Geliştirilmiş DRA‑UNet kullanılarak madencilik kaynaklı yüzey çatlaklarının otomatik tespiti ve özellik analizi

Neden küçük zemin çatlakları önemli

Dünya kömür sahalarında yeraltı madenciliği üstteki zemini sessizce yarabilir. İlk bakışta kuru topraktaki ince saç kılını andıran çatlaklar, zamanla yağmur suyunu yönlendiren, yolları zayıflatan ve hatta heyelanlara ya da yapı hasarlarına yol açabilen uzun yüzey çatlaklarına dönüşebilir. Bu çatlakları yaya olarak incelemek yavaş, tehlikeli ve gözden kaçmaya çok elverişlidir. Bu çalışma, drone’lar ve yapay zekâ kullanılarak madencilik kaynaklı çatlakların ayrıntılı biçimde otomatik olarak tespit edilip ölçülebileceğini göstererek madencilik bölgelerinin daha güvenli ve sürdürülebilir tutulmasına güçlü bir araç sunuyor.

Havadan daha fazlasını görmek

Araştırmacılar, yeraltı kömür çıkarımının yüzeyde karmaşık bir çatlak ağı ürettiği Çin’in Mu Us Çölü kıyısındaki Huojitu Kömür Ocağına odaklandı. Çalışma alanı üzerinde yüksek çözünürlüklü kamerayla donatılmış endüstriyel bir dört rotorlu drone uçurdular; bu drone üç santimetrenin hemen altındaki özellikleri ayırdetmeye yetecek kadar keskin görüntüler yakaladı. Görüntüler geometrik ve parlaklık düzeltmelerinden geçirildikten sonra detaylı üstten haritalar oluşturmak için birleştirildi. İnsan yorumlayıcılar daha sonra görünen çatlakları dikkatle çizerek bilgisayara benzer sahnelerde ne araması gerektiğini öğretecek binlerce etiketli örnek üretti.

İnce çatlakları izlemeyi öğrenen bir sinir ağı eğitmek

Çalışmanın özünde, tıbbi görüntü segmentasyonu için geliştirilen bir derin sinir ağı türü olan geliştirilmiş DRA‑UNet adlı iyileştirilmiş bir görüntü analiz sistemi yatıyor. Model her drone görüntü karesini inceleyip piksel düzeyinde bunun bir çatlağa mı yoksa sağlam zemine mi ait olduğuna karar veriyor. Ekip klasik mimariyi üç önemli fikirle yükseltti: derin bir ağı eğitmeyi kolaylaştıran rezidüel bağlantılar, hem uzaysal hem renk kanallarındaki en bilgilendirici desenlere odaklanmaya yardımcı olan çift‑dikkat modülü ve birden çok genişlikteki çatlakları aynı anda arayan çok‑ölçekli modül. Özel olarak tasarlanmış bir kayıp fonksiyonu, ağın ince çatlakları kaçırmamasını ve kenarlarını temiz şekilde izlemesini daha da teşvik ediyor.

Çatlak haritalarından ölçülebilir şekillere

Model siyah‑beyaz bir çatlak haritası ürettikten sonra çalışma bir adım daha atıyor. İncelme (thinning) algoritması, her çatlağın sadece ortadaki "iskeleti"—kurumuş bir dere yatağının ortası gibi—kalmana kadar sınır piksellerini uzaklaştırıyor. Bu iskeleti kullanarak araştırmacılar her çatlağın uzunluğunu, ortalama genişliğini, alanını, yönünü ve dikdörtgensi ya da düzensiz olan konturunu hesaplıyor. Bu ölçümler, görüntülerin bilinen yer çözünürlüğü kullanılarak piksellerden gerçek dünya birimlerine dönüştürülüyor. Her çatlağa benzersiz bir kimlik ve sınırlayıcı dikdörtgen atayarak ekip şekilleri karşılaştırabiliyor, çatlakların nasıl büyüdüğünü izleyebiliyor ve bunları madenin yerleşimi ve ilerleme yönü ile ilişkilendirebiliyor.

Çatlak desenleri maden hakkında ne gösteriyor

Testler, geliştirilmiş DRA‑UNet’in madencilik alanı veri setinde birkaç tanınmış görüntü segmentasyon modelinden daha iyi performans gösterdiğini ve ayrıca yol ve kaldırım çatlaklarını içeren ayrı bir kıyas setine de güçlü biçimde genelleştirilebildiğini gösterdi. Özellikle çakıl, bitki örtüsü ve gölgelerle karışık arka planlarda ince, sönük çatlakları korumakta iyiydi. Ortaya çıkan ölçümler net eğilimleri açığa çıkardı: çoğu çatlak kısa, dar ve alan olarak küçük, birkaç uzun çatlak ise zemindeki deformasyonu yönlendiren ana çerçeveyi oluşturuyor. Çalışma cephe sınırlarına yakın bölgelerde çatlak yoğunluğu ve karmaşıklığın arttığını; bunun daha yüksek gerilme bölgeleriyle örtüştüğünü gösterdi. Kısa çatlaklar genellikle daha kıvrımlı ve dallanmışken, uzun olanlar baskın gerilme yönü boyunca düzleşiyor; bu da madenciliğin ilerlemesiyle yerel bozuklukların daha geniş gerilme alanlarına dönüştüğünü gösteriyor.

Bu, madencilik alanlarını daha güvenli tutmaya nasıl yardımcı olur

Uzman olmayanlar için temel mesaj, küçük yüzey çatlaklarının madenlerin üstündeki zemindeki daha derin değişikliklerin erken uyarı işaretleri olduğudur. Bu çalışma, denetçileri tehlikeli bölgelere göndermeden veya yavaş manuel haritalamaya bağlı kalmadan bu çatlakları havadan yüksek hassasiyetle bulup ölçmenin otomatik bir yolunu gösteriyor. Drone görüntülerini, akıllı sinir ağlarını ve şekil analizini birleştirerek çerçevenin nerede hasarın yoğunlaştığını ve nasıl zaman içinde evrildiğini vurgulayabileceği ortaya konuyor. Pratik açıdan bu, maden işletmecilerinin ve yerel yetkililerin geniş alanları daha sık izleyebilmesi, zemin çökmelerini daha iyi öngörebilmesi ve altyapıyı, ekosistemleri ve aktif kömür damarları üzerindeki toplulukları korumak için hafifletme çabalarını planlayabilmesi anlamına geliyor.

Atıf: Zhou, W., Zou, Y. & Chai, H. Automatic identification and feature analysis of Min-ing-Induced surface cracks using an improved DRA-UNet. Sci Rep 16, 6591 (2026). https://doi.org/10.1038/s41598-026-37548-1

Anahtar kelimeler: madencilik kaynaklı yüzey çatlakları, İHA çatlak haritalama, derin öğrenme segmentasyonu, zemin deformasyon izleme, jeoteknik tehlike değerlendirmesi