Online Makale
Online Hizmetlere Toplu Bakış
Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi
| Pamukkale Univ Muh Bilim Derg. Baskıdaki Makaleler: PAJES-93043 | DOI: 10.65206/pajes.93043 | |||
İHA tabanlı fotogrametrik veriler ile derin öğrenme destekli yol çatlaklarının otomatik tespitiMustafa Emre Döş1, Abdurahman Yasin YİĞİT2, Murat UYSAL31Hatay Mustafa Kemal Üniversitesi, Antakya Meslek Yüksekokulu, Mimarlık Ve Şehir Planlama Bölümü, Hatay2Mersin Üniversitesi, Mühendislik Fakültesi, Harita Mühendisliği Bölümü, Mersin 3Afyon Kocatepe Üniversitesi, Mühendislik Fakültesi, Harita Mühendisliği Bölümü, Afyonkarahisar Yol üstyapısının en üst tabakasında meydana gelen yüzey çatlakları, zamanında müdahale edilmediğinde yapısal bozulmalara ve bakım maliyetlerinin artmasına neden olmaktadır. Özellikle köprü yüzeyleri gibi kritik bileşenlerde çatlakların erken tespiti, yapısal bütünlüğün korunması açısından büyük önem taşımaktadır. Geleneksel denetim yöntemleri ise zaman alıcı, maliyetli ve genellikle öznel değerlendirmelere dayalıdır. Bu çalışma, çatlak tespiti sürecinde hem görsel hem de konumsal doğruluk sağlayan yeni nesil bir yaklaşım sunmak üzere, İnsansız Hava Aracı (İHA) görüntülemesi, fotogrametrik modelleme ve derin öğrenme tekniklerini entegre eden bütüncül bir yöntem önermektedir. Kırsal bir yol kesiminde toplanan yüksek çözünürlüklü görüntüler fotogrametri iş akışı ile değerlendirilmiştir. Yapılan doğruluk analizinde iç yöneltme (kamera kalibrasyonu) hatası, dengeleme sonrasında 1.83 mm olarak belirlenmiştir. Dış doğruluk (üç boyutlu (3B) konumsal hassasiyet) ise 2.14 mm Kök Ortalama Kare Hata (Root Mean Square Error – RMSE) değeriyle doğrulanmıştır. Elde edilen ortomozaik görüntüler üzerinde, Transformatör tabanlı CT-CrackSeg kullanılarak otomatik çatlak tespiti gerçekleştirildi. Çatlak maskeleri, saha gözlemleri ve referans ölçümlerle karşılaştırılmış; %92.5 Kesinlik (Precision), %88.3 Duyarlılık (Recall), %90.3 F1-Skoru ve %87.6 Birleşim Üzerinden Kesişim (Intersection over Union – IoU) metrik değerleri elde edilmiştir. Çalışma sonuçları, önerilen yöntemin özellikle düşük trafikli ve yapısal riski yüksek yüzeylerde hızlı, hassas ve tekrar üretilebilir çatlak tespiti için etkin bir çözüm sunduğunu göstermektedir. Yüksek çözünürlüklü, koordinatlı görüntülerin derin öğrenme ile bütünleşik kullanımı, çatlakların hem morfolojik hem de mekânsal analizi açısından literatürde öne çıkan güçlü bir uygulama senaryosu ortaya koymaktadır. Bu yaklaşım, yol bakım yönetim sistemlerine entegre edilerek, proaktif ve veri temelli karar destek mekanizmalarının gelişimine katkı sağlayabilecek niteliktedir. Anahtar Kelimeler: Derin öğrenme, Doğruluk analizi, İHA Fotogrametrisi, Segmentasyon, SfM, Yol çatlağı tespiti.Deep learning-assisted automatic road crack detection from UAV-based photogrammetric dataMustafa Emre Döş1, Abdurahman Yasin YİĞİT2, Murat UYSAL31Antakya Vocational School/Department of Architecture and Urban Planning, Hatay Mustafa Kemal University, Hatay, Turkey2Engineering Faculty, Geomatics Engineering Department, Mersin University, Mersin, Turkiye 3Engineering Faculty, Geomatics Engineering Department, Afyon Kocatepe University, Afyonkarahisar, Turkiye Surface cracks in pavement structure, if not addressed in a timely manner, can lead to structural deterioration and increased maintenance costs. Early detection of cracks, particularly on critical components such as bridge surfaces, is essential for preserving structural integrity. However, traditional inspection methods are time-consuming, costly, and often rely on subjective assessments. This study proposes an integrated, next-generation approach for crack detection that combines Unmanned Aerial Vehicle (UAV) imaging, photogrammetric modeling, and deep learning techniques to ensure both visual and positional accuracy. High-resolution images collected along a rural road section were evaluated using a photogrammetry workflow. In the accuracy analysis performed, the internal orientation (camera calibration) error was determined to be 1.83 mm after balancing. External accuracy (three-dimensional (3D) positional accuracy) was verified with a Root Mean Square Error (RMSE) value of 2.14 mm. On the resulting orthomosaic images, automatic crack detection was performed using Transformer-based CT-CrackSeg. The predicted crack masks were validated against field observations and reference measurements, yielding 92.5% Precision, 88.3% Recall, 90.3% F1-Score, and 87.6% Intersection over Union (IoU). The results demonstrate that the proposed method provides a reliable, repeatable, and practical solution for fast and accurate crack detection, particularly in low-traffic and structurally sensitive environments. The integration of high-resolution, georeferenced imagery with deep learning enables both morphological and spatial analysis of cracks, offering a powerful use case in current literature. This approach is well-suited for integration into road maintenance management systems and can support the development of proactive, data-driven decision support mechanisms. Keywords: Deep learning, Accuracy analysis, UAV photogrammetry, Segmentation, SfM, Crack detection.Sorumlu Yazar: Mustafa Emre Döş, Türkiye |
| ||
Tam Metin PDF
Yazdır
Alıntıyı İndir
RIS
E-Postala
Paylaş
Yazara e-posta gönder
Google Scholar