İHA tabanlı yapısal sağlık denetimlerinde verimli çatlak sınıflandırması için TinyML hattı

Göklerde Daha Akıllı Gözler

Köprüler, barajlar ve diğer kritik yapılar da insanlar gibi yaşlanır ve küçük çatlaklar gelecekteki arızaların erken uyarı işaretleri olabilir. Mühendisler giderek bu yüzeylerin fotoğraflarını çekmek için küçük dronlar gönderiyor; ancak bugün bu görüntülerin çoğu analiz için uzak sunuculara gönderilmek zorunda kalıyor, bu da pil gücünü tüketiyor ve veri gizliliğini riske atıyor. Bu makale, çatlak tespit eden “beyni” dronun üzerine binebilecek, milivat düzeyinde küçük bir çipe sığdırmanın yollarını araştırıyor; bu sayede denetimler daha hızlı, daha güvenli ve çok daha verimli hale geliyor.

Çatlaklar Neden Önemli

Yapıların sağlığını izlemenin geleneksel yöntemleri genellikle betona veya çeliğe civatalarla bağlanan ya da yapıştırılan temas sensörlerine dayanır. Bu sistemlerin kurulumu maliyetli olabilir ve genellikle hasar ilerledikten sonra sorunları tespit ederler. Görsel denetim daha doğrudan bir görüntü sunar, ancak insan denetçileri iskeleye çıkarmak veya trafik şeritlerine sokmak yavaş, riskli ve öznel olabilir. Kameralı küçük insansız hava araçları (İHA’lar) daha iyi bir yol vaat eder: köprü tablası ve duvarlar boyunca hızla tarama yapıp ince çatlakları ortaya çıkaran binlerce ayrıntılı fotoğraf çekebilirler. Zorluk, dronun sınırlı pil ömrü ve sıkça güvenilmez ağ bağlantıları varken bu verilerle ne yapılacağıdır.

Her Şeyi Buluta Göndermekteki Sorun

Çoğu mevcut sistem “uçta edinim–bulutta çıkarım” modelini izler. Dron yalnızca uçan bir kamera gibi davranır, görüntüleri güçlü bir bilgisayara aktarır ve o bilgisayar derin öğrenme modeli çalıştırarak betonun her parçasında çatlak olup olmadığına karar verir. Hesaplama açısından mantıklı görünse de bunun önemli dezavantajları vardır. Yüksek kaliteli görüntü akışı dronun pilini hızla tüketir ve uçuş süresini ciddi şekilde kısaltır. Kablosuz bağlantı koparsa veya zayıflarsa, denetim görevi tam da yanlış anda aksayabilir. Ayrıca stratejik altyapının ayrıntılı görüntülerini uzak sunuculara göndermek anlaşılır şekilde gizlilik ve güvenlik endişeleri doğurur. Bu gerilimler farklı bir yaklaşımı motive eder: zekayı doğrudan drona, dijital bir saatin gücünden biraz daha fazla olan donanıma yerleştirmek.

Beynini Küçük Bir Çipe Sığdırmak

Yazarlar, STM32H7 düşük güçlü mikrodenetleyici üzerinde çalışan uçtan uca bir hattı hayata geçirdiler ve MobileNetV1x0.25 adlı kompakt bir sinir ağı kullandılar. Yeni bir model icat etmek yerine, çevresindeki her şeye odaklandılar: görüntülerin nasıl ön işleme tabi tutulduğu ve modelin nasıl sıkıştırıldığı gibi. 50.000’den fazla betondan oluşan geniş çapta çalışılmış bir veri kümesi kullandılar; bu veri kümesi küçük yamalara bölünmüş ve “çatlak” veya “çatlak yok” olarak etiketlenmişti. Ardından bu yamaların küçük modele nasıl hazırlandığına dair farklı yöntemleri eğitip test ettiler. Bir yol, gri tonlamaya çevirme, kontrast artırma, gürültü giderme, pürüzsüzleştirme ve nihayetinde görüntüleri siyah-beyaz silüetlere dönüştürme gibi el ile tasarlanmış bir adımlar dizisini izledi. Diğer bir yol ise “açgözlü” bir arama stratejisiyle ön işleme zincirini adım adım kurdu ve her zaman modelin performansını gerçekten artıran kombinasyonu korudu.

Hattın Tatlı Noktasını Bulmak

Testler, daha fazla işlemenin her zaman daha iyi olmadığını gösterdi. Sert ikiliştirme ile biten manuel hat, aslında sinir ağına zarar veriyor; modelin ince çatlakları görebilmesi için ihtiyaç duyduğu hassas gölgelendirmeleri yok ediyordu. Buna karşılık, açgözlü arama daha basit iki adımın — gri tonlamaya çevirme ve ardından gürültüyü nazikçe yumuşatmak için medyan filtre uygulama — en iyi sonucu verdiğini buldu. Bunun üzerine ekip modeli sıkıştırmak için dört yöntemi sistematik olarak inceledi: tam hassasiyetten sekiz bit tamsayılara dönüştürme, modelin «nicemlenmiş» gibi davrandığı sırada eğitme (quantization-aware training), daha az önemli ağırlıkları budama ve benzer ağırlık değerlerini kümelendirme. Bu teknikleri tek tek ve kombinasyonlar halinde denediler, ardından ortaya çıkan modelleri mikrodenetleyici kartına dağıtıp yalnızca doğruluğu değil, ayrıca bellek kullanımı, işlem süresi ve karar başına enerji tüketimini ölçtüler.

Küçük Bilgisayar, Büyük Performans

Her açıdan en iyi seçim olarak bir yapı ortaya çıktı: medyan filtreli gri tonlama girişiyle beslenen ve sekiz bit formatında quantization-aware training ile budama (pruning) kombinasyonunu kullanan bir model. Bu kompakt düzen, gerçek çatlakları yakalama ile yanlış alarmlardan kaçınma dengesini ölçen F1 skorunda 0,938 değeri elde etti; bu, önceki cihaz üstü çatlak algılayıcılara kıyasla 11 puandan fazla bir artıştı. Aynı zamanda yalnızca yaklaşık 2,9 megabayt çalışma belleği, 309 kilobayt program depolama ve her görüntü yaması için yarım saniyenin altında bir işlem süresi gerektirdi. Her karar yaklaşık 0,6 joule enerji tüketiyordu. DJI Mini 4 Pro üzerine monte edildiğinde, bu çatlak sınıflandırıcısını sürekli çalıştırmak popüler, çok daha ağır uç bilişim kartlarının tükettiği pilin yaklaşık dörtte biri yerine yalnızca yaklaşık %4 kadar uçuş süresini azaltırdı.

Gerçek Dünya Denetimleri İçin Anlamı

Uzman olmayanlar için ana mesaj şudur: ciddi yapısal değerlendirmeler artık hassas görüntüleri uzak veri merkezlerine göndermeyi veya ağırlık ve güç açısında maliyetli bilgisayarları gökyüzüne taşımayı gerektirmiyor. Görüntülerin nasıl temizlendiğini ve sinir ağının nasıl sıkıştırıldığını dikkatle ayarlayarak, yazarlar baş parmak büyüklüğündeki bir çipin betondaki çatlakları güvenilir şekilde tespit edebileceğini ve dronun pilini neredeyse yemezken bunu yapabileceğini gösteriyor. Sistem hareketten kaynaklanan bulanıklığa ve değişen aydınlatma koşullarına karşı makul derecede dayanıklı kalıyor ve çatlak görüntülerin birçok sağlıklı yama arasında nadir olduğu durumlarda bile mantıklı davranıyor. Birlikte ele alındığında, bu sonuçlar dron tabanlı denetimleri, altyapımızı erken dönemde sorunları tespit eden zekâsı verimli ve ekonomik küçük İHA sürülerinin sessizce devriye gezeceği bir geleceğe daha da yaklaştırıyor.

Atıf: Zhang, Y., Nürnberg, A., Rau, L.S.M. et al. TinyML pipeline for efficient crack classification in UAV-based structural health inspections. Sci Rep 16, 8964 (2026). https://doi.org/10.1038/s41598-026-43534-4

Anahtar kelimeler: drone incelemesi, beton çatlakları, küçük makine öğrenimi, yapısal sağlık izleme, uç AI