Deprem sonrası yıkılmış yapıların derin öğrenme ve ortogörüntüler ile otomatik tespiti

Abstract

Deprem kaynaklı yapısal yıkımlar insan hayatı ve güvenliği için ciddi bir tehdit oluşturmaktadır. Bu bağlamda, deprem sonrası elde edilen yüksek çözünürlüklü ortogörüntülerden yıkılmış yapıların hızlı ve doğru biçimde tespiti, afet müdahale süreçlerinin etkinliği açısından büyük önem taşımaktadır. Bu çalışma, derin öğrenme tabanlı YOLOv12 model ailesine ait farklı varyantların (N, S, M, L, X), yıkılmış bina tespiti görevindeki performanslarını karşılaştırmalı olarak analiz etmektedir. Eğitim sürecinden elde edilen değerlendirme metrikleri, tüm modellerin istikrarlı bir öğrenme süreci gösterdiğini ve aşırı uyum (overfitting) eğilimi sergilemediğini ortaya koymuştur. Özellikle YOLOv12-M modeli, doğruluk (AP: 0.940) ve kaynak verimliliği açısından en dengeli sonuçları sunarken, L ve X varyantları benzer başarı düzeylerini korumakla birlikte; sahne karmaşıklığının arttığı durumlarda daha yüksek geri çağırma (recall) oranları ile dikkat çekmiştir. Bununla birlikte, üç modelin de benzer doğruluk seviyelerine sahip olması, uygulama senaryosuna göre donanım ve işlem süresi gereksinimlerine bağlı olarak esnek seçim imkânı sunmaktadır. Ayrıca çalışmada, klasik derin öğrenme iş akışına ek işlem yükü getirmeden model çıktılarını coğrafi koordinatlara dönüştürebilen bir yöntem önerilmiştir. Bu bağlamda, ortogörüntüler hem piksel hem de coğrafi koordinatlarda 640×640 boyutlarında parçalara bölünmüş ve tespit edilen nesnelerin sınırlayıcı kutuları ve merkez nokta koordinatları otomatik olarak elde edilmiştir Böylece tespit edilen yıkılmış yapılar, coğrafi tabanlı karar destek sistemleri ile bütünleştirilebilir hale getirilmiştir. Sonuçlar, önerilen yöntemin yüksek doğrulukta ve konumsal bilgiye dayalı yıkılmış yapı tespitlerini mümkün kıldığını, özellikle afet yönetimi gibi zaman ve konum hassasiyetinin kritik olduğu alanlarda uygulanabilirliğe sahip olduğunu ortaya koymaktadır.