SavedAdd your journal

Journals / Geomatik / 2026 / Cilt: 11 Sayı: 1

Derin Öğrenme ile İHA Görüntüleri Tabanlı Yığma Duvar Segmentasyonu

Ozan Öztürk(Recep Tayyip Erdoğan Üniversitesi)0000-0002-5979-6360
Journal
Geomatik
Pages
120–128
Publication Date
2025-12-16
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Derin öğrenme tabanlı segmentasyon yöntemlerinin kültürel miras belgelenmesine entegre edilebileceğini ve İHA destekli görüntüleme süreçlerinin saha kaynaklı sınırlamaları önemli ölçüde azaltabileceğini göstermektedir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Yığma taş duvarların belgelenmesi, kültürel mirasın ve dolayısıyla tarihi yapılar hakkındaki önemli bilgilerin korunması açısından büyük önem taşımaktadır.
📊
Key Findings & Data:Derin öğrenme model eğitimi için doğal ve restore edilmiş duvar yüzeylerinden oluşturulan iki farklı veri seti oluşturulmuştur.
💡
Conclusion & Impact:Derin öğrenme tabanlı segmentasyon yöntemlerinin kültürel miras belgelenmesine entegre edilebileceğini ve İHA destekli görüntüleme süreçlerinin saha kaynaklı sınırlamaları önemli ölçüde azaltabileceğini göstermektedir.
🔬Design:Modeling & Simulation
📍Scope:Comprehensive Sample
⚙️Variables:Yığma Duvar Segmentasyonu · Kültürel Miras · Derin Öğrenme

Özet

Yığma taş duvarların belgelenmesi, kültürel mirasın ve dolayısıyla tarihi yapılar hakkındaki önemli bilgilerin korunması açısından büyük önem taşımaktadır. Ancak bu tür yapıların belgelendirilmesi hem fiziksel erişim kısıtları hem de yapı elemanlarının biçimsel çeşitliliği nedeniyle çeşitli zorlukları barındırmaktadır. Bu çalışmada, İHA görüntüleri aracılığıyla yığma taş duvarların segmentasyonunu gerçekleştirmek üzere U-Net tabanlı bir derin öğrenme yöntemi önerilmektedir. Çalışma, Rize il sınırları içerisinde bulunan Zil Kale’nin İHA ile elde edilen görüntüleri üzerinde gerçekleştirilmiştir. Derin öğrenme model eğitimi için doğal ve restore edilmiş duvar yüzeylerinden oluşturulan iki farklı veri seti oluşturulmuştur. Eğitimlerden elde edilen sonuçlara göre, restore edilmiş yüzeylerde hem Recall hem de F1-Score metriklerinde %93 düzeyine ulaşılmıştır. Daha karmaşık arka planlara sahip doğal yüzeylerde ise %88 Recall ve %86 F1-Score değerleri ile modelin bu çeşitliliği de yeterli düzeyde algılayabildiği gözlemlenmiştir. Ayrıca görsel analizler, modelin hem doğal hem de düzensiz yüzeylerde taş kenarlarını hassas bir biçimde yakaladığını, taş geometrisinin tutarlı biçimde korunduğunu ve arka plan karmaşıklığından sınırlı düzeyde etkilendiğini göstermektedir. Bu nicel ve niteliksel sonuçlar yaklaşımın farklı yığma duvar tiplerinde uygulanabilir olduğunu ortaya koymaktadır. Derin öğrenme tabanlı segmentasyon yöntemlerinin kültürel miras belgelenmesine entegre edilebileceğini ve İHA destekli görüntüleme süreçlerinin saha kaynaklı sınırlamaları önemli ölçüde azaltabileceğini göstermektedir.

🔖

Cite This Article

Öztürk, O. (2025). Derin Öğrenme ile İHA Görüntüleri Tabanlı Yığma Duvar Segmentasyonu. Geomatik, Cilt: 11 Sayı: 1, 120–128. https://doi.org/10.29128/geomatik.1801243

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (35)

  1. Marangoz, A. M., & Özen, M. (2020). Tarihi Yerleşim Alanlarının Yersel Fotogrametrik Yöntem ile 3B Modellenmesi: Zeynel Bey Türbesi Örneği. Türkiye Fotogrametri Dergisi, 2(1), 1-6.
  2. Erdal, K., & Makineci, H. B. (2021). Documentation of Cultural Heritage with Backpack LiDAR Usage on Photogrammetric Purpose. Türkiye Lidar Dergisi, 3(1), 1-6. https://doi.org/10.51946/melid.921032
  3. Günen, M. A., Öztürk, K. F., & Aliyazıcıoğlu, Ş. (2025). Optimizing Visibility of Historical Structures Using mWDE: Insights from the Kromni Valley, Gümüşhane, Türkiye. International Journal of Engineering and Geosciences, 10(1), 107-126. https://doi.org/10.26833/ijeg.1529351
  4. Bozdoğan, Ö., Yaman, A., & Yılmaz, H. M. (2022). An analysis on the corrosion of a cultural heritage. International Journal of Engineering and Geosciences, 7(2), 112-127. https://doi.org/10.26833/ijeg.891616
  5. Alyilmaz, C., Alyilmaz, S., & Yakar, M. (2010). Measurement of petroglyhps (rock of arts) of Qobustan with close range photogrammetry. International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences, 38(Part 5), 29-32.
  6. Forster, A., Valero, E., Bosché, F., Hyslop, E., & Wilson, L. (2024). Digital Toolkit to Assist the Interpretation of Traditional Masonry Construction. International Journal of Architectural Heritage, 18(5), 725-739. https://doi.org/10.1080/15583058.2023.2182729
  7. Yakar, M., & Doğan, Y. (2017). Mersin Silifke Mezgit Kale Anıt Mezarı Fotogrametrik Rölöve Alımı Ve Üç Boyutlu Modelleme Çalışması. Geomatik, 2(1), 11-17. https://doi.org/10.29128/geomatik.296763
  8. Loverdos, D., & Sarhosis, V. (2023). Geometrical digital twins of masonry structures for documentation and structural assessment using machine learning. Engineering Structures, 275, 115256. /https://doi.org/10.1016/j.engstruct.2022.115256
  9. Karataş, L. (2023). Yersel lazer tarama yöntemi ve ortofotoların kullanımı ile kültür varlıklarının cephelerindeki malzeme bozulmalarının dokümantasyonu: Mardin Mungan Konağı örneği. Geomatik, 8(2), 152-162. https://doi.org/10.29128/geomatik.1147639
  10. Wang, T., Zhang, J., Chen, W., Chun, Q., & Sun, J. (2025). Pixel-level segmentation of spalling in masonry structures based on deep learning. Engineering Structures, 340, 120686. https://doi.org/ 10.1007/s13349-024-00904-8
  11. Zhang, J., Qiu, H., & Sun, J. (2025). Automatic detection of mortar loss on masonry building facades based on deep learning. Journal of Civil Structural Health Monitoring, 1-12. https://doi.org/10.1016/j.engstruct.2025.120686
  12. Kasem Agha, K., & Uzun, C. (2025). Point Cloud Semantic Segmentation of Building Elements of Fatih Mosque, Istanbul. Journal of Architectural Sciences and Applications, 10(1), 30-54. https://doi.org/10.30785/mbud.1586902
  13. Fornaciari, L. (2025). AI and Deep Learning for Image-Based Segmentation of Ancient Masonry: A Digital Methodology for Mensiochronology of Roman Brick. Heritage, 8(7). https://doi.org/10.3390/heritage8070241
  14. Oses, N., & Dornaika, F. (2013). Image-Based Delineation of Built Heritage Masonry for Automatic Classification. Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 7950 LNCS, 782-789. https://doi.org/10.1007/978-3-642-39094-4_90
  15. Oses, N., Dornaika, F., & Moujahid, A. (2014). Image-Based Delineation and Classification of Built Heritage Masonry. Remote Sensing, 6(3), 1863-1889. https://doi.org/10.3390/rs6031863
  16. Valero, E., Forster, A., Bosché, F., Hyslop, E., Wilson, L., & Turmel, A. (2019). Automated defect detection and classification in ashlar masonry walls using machine learning. Automation in Construction, 106, 102846. https://doi.org/10.1016/j.autcon.2019.102846
  17. Loverdos, D., & Sarhosis, V. (2022). Automatic image-based brick segmentation and crack detection of masonry walls using machine learning. Automation in Construction, 140, 104389. https://doi.org/10.1016/j.autcon.2022.104389
  18. Dreier, A., Tobies, A., Kuhlmann, H., & Klingbeil, L. (2025). Stone instance segmentation of rubble masonry based on laser scanning point clouds. Measurement, 242, 115905. https://doi.org/10.1016/j.measurement.2024.115905
  19. Ibrahim Yahya and Nagy, B. and B. C. (2019). CNN-Based Watershed Marker Extraction for Brick Segmentation in Masonry Walls. Içinde A. and Y. A. Karray Fakhri and Campilho (Ed.), Image Analysis and Recognition (ss. 332-344). Cham: Springer International Publishing.
  20. Yu, R., Li, P., Shan, J., & Zhu, H. (2022). Structural state estimation of earthquake-damaged building structures by using UAV photogrammetry and point cloud segmentation. Measurement, 202, 111858. https://doi.org/10.1016/j.measurement.2022.111858
  21. Rocha, J. H. A., Gonzales, R. J. R., Castro, N. C. R., Rosas, M. H., Campos, A. A., Chileno, N. G. C., & Lordsleem Júnior, A. C. (2025). The Utilization of Unmanned Aerial Vehicles (UAVs) in Cultural Heritage Buildings: A Systematic Literature Review. Iranian Journal of Science and Technology, Transactions of Civil Engineering, 49(3), 2241-2256. https://doi.org/10.1007/s40996-024-01523-5
  22. Alyılmaz, C., Yakar, M. & Yılmaz, H. M. (2010). Drawing of petroglyphs in Mongolia By Close Range Photogrammetry. Scientific-Research and Essays, 5(11), 1216–1222.
  23. Polat, Y., & Tamsü Polat, R. (2025). Arkeolojik Belgelemede Teknolojik Yaklaşımlar: Yazılıkaya/Midas Kale Çalışmaları. Geomatik, 10(3), 364-374. https://doi.org/10.29128/geomatik.1643529
  24. Öztürk, O., Bilgilioğlu, B. B., Çelik, M. F., Bilgilioğlu, S. S., & Uluğ, R. (2017). İnsanız Hava Aracı (İHA) Görüntüleri İle Ortofoto Üretiminde Yükseklik Ve Kamera Açısının Doğruluğa Etkisinin Araştırılması. Geomatik, 2(3), 135-142. https://doi.org/10.29128/geomatik.327049
  25. Yakar, M. (2011). Using close range photogrammetry to measure the position of inaccessible geological features. Experimental Techniques, 35(1), 54-59. https://doi.org/10.26833/ijeg.1487818
  26. Özdemir, E., Çallı, R., & Kartal, S. (2024). Utilization of unmanned aerial vehicles for the detection and localization of deteriorations in historical structures: a case study of Ishak Pasha Palace. International Journal of Engineering and Geosciences, 9(3), 377-389. https://doi.org/10.26833/ijeg.1464867
  27. Yakar, M., Yilmaz, H. M., & Yurt, K. (2010). The effect of grid resolution in defining terrain surface. Experimental Techniques, 34(6), 23-29. https://doi.org/10.53093/mephoj.1198605
  28. Rize İl Kültür ve Turizm Müdürlüğü. (t.y.). Zil Kale. Erişim tarihi: 26 Eylül 2025, https://rize.ktb.gov.tr/TR-347095/zil-kale.html
  29. Ibrahim, Y., Szulovszky, P., & Benedek, C. (2023). Masonry Structure Analysis, Completion and Style Transfer Using a Deep Neural Network (ss. 155-168). https://doi.org/10.1007/978-3-031-37731-0_13
  30. Ronneberger, O., Fischer, P., & Brox, T. (2015, October). U-net: Convolutional networks for biomedical image segmentation. In International Conference on Medical image computing and computer-assisted intervention (pp. 234-241). Cham: Springer international publishing.
  31. Pavel Iakubovskii. (2019). Segmentation Models Pytorch. GitHub repository. https://github.com/qubvel/segmentation_models.pytorch
  32. Deng, J., Dong, W., Socher, R., Li, L.-J., Kai Li, & Li Fei-Fei. (2009). ImageNet: A large-scale hierarchical image database. Içinde 2009 IEEE Conference on Computer Vision and Pattern Recognition (ss. 248-255). IEEE. https://doi.org/10.1109/CVPR.2009.5206848
  33. Akiba, T., Sano, S., Yanase, T., Ohta, T., & Koyama, M. (2019, July). Optuna: A next-generation hyperparameter optimization framework. In Proceedings of the 25th ACM SIGKDD international conference on knowledge discovery & data mining (pp. 2623-2631).
  34. Yakar, M. (2011). Using close range photogrammetry to measure the position of inaccessible geological features. Experimental Techniques, 35(1), 54-59. https://doi.org/10.26833/ijeg.1487818
  35. Yakar, M., Yilmaz, H. M., & Yurt, K. (2010). The effect of grid resolution in defining terrain surface. Experimental Techniques, 34(6), 23-29. https://doi.org/10.53093/mephoj.1198605