ATTENTİONPOOLMOBİLENEXT: YENİ BİR KONVOLÜSYONEL SİNİR AĞI VE DERİN ÖZELLİK MÜHENDİSLİĞİ MODELLERİNE DAYALI OTOMATİK İNŞAAT HASARI TESPİT MODELİ

Abstract

Türkiye, 2023 yılında, yapı hasarları nedeniyle milyonlarca insanı etkileyen bir dizi yıkıcı deprem yaşadı. Bu olaylar, afet müdahalesine yardımcı olacak ileri düzey otomatik hasar tespit modellerine olan acil ihtiyacı gözler önüne serdi. Bu araştırma, bu zorluğun üstesinden gelmek için modifiye edilen bir MobileNetV2 mimarisine dayanan yeni bir çözüm olan AttentionPoolMobileNeXt modelini tanıtmaktadır. Modelin etkinliğini titizlikle değerlendirmek amacıyla, beş farklı sınıfa ayrılmış inşaat hasarı örneklerinden oluşan bir veri seti özenle derlenmiştir. Bu veri setinin AttentionPoolMobileNeXt modeline uygulanmasıyla %97 doğruluk elde edilmiştir. Ayrıca, bu çalışma, sistemin sınıflandırma performansını ve yorumlanabilirliğini daha da artıran AttentionPoolMobileNeXt tabanlı Derin Özellik Mühendisliği (DFE) modelini tanıtarak katkısını genişletmektedir. DFE modeli, test sınıflandırma doğruluğunu %90.17'den %97'ye önemli ölçüde artırarak temel modelin üzerine çıkmıştır. AttentionPoolMobileNeXt ve DFE karşılığı, otomatik hasar tespitinde son teknolojiyi ilerleterek, afet müdahale ve iyileştirme çabaları için değerli bilgiler sunmaktadır.Türkiye experienced a series of devastating earthquakes, impacting millions of people due to the resultant construction damage in 2023. These events highlighted the urgent need for advanced automated damage detection models to aid in disaster response. This investigation introduces the AttentionPoolMobileNeXt model, a novel solution based on a modified MobileNetV2 architecture, to address this challenge. To rigorously assess the model's effectiveness, we meticulously curated a dataset of construction damage instances categorized into five distinct classes. The application of this dataset to the AttentionPoolMobileNeXt model yielded an accuracy of 97%. Additionally, this work extends its contribution by introducing the AttentionPoolMobileNeXt-based Deep Feature Engineering (DFE) model, which further enhances the system's classification performance and interpretability. The DFE model significantly improved test classification accuracy from 90.17% to 97%, surpassing the baseline model. Collectively, AttentionPoolMobileNeXt and its DFE counterpart advance the state-of-the-art in automated damage detection, providing valuable insights for disaster response and recovery efforts.