İnşaat faaliyetlerinin yapay zeka ile izlenmesi şantiye operasyonlarındaki verimlilik için önemli bir vazifedir. Bu nedenle işlenen konu literatürde oldukça ilgi görmüştür. Farklı çeşitlilikteki görevleri izleyerek ve tespit ederek inşaat alanlarındaki operasyonları başarılı bir şekilde eniyileştirmek, şantiye işlerinde kullanılabilen araçları belirlemede önemli bir rolü olan şantiye alanının boyutuna bağlıdır. Yapay zeka algoritmalarının inşaat makinelerini algılaması için eğitilerek, görüntü sınıflandırma algoritmaları aracılığıyla geniş alanları kapsayan bir izleme görevi yüksek verimlilikle gerçekleştirilebilir. İnsansız hava araçlarından alınan görüntülerin kullanılması çok geniş bir bölgedeki inşaat operasyonlarını tespit etme açısından verimsiz kalabilir. Dolayısıyla bu tezde, iş makinelerinin tespit edilmesi için uydu görüntüsü sınıflandırılması yapılmıştır. Evrişimli sinir ağlarını eğitmek için Google Earth kullanılarak sıfırdan oluşturulan ve inşaat makineleri görüntüleri içeren bir veri seti oluşturulmuştur. Toplamda 23 adet önceden eğitilmiş evrişimli sinir ağı modeli öğrenme aktarımı yöntemi kullanılarak modifiye edilmiştir ve performansları değerlendirilmiştir.
Monitoring construction activities with artificial intelligence is an important task for efficiency in construction site operations. Hence the topic received a fair amount of attention in the literature. Successfully optimizing construction site operations by monitoring and detecting various tasks is dependent on the size of the construction field, which determines the tools that can be used for the job. A monitoring task that covers large areas can be performed with high efficiency through image classification algorithms by training the algorithms to detect construction machinery. If the area of monitoring is larger such as the task of detecting construction operations in a large territory, using drone images might also become inefficient. Consequently, satellite image classification has been performed for construction machinery detection in this thesis. A dataset that contains construction machinery images created from scratch using Google Earth was used to train convolutional neural networks. A total of 23 different pre-trained convolutional neural network models were modified with the transfer learning method and their performance was evaluated.
