Derin Öğrenme Sınıflandırıcıları Kullanarak Bina Cephe Görüntülerinin Hızlı Görsel Tarama Analizi

Türkiye ve dünyada binaların deprem öncesi risk durumlarının hızlı bir şekilde belirlenebilmesi için farklı yöntemler kullanılmaktadır. Bu yöntemlerden en fazla kabul görmüş olanı, bina cephesine bağlı olarak yapılan hızlı görsel tarama yöntemidir. Bu yöntemde binaların risk öncelik durumu, dış cephe görüntüsü ve bölgesel depremsellik parametreleri kullanılarak hesaplanır. Binanın başlangıç puanından, binanın özellikle deprem performansını olumsuz yönde etkileyecek olan geometrik ve mekanik özelliklerinden aldığı ceza puanları çıkartılarak binanın nihai risk öncelik skoru bulunur. Binanın ceza puanlarının bulunmasında, binanın bitişik nizam olup olmadığı, yapısal düzensizlikler, kısa kolon oluşumu, geometrik düzensizlikler, zemin eğimi, ağır çıkma, asma kat durumu vs. gibi pek çok etmenin değerlendirilmesi gerekmektedir. Bu ceza puanlarının da tespiti sonucunda elde edilen nihai skorlar ile, söz konusu yapısal envanter içinde değerlendirilmesi yapılan binaların deprem risk durumuna göre öncelikleri tespit edilir. Deprem riski fazla olan pek çok ülkede kullanılan bu hızlı değerlendirme yöntemlerinin kullanımında ana problem bina yapı stokunun çok büyük olmasından dolayı, tüm binaların değerlendirilmesi çok fazla zaman ve insan kaynağına ihtiyaç duyulmasıdır. Bu sorunları ve insan hatalarını minimize etmek için yapay zekâ tabanlı bina cephe görüntülerini analiz eden sistemlerin geliştirilmesi oldukça önemli bir konudur. Bu tezde, hızlı görsel tarama yöntemlerinde kullanılan deprem davranışına etki ettiği bilinen iki ana parametre olan “binalarda çarpışma durumu” ve “ağır çıkma” etkilerinin bina cephe görseli üzerinden tespit edilebilen (çıkarabilen) bir algoritma geliştirilmiştir. Çalışmada makine öğrenme yöntemlerinden biri olan, derin öğrenme yöntemi kullanılmıştır. İki ayrı sınıflandırma gerçekleştirilmiştir. Sınıflandırmalar ikili sınıflardan oluşmaktadır. Her bir sınıf yaklaşık 2500 bina cephe görselinden oluşmaktadır. Çalışmada toplamda 10000 adet bina cephe görüntüsü kullanılmıştır. Derin öğrenme metodu olarak ise KSA (Konvolüsyonel Sinir Ağları) kullanılmıştır. Tezin temel amacı VGG19, SqueezeNet ve DarkNet53 KSA modellerini kullanarak bina cephe görüntülerinden, binaların deprem performansında etkili olduğu bilinen iki farklı parametrenin uzmana gerek kalmadan cephe görselleri ile derin öğrenme yöntemleri kullanılarak otomatik olarak elde edebilmektir. Bitişik nizam binaların sınıflandırılmasında en iyi başarımı (96.68%) DarkNet53 göstermiştir. Ağır çıkma binaların sınıflandırılmasında en iyi başarımı (88.62%) DarkNet53 göstermiştir.