. Gerek özel, gerekse kamu kurumları var olan yapılarının dışına çıkıp işlerin daha kolay ve hızlı yürütülebilmesi için çeşitli sınıflandırma algoritmaları ile çalışan sistemler geliştirir hale gelmiştir. Özellikle belediyelerde şehir ve bölge planlaması için yapılan çalışmalarda kullanılan görsel sınıflandırmalar, istenilen sonuçlara ulaşılması, detaylandırılması ve hızları bakımından yetersiz bulunmaktadır. Bu tip bina tespiti çalışmasının uydu verileri üzerinden sağlanması verilerin gerçekliğine katkı sağlarken, derin öğrenme algoritmasının test edilip en iyi performans ile gerçekleştirilmesi bu çalışmanın birçok kuruma ve/veya sektöre uyarlanabileceğini göstermektedir. İmge üzerinde yapılmış olan çalışmada halka açık (hastane, okul, hava limanı, cami ve saha) alanların tanımlanması sağlanmıştır. Kullanıma açık uydu görüntülerinden alınan 5 sınıfa ayrılmış toplam 300 imge üzerinde, derin öğrenme tabanlı YOLOv3 ve YOLOv5 kütüphanesi ile bina sınıflandırılası ve tespiti analiz edilmiştir. Veri seti üzerinde derin öğrenme için test ve eğitim verileri ayrılmıştır. Python dilinde tasarlanmış YOLOv3 ve YOLOv5 kütüphanesi algoritmaları ile imgeler eğitilmiştir. Eğitim adımı öncesinde ve sonrasında doğru sınıflandırılmış veri oranının kontrolü için daha hızlı bölgesel-evrişimsel sinir ağlar uygulanmıştır. Sınıflandırma sonuçları karşılaştırılmıştır. Bu halka açık binaların tespiti için Darknet-53 açık kaynaklı sinir ağı çerçevesi ile gerçek zamanlı nesne algılama sistemi YOLOv3 ve YOLOv5 derin öğrenme modelleri kullanılmıştır. Belirtilen bu binaların sınıflandırılması gerçekleştirilerek nitelikli ağırlık modeli oluşturulmuştur. Böylelikle ileriki ekobilişim alanındaki uzay görüntülerinde nesne tespitine katkı sağlanmıştır.Today, since artificial intelligence is a technology that can be applied in every subject, its use for many visual and audio data has increased considerably. Both private and public institutions have started to develop systems that work with various classification algorithms in order to go out of their existing structures and to carry out work easier and faster. Visual classifications used in studies for city and regional planning, especially in municipalities, are insufficient in terms of achieving desired results, elaboration and speed. While providing this type of building detection study through satellite data contributes to the authenticity of the data, testing the deep learning algorithm and performing it with the best performance shows that this study can be adapted to many institutions and / or sectors. In the study carried out on the image, it was ensured that the areas open to the public (hospital, school, airport, mosque and field) were defined. Building classification and detection were analyzed with the deep learning-based YOLOv3 and YOLOv5 library on 300 images, divided into 5 classes, taken from satellite images available for use. Test and training data are separated for deep learning on the data set. Images are trained with the algorithms of the YOLOv3 and YOLOv5 library designed in Python. Faster regional-convolutional neural networks were applied to control the correctly classified data rate before and after the training step. Classification results were compared. Darknet-53 open source neural network framework and real-time object detection system YOLOv3 and YOLOv5 deep learnings model were used to detect these public buildings. A qualified weight model was created by classifying these buildings. Thus, it contributed to object detection in space images in the future ecoinformatics field.