İletişimISSN:e-ISSN: 2980-0064
Yazar GirişiHakem GirişiYeni Üyelik
TürkçeEnglish
AnasayfaAmaç ve KapsamHAKKINDAYAZARLAR İÇİN REHBERMakale GönderSon SayıArşivİletişim

İnsansız Hava Araçları Destekli Derin Öğrenme İle Afet Yönetiminde Gelişmiş Gerçek Zamanlı Nesne Ve Hasar Tespiti

Rabia KIRATLI,Alperen EROĞLU

  • Rabia KIRATLI: Necmettin Erbakan UNİVERSİTESİ
  • Alperen EROĞLU: Necmettin Erbakan UNİVERSİTESİ
  •  Yıl : 2025
  •  Cilt : 4
  •  Sayı : 2
  •  Sayfa : 168-182
Doğal afetler sonrasında gerçekleştirilen arama kurtarma operasyonlarında insansız hava araçları tarafından elde edilen görüntülerin etkin bir şekilde kullanılması, hızlı ve doğru hasar tespiti için büyük önem taşımaktadır. Bu çalışma, deprem sonrası arama, kurtarma ve hasar tespit süreçlerinde kullanılmak üzere güncel YOLO algoritmalarından YOLOv8n ve YOLOv11n baz modellerini kullanılarak geliştirilen, gerçek zamanlı çok sınıflı nesne ve hasar tespit yaklaşımı sunmaktadır. Tespit hızını korumak için çoklu veri kümesi birleştirmeyi olumsuz koşul artırma ve hafif zamansal entegrasyonla birleştiren, insansız hava araçları ile izlenen felaketlere müdahale için gerçek zamanlı, video tabanlı alan genelleştirilmiş bir YOLO çerçevesi önerilmektedir. Bu makale kapsamında, VisDrone2019, VisDrone-Adverse Weather, DAWN, UAVDT, RescuNet ve diğer çevrim içi deprem görüntüleri toplanarak elde edilen veri kümelerinden derlenen, ayrıca çeşitli veri arttırma yöntemleri kullanılarak sis, duman, karanlık, yağmur ve toz gibi düşük görüş koşullarına sahip görüntülerle zenginleştirilen 8.754 görüntüden oluşan hibrit bir veri kümesi oluşturulmuştur. Veri artırma sürecinde, geometrik dönüşümler olarak rotasyon, yatay ve dikey çevirme ile ölçeklendirme, renk uzayı manipülasyonları olarak parlaklık, kontrast ve HSV ayarlamaları, çevresel koşul simülasyonları olarak sis, duman, karanlık, yağmur ve toz, ayrıca Gaussian gürültü ekleme ve rastgele piksel manipülasyonları uygulanmıştır. Ayrıca, modeller gerçek zamanlı video işleme ve nesne tespiti gerçekleştirmek üzere bu veri kümesi üzerinde eğitilerek afet bölgelerindeki dinamik koşullara hızlı adaptasyon sağlanması amaçlanmıştır. YOLOv11 tabanlı model, %92.1 mAP değeri ve 0.89 F1 puanı ile YOLOv8 tabanlı modele kıyasla en yüksek performansı gösterirken, zorlu çevre koşullarında ortalama %15 daha sağlam sonuçlar elde etmektedir. Bu çalışma doğrudan insansız hava aracı video akışları üzerinde çalışmakta ve dinamik afet sahnelerinde anlık adaptasyon ile zamansal tutarlılık sağlamaktadır. Önerilen yöntem, gerçek zamanlı nesne tespit performansı ve hasar sınıflandırma doğruluğu açısından kapsamlı bir şekilde değerlendirilmiş ve elde edilen sonuçlar, modelin afet yönetim süreçlerinde etkili bir şekilde kullanılabileceğini göstermiştir.
Atıf yapmak için : Kıratlı, R., & Eroğlu, A. (2025). İnsansız hava araçları destekli derin öğrenme ile afet yönetiminde gelişmiş gerçek zamanlı nesne ve hasar tespiti. Aerospace Research Letters (ASREL), 4(2), 168-182.

Çıkar İlişkisi : Hayir

Bu makale CC BY-NC 4.0 lisansı ile yayımlanmıştır.
Asrel Aerospace Research Letters
2025, Cilt4, Sayı2
E-ISSN: 2980-0064
Geliş Tarihi : , Kabul Tarihi : , Yayın Tarihi :

Kaynakça

  1. Akkoyunlu, M. C., & Azat, V. (2025). Raylı Sistemlerde Yolcu Yoğunluğunun Tespiti ve Yolcuların Yönlendirmesi. ASREL. https://doi.org/10.56753/asrel.2025.1.2
  2. Alfaro, M. C., Vidal, R. S., Delgadillo, R. M., Moya, L., & Casas, J. R. (2025). Structural Damage Detection Using an Unmanned Aerial Vehicle-Based 3D Model and Deep Learning on a Reinforced Concrete Arch Bridge. Infrastructures, 10(2), 33. https://doi.org/10.3390/infrastructures10020033
  3. Alsaaran, N., & Soudani, A. (2025). Deep Learning Image-Based Classification for Post-Earthquake Damage Level Prediction Using UAVs. Sensors, 25(17), 5406. https://doi.org/10.3390/s25175406
  4. Benson, A. R., Abebe, R., Schaub, M. T., Jadbabaie, A., & Kleinberg, J. (2018). Simplicial closure and higher-order link prediction. Proceedings of the National Academy of Sciences. https://doi.org/10.1073/pnas.1800683115
  5. Chen, C., Zheng, Z., Xu, T., Guo, S., Feng, S., Yao, W., & Lan, Y. (2023). Yolo-based uav technology: A review of the research and its applications. Drones, 7(3), 190. https://doi.org/10.3390/drones7030190
  6. Dallı, M., Soyluk, A., & Ürük, Z. F. (2023). The role of architects in search and rescue technologies: A comparative analysis of global examples and Türkiye. Journal of Architectural Sciences and Applications, 8(Special Issue), 103-123. https://doi.org/10.30785/mbud.1317265
  7. Deği̇rmen, S., Çavdur, F., & Sebatli, A. (2018). Afet Operasyonlari Yönetiminde Insansiz Hava Araçlarinin Kullanimi: Gözetleme Operasyonlari Için Rota Planlama. Deleted Journal, 23(4), 11–26. https://doi.org/10.17482/uumfd.455146
  8. Du, D., Zhu, P., Wen, L., Bian, X., Lin, H., Hu, Q., ... & Zhang, L. (2019). VisDrone-DET2019: The vision meets drone object detection in image challenge results. In Proceedings of the IEEE/CVF international conference on computer vision workshops (pp. 0-0).
  9. Gaur, S., & Kumar, J. S. (2025). LightDD: A lightweight model for disaster detection from aerial imagery. Multimedia Tools and Applications, 1-25. https://doi.org/10.1007/s11042-025-20926-8
  10. Hao, S., Zhao, Q., Ma, X., Wu, Y., Gao, S., Yang, C., & He, T. (2024). YOLO-MSFR: real-time natural disaster victim detection based on improved YOLOv5 network. Journal of Real-Time Image Processing, 21(1), 7. https://doi.org/10.1007/s11554-023-01383-8
  11. Ijaz, H., Ahmad, R., Ahmed, R., Ahmed, W., Kai, Y., & Jun, W. (2023). A UAV-assisted edge framework for real-time disaster management. IEEE Transactions on Geoscience and Remote Sensing, 61, 1-13. https://doi.org/10.1109/TGRS.2023.3306151
  12. Jia, J., & Ye, W. (2023). Deep learning for earthquake disaster assessment: objects, data, models, stages, challenges, and opportunities. Remote Sensing, 15(16), 4098. https://doi.org/10.3390/rs15164098
  13. Kıratlı, R., & Eroğlu, A. (2024). Monitoring Post-Earthquake Search and Rescue Operations through UAVs Vision: Teams, Equipment and Structural Damage Detection. In 2024 8th International Artificial Intelligence and Data Processing Symposium (IDAP) (pp. 1-7). IEEE. https://doi.org/10.1109/IDAP64064.2024.10710749
  14. Mavroulis, S., Mavrouli, M., Vassilakis, E., Argyropoulos, I., Carydis, P., & Lekkas, E. (2023). Debris management in Turkey provinces affected by the 6 February 2023 earthquakes: Challenges during recovery and potential health and environmental risks. Applied Sciences, 13(15), 8823. https://doi.org/10.3390/app13158823
  15. Rahnemoonfar, M., Chowdhury, T., & Murphy, R. (2023). RescueNet: a high resolution UAV semantic segmentation dataset for natural disaster damage assessment. Scientific Data, 10(1), 913. https://doi.org/10.1038/s41597-023-02799-4
  16. Song, H., Song, W., Cheng, L., Wei, Y., & Cui, J. (2023). PDD: Post-disaster dataset for human detection and performance evaluation. IEEE Transactions on Instrumentation and Measurement, 73, 1-14. https://doi.org/10.1109/TIM.2023.3346508
  17. Ulukavak, M., & Miman, M. (2020). Selection of the most proper unmanned aerial vehicle for transportation in emergency operations by using analytic hierarchy process. International Journal of Environment and Geoinformatics, 8(1), 78–91. https://doi.org/10.30897/ijegeo.760758
  18. Xia, H., Wu, J., Yao, J., Zhu, H., Gong, A., Yang, J., ... & Mo, F. (2023). A deep learning application for building damage assessment using ultra-high-resolution remote sensing imagery in Turkey earthquake. International Journal of Disaster Risk Science, 14(6), 947-962. https://doi.org/10.1007/s13753-023-00526-6
  19. Yang, X., del Rey Castillo, E., Zou, Y., & Wotherspoon, L. (2024). UAV-deployed deep learning network for real-time multi-class damage detection using model quantization techniques. Automation in Construction, 159, 105254. https://doi.org/10.1016/j.autcon.2023.105254
  20. Yu, H., Li, G., Zhang, W., Huang, Q., Du, D., Tian, Q., & Sebe, N. (2020). The Unmanned Aerial Vehicle Benchmark: Object Detection, Tracking and Baseline. International Journal of Computer Vision, 128(5), 1141–1159. doi:10.1007/s11263-019-01266-1
  21. Zhang, X., & Chou, C. H. (2024). Source-free domain adaptation for video object detection under adverse image conditions. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (pp. 5010-5019). https://doi.org/10.1109/CVPRW63382.2024.00507
  22. Zhou, Y., Li, J., Ou, C., Yan, D., Zhang, H., & Xue, X. (2025). Open-Vocabulary Object Detection in UAV Imagery: A Review and Future Perspectives. Drones, 9(8), 557. https://doi.org/10.3390/drones9080557