Villa Dijital İkiz Modellemesi ve BIM Entegrasyonu | Data Geomatic
Mart 10, 2025
4D DRONE: Zamanı Yakalamanın Teknolojisi
Nisan 1, 2025
Geçmişi geleceğe taşıyoruz! Sultanahmet Alman Çeşmesi'nin Datageomatic tarafından hazırlanan 3D modeli, yapay zeka ve fotogrametrinin gücünü bir araya getiriyor. Bu çalışma, kültürel mirasımızın dijital arşivlenmesi için önemli bir adım. ✨ #Datageomatic #3D #Model #AI #ArtificialIntelligence #Photogrammetry #CulturalHeritage
Yönetici Özeti (BLUF)
Geleneksel SIFT ve SURF gibi özellik çıkarma algoritmaları, yansıtıcı veya dokusuz yüzeylerde (homojen alanlar) ortak piksel eşleştirmesi yaparken yüksek hata oranlarına (RMS error) ulaşmaktadır. Bu makalede incelenen AI (Artificial Intelligence) tabanlı Evrişimli Sinir Ağları (CNN), nesnelerin bağlamsal geometrisini okuyarak, elde edilen nokta bulutundaki (Point Cloud) parazitleri (noise) minimize eder. Data Geomatic olarak bu altyapıyı İHA fotogrametri projelerimizde aktif olarak kullanarak hata payını standartların altına çekiyoruz.
Yapay Zeka Destekli Fotogrametri Metodolojisi
Endüstri standardı olan klasik fotogrametri; drone kamerasıyla çekilmiş %80 bindirmeli (overlap) iki boyutlu fotoğraflar arasındaki ortak pikselleri bulmaya çalışır. Ancak SIFT (Scale-Invariant Feature Transform) algoritmaları; karla kaplı araziler, yansıtıcı cam cepheler, su yüzeyleri veya birbirini tekrar eden çöl kumları gibi “homojen” dokularda eşlenik nokta bulamaz. Bunun sonucunda üretilen 3 boyutlu ağ modelinde (Mesh) veri kaybı veya delikler oluşur.
2026 yılı mühendislik standartlarında uygulanan yapay zeka destekli fotogrametri iş akışları, kural tabanlı matematiğin ötesine geçer. CNN tabanlı derin öğrenme modelleri, pikselleri aramakla kalmaz; gölge ve ışık analizlerini yaparak nesnenin derinlik haritasını (depth map) sentezler. Bu sayede, geleneksel yazılımların işleyemediği zorlu şantiye koşullarında dahi eksiksiz bir topografik veri üretilir. Nitekim bu veri setleri endüstriyel lazer tarama sistemleriyle birleştirildiğinde (sensor fusion) ortaya tartışmasız bir dijital ikiz (Digital Twin) çıkar.
Yapay Zekanın Fotogrametrik İş Akışındaki Rolleri
Data Geomatic altyapısında çalışan AI algoritmaları, veri üretim proseslerini şu dört temel fazda optimize etmektedir:
1. Semantik Segmentasyon (Otomatik Sınıflandırma)
Klasik bir nokta bulutunda ağaç, bina, yol ve zemin koordinatları tek bir katmandadır. AI algoritmaları, milyarlarca noktayı saniyeler içinde analiz ederek bu nesneleri otomatik olarak sınıflandırır. Örneğin; bitki örtüsü (vegetation) algoritma tarafından silinerek kusursuz bir Çıplak Arazi Modeli (DTM) üretilir.
2. Otomatik Özellik Eşleme ve Registration
On binlerce hava fotoğrafının birleştirilmesinde kullanılan Bağlama Noktası (Tie-Point) çıkarma işlemi, sinir ağları sayesinde 4 kata kadar hızlanmıştır. Ayrıca bu veriler 3 boyutlu lazer tarama (LiDAR) istasyon verileriyle milimetrik olarak eşleştirilebilir.
3. Gürültü Filtreleme (Noise Reduction)
Rüzgârda hareket eden ağaç dalları veya tarama sırasında sahadan geçen iş makineleri, nokta bulutunda “ghosting” adı verilen sanal izler bırakır. Yapay zeka, statik olmayan bu verileri okur ve topografya bütünlüğünü bozmadan model içerisinden otomatik olarak temizler.
4. Super-Resolution ve Dikiş Çizgisi Optimizasyonu
Ortofoto üretiminde yaşanan en büyük sorun, fotoğrafların birleşim yerlerindeki renk (ışık/gölge) farkları ve bina kesilmeleridir. AI tabanlı Dikiş Çizgisi (Seamline) algoritmaları, birleşim hatlarını binaların etrafından dolaştırarak hatasız haritalar oluşturur.
Algoritma Performansı: Geleneksel vs. Yapay Zeka Destekli Fotogrametri
Geniş ölçekli altyapı projelerinde veri işleme (render) hızı operasyonel maliyeti doğrudan etkiler. Aşağıdaki tablo donanımsal ivmelenmenin metrik sonuçlarını özetlemektedir.
| Değerlendirme Kriteri | Geleneksel Fotogrametri Algoritmaları | Yapay Zeka (AI) Tabanlı Fotogrametri |
|---|---|---|
| Görüntü İşleme (Render) Süresi | İşlemciye (CPU) bağlı olarak günlerce sürer. | GPU ivmelendirmesi ile saatler içinde tamamlanır. |
| Semantik Sınıflandırma | Manuel fırça seçimleriyle insan emeği gerektirir. | Otonom olarak ağaç, zemin ve yapılar ayrıştırılır. |
| Yansımalı Yüzey Performansı | Veri kaybı yaşanır, modelde delikler (holes) oluşur. | Geometrik bağlam okunarak veri kaybı önlenir. |
| Ortofoto Dikiş (Seamline) Hataları | Binalar veya yollar üzerinde kesiklikler görülebilir. | Dikiş çizgileri binaların etrafından otonom dolaşır. |
2026’nın Ötesi: NeRF ve Gaussian Splatting Algoritmaları
Geomatik mühendisliği durmaksızın evrilmektedir. Data Geomatic olarak sistemlerimize entegre ettiğimiz yeni nesil sinir ağı teknolojileri, fiziksel gerçekliğin dijitalleşmesinde sınırları ortadan kaldırmaktadır.
NeRF (Neural Radiance Fields)
Geleneksel poligon (mesh) mantığını değiştiren NeRF, ışığın nesnelere nasıl çarptığını sinir ağları ile hesaplar. Çok az sayıdaki 2D hava fotoğrafından, fotorealistik (cam ve su yansımaları dahil) eksiksiz 3D sahneler sentezler. Özellikle mimari rölöve çalışmalarında yüksek görsel detay sunar.
3D Gaussian Splatting
Nokta bulutlarını sert pikseller yerine renk barındıran bulanık elipsler (gaussian damlacıkları) olarak oluşturur. Bu teknoloji, devasa maden sahalarının veya şehir modellerinin yüksek FPS hızlarında web tarayıcıları üzerinden dahi gerçek zamanlı incelenebilmesini sağlar.
Algoritma ve Veri İşleme Süreçleri Hakkında SSS
1. AI destekli fotogrametri için hangi lisanslı yazılımlar kullanılmaktadır?
Veri mimarimizde projenin ihtiyacına (nokta bulutu, ortofoto veya 3D Mesh) göre; Agisoft Metashape, Pix4Dmatic, DJI Terra ve Capturing Reality (RealityCapture) yazılımlarının yüksek işlemci gücü gerektiren güncel kurumsal lisanslı sürümleri kullanılmaktadır.
2. Yapay zeka entegrasyonu ile veri işleme süresi ne kadar kısalmaktadır?
Klasik algoritmalarla (CPU tabanlı) 5.000 fotoğraflık bir drone haritalama projesinin işlenmesi 3-4 gün sürerken; GPU (Ekran Kartı) hızlandırmalı derin öğrenme modelleri sayesinde aynı veri seti saatler içinde hatasız olarak çözümlenmektedir.
3. GSD (Yer Örnekleme Mesafesi) kalitesi yapay zeka ile sentetik olarak artırılabilir mi?
Evet. Drone’un yasal kısıtlamalar nedeniyle yüksekten uçtuğu senaryolarda, AI destekli “Super-Resolution” algoritmaları mevcut pikselleri analiz ederek fotoğraf çözünürlüğünü (GSD değerini) matematiksel olarak artırabilmektedir.
4. Havadan alınan görüntüler yersel LiDAR verileriyle birleştirilebilir mi?
Kesinlikle evet. Multimodal füzyon teknikleri sayesinde, İHA kameralarından elde edilen fotogrametrik nokta bulutu ile yersel 3 boyutlu lazer tarama istasyonlarının (TLS) verileri aynı koordinat sisteminde birleştirilmektedir.
Data Geomatic olarak yürüttüğümüz tüm veri işleme ve fotogrametrik modelleme faaliyetleri, resmi Hizmet Koşulları bildirgelerimize ve Gizlilik Politikası (KVKK) standartlarımıza tabidir.
Uğur Bilen
Proje Lideri & Geomatik Mühendisi
Yıldız Teknik Üniversitesi (2006) mezunudur. Veri mimarisi ve jeodezik ölçüm teknikleri üzerine uzmanlaşmıştır. Data Geomatic bünyesinde; yapay zeka destekli İHA fotogrametrisi, 3D LiDAR entegrasyonu ve gelişmiş algoritmik veri analizi operasyonlarını koordine etmektedir.
