Uydu Görüntüleri Kullanılarak Kasırga Sonrası Hasarlı Binaların Sınıflandırılmasını İyileştirme

Abstract

Özellikle afet sonrası senaryolarda, bina hasarını değerlendirmek için etkili ve doğru yöntemlere olan ihtiyaç giderek artmaktadır. Geleneksel manuel inceleme zaman alıcı ve insan hatasına açık olduğundan, otomatik sistemlere olan ihtiyaç artmaktadır. Gelişmiş derin öğrenme modellerinden yararlanmak, görüntü sınıflandırmasının doğruluğunu ve hızını artırarak afetlere zamanında müdahaleye katkıda bulunabilir. Bu çalışma, görüntü verilerini kullanarak bina hasarı sınıflandırması için gelişmiş bir derin öğrenme modeli geliştirmeye odaklanmaktadır. Önerilen model, hem küresel hem de yerel özellikleri etkili bir şekilde yakalamak için transfer öğrenmesi için ResNet50'yi özel bir Evrişimli Sinir Ağı (CNN) ile birleştiren hibrit bir mimariden yararlanmaktadır. Kullanılan veri kümesi, farklı koşullar altında etiketlenmiş bina görüntülerini içermekte ve eğitim ve değerlendirme için çeşitli bir küme sağlamaktadır. Değerlendirme sonuçları, dengeli veri kümesinde %98,9, dengesiz veri kümesinde ise %98,01 doğruluk göstermiştir. Önerilen model, çeşitli modellerden daha iyi performans göstermiş ve farklı veri dağılımlarında sağlamlık göstermiştir. Çalışma, görüntü tabanlı sınıflandırma görevleri için transfer öğrenmesi ve özel olarak tasarlanmış CNN'leri birleştiren hibrit modellerin etkinliği hakkında bilgiler sunmaktadır.There is a growing need for efficient and accurate methods for assessing building damage, especially in post-disaster scenarios. Traditional manual inspection is time-consuming and prone to human error, highlighting the need for automated systems. Leveraging advanced deep learning models can improve the accuracy and speed of image classification, contributing to timely disaster response. This study focuses on developing an advanced deep learning model for building damage classification using image data. The proposed model leverages a hybrid architecture combining ResNet50 for transfer learning with a custom Convolutional Neural Network (CNN) to capture both global and local features effectively. The dataset used includes labeled images of buildings under different conditions, providing a diverse set for training and evaluation. The evaluation results showed an accuracy of 98.9% on the balanced dataset and 98.01% on the unbalanced dataset. The proposed model outperformed various models and demonstrated robustness across different data distributions. The study provides insights into the efficacy of hybrid models combining transfer learning and custom-designed CNNs for image-based classification tasks.