Bu tədqiqat, bina xarici fasad istilik izolyasiya sistemlerindeki strukturşma vəziyyətinu strukturya zarar vermeden dəyərləndirmək amacıyla yer radarı ölçmələri ilə çox modullu süni intellektyı birleştiren ucdan-uca bir üsul təklif edir. Sistem; normal strukturşma, izolyasiya lövhəsi ilə strukturşdırıcı məhlul arasındaki üst ayrılma və strukturşdırıcı məhlul ilə əsas divar arasındaki alt səth ayrılması olmak üzere üç durumu təsnifatlandırır.

Tədqiqatçılar, yalnızca radar görüntüsünün görsel biçimine dayanan üsullerin zəif əks-sədaları kaçırabiləceğini və birbirine benzeyen ayrılma tiplerini ayırt etmekte zorlanabiləceğini belirtmektedir. Önerilən sistem bu problemu üç aşamayla ele almaktadır. İlk aşamada radar siqnalınin fiziki xüsusiyyətləriyle B-tarama görüntüsünün görsel xüsusiləri birlikte işlenmekte və zəif əks-sədalar üçün ek aday bölgeler oluşturulmaktadır. İkinci aşamada komşu tarama kesitlerindeki bilgilər, kiçik mövqe sürüşmələri düzeltilərek birləşdirilir. Son aşamada fiziksel anlam taşıyan əllə layihələndirilmiş xüsusilər, dərin sinir şəbəkəsinın öğrendiği xüsusilərle birleştirilərek XGBoost təsnifatlandırıcistilikna aktarılmaktadır.

Verilər, tədqiqatçıların geliştirdiği 16 məlumatcili və 16 qəbuledicilı, 4–8 GHz tədqiqat aralığına sahip üç boyutlu kademeli tezliklı yer radarı ilə toplanmıştır. Laboratuvar təcrübələrinde fərqli izolyasiya kalınlıkları və 2–9 millimetr arasında değişen yapay ayrılma boşluqları istifadə edilmişdir. Gerçek saha məlumatlari isə Pekin’in Tongzhou Rayonu’ndeki bir xəstəxananin dört cephesinden əldə edilmişdir. Toplam 1.902 nümunə; 1.331 təlim, 380 doğrulama və 191 test örneğine ayrılmışdır.

Önerilən əks-səda algılama modulü, daha katı konum doğruluğu ölçütü olan mAP@0.5:0.95 dəyərinde 0,9194’e ulaşmıştır. Bu nəticə Faster R-CNN üçün 0,8046, YOLOv7 üçün 0,8000 və DINO-DETR üçün 0,8481 kimi bildirilmişdir. Nihai üç siniflı sistem, 191 nümunəten yaranan test dəstinde yüzde 92 dəqiqlik elde etmiştir. Test nəticələrinda normal strukturşmanın duyarlılığı yüzde 97, alt səth ayrılmasının kesinliği yüzde 95, daha az örneğe sahip üst ayrılma sinifının kesinliği yüzde 93 və duyarlılığı yüzde 88 kimi raporlanmıştır.

Bu nəticələr, yer radarı siqnalınin fiziksel bilgisinin görüntü xüsusiləriyle birleştirilmesinin zəif əks-sədaların bulunmasını və benzer kusur tiplerinin ayrılmasını geliştirebiləceğini göstərir. Lakin tədqiqat rəyçi qiymətləndirməsindən keçməmişdir. Test kümesi yalnızca 191 nümunəten oluşmakta, tamamen bağımsız bir bina və ya şehir üzərində xarici doğrulama sunulmamaktadır. Modelin işlem müddəti, cephedeki gerçek skan sürəti və geniş miqyaslı saha istifadəsindaki hata nisbətları da ölçülmemiştir.

Türkiyə baxımından dəyərləndirmə: Yöntem; Türkiyədə hasdənələr, okullar, kamu binaları, toplu konutlar və yüksek katlı strukturlardaki xarici fasad istilik izolyasiya lövhələrinın strukturşma vəziyyətinu zarar vermeden incelemeye yönelik araşdırmalarda kullanılabilir. Bunun üçün Türkiyədə yaygın EPS və XPS levhalar, fərqli strukturştırma məhlulları, sıva və kaplama türleri, bina yaşları, iklim etkiləri və tətbiq kusurlarıyla yerli məlumat kümeleri oluşturulmalıdır. Yeni binaların tamamı təlim məlumatsinden ayrı tutularak bina bazlı dış test strukturlmalı; radar nəticələri kontrollü söküm, karot, termal görüntüleme və ya uzman incelemesiyle doğrulanmalıdır. Bu tədqiqatdan Türkiyədə birbaşa yüzde 92 başarı, mevzuata uygunluk, cephe inamliği kararı və ya kusursuz saha tespiti sonucu çıkarılamaz.

Araşdırmanın ele aldığı mühendislik problemi

Dış cephe istilik izolyasiya lövhələrinın duvara yetərli biçimde bağlanmaması; enerji performansını, sistemin dayanıklılığını və cephe inamliğini etkiləyebilir. Ayrılma, izolyasiya lövhəsi ilə strukturşdırıcı məhlul arasında və ya strukturşdırıcı məhlul ilə taşıyıcı duvar arasında oluşabilir. Bu iki kusur geometrik kimi birbirine benzese də struktur üçündeki derinlikleri və elektromanyetik əks-səda xüsusiləri fərqlidır.

Görsel inceleme və yüzeye vurma gibi geleneksel üsuller geniş cephelerin dəyərlendirilmesinde kişiye bağlı nəticələr yarada bilər. Karot və ya söküm gibi üsuller birbaşa bilgi sağlasa da strukturya zarar məlumatr və bütün cepheyi incelemek üçün uygun değildir. Yer radarı isə yüksek tezliklı elektromanyetik dalgalar göndererek fərqli material sınırlarından dönen əks-sədaları kaydeder. Böylece duvarın üçündeki bağlanma qatları yüzey bozulmadan incelenebilir.

Bununla belə xarici fasad izolyasiyaındaki ayrılmaların radar görüntüsü her zaman aydın değildir. Malzemelerin dielektrik xüsusiləri birbirine yakın olduğunda yansıma zəiflayabilir. Tarama çizgisi kusurun tam üzərindən geçmediğinde əks-səda yalnızca kenardan kaydediləbilir. Çevresel gürültü, yüzey düzensizliği və fərqli tətbiq qatları da görüntüde bulanıklık və ya yanlış hedefler yarada bilər.

Tədqiqatda siniflandırılan üç strukturşma vəziyyəti

Alt səth ayrılması daha derinde bulunduğu üçün elektromanyetik dalga fərqli qat sınırlarından geçmekte və çoxlu yansımalar oluşturabilmektedir. Tədqiqatçılar bu durumun bazı tekstura, enerji yoğunluğu və zamanla bağlı sönüm xüsusilərinde fərqlilık meydana getirdiğini belirtmektedir.

Önerilən sistemin genel işlem hattı

Tədqiqatın 5. sayfasındaki Şekil 1, ham yer radarı B-tarama məlumatsinden son strukturşma vəziyyəti kararına uzanan üç modullü sistemi göstərir:

1. Yankı hedefinin bulunması: Fiziksel siqnal xüsusiləri və görüntü teksturasu birlikte istifadə edilərək şübhəli əks-səda bölgeleri belirlenmektedir.
2. Komşu kesitlerin birleştirilmesi: Aynı kusuru fərqli konumlardan görən tarama çizgiləri hizalanmakta və zəif əks-sədalar güçlendirilmektedir.
3. Yapışma durumunun siniflandırılması: Elle tasarlanmış fiziki xüsusiyyətlərle derin ağ xüsusiləri birleştirilərek üç siniflı XGBoost modeline məlumatlmektedir.

Bu struktur, yalnızca görüntü üzərindəki şekle bakan tek bir derin öğrenme modelinden fərqlidır. Radar siqnalınin enerji, tezlik, tekstura və sönüm bilgiləri işlem hattının fərqli noktalarında birbaşa kullanılmaktadır.

Yer radarı sistemi və ölçmə şərtlərı

Ölçümler, tədqiqatçılar tarafından geliştirilən 16 məlumatcili və 16 qəbuledicilı MIMO dizilimli üç boyutlu kademeli tezliklı bir yer radarı ilə gerçekleştirilmiştir. Sistem 4–8 GHz aralığında tədqiqatkta və yakın alan parazitik bağlaşım kullanan özel yüksek kazançlı antenler içermektedir.

Yüksek tezlik aralığı, xarici fasad izolyasiyaı gibi yüzeye yakın və millimetr-santimetr miqyaslı qatların ayrıntılı incelenmesini amaçlamaktadır. Bununla belə yüksek tezliklı radar dalgalarının nüfuz derinliği və performansı, araşdırılan materialın elektromanyetik xüsusilərine və nem şərtlərına bağlıdır.

Laboratuvar təcrübələri nasıl hazırlanmışdır?

İç və dış ortam laboratoriya düzeneklerinde XPS tipi ekstrüde polistiren izolyasiya lövhələri istifadə edilmişdir. Tədqiqatda iki izolyasiya kalınlığı aralığı belirtilmektedir:

• 4,6–5 santimetr,
• 9,5–10,5 santimetr.

Yapıştırma harcı 1:4 su-çimento nisbətiyla hazırlanmış və normal strukturşmada məhlul kalınlığı 1 santimetr kimi tətbiq edilmişdir. Üst və alt yüzey ayrılmaları; 2, 3, 5, 7 və 9 millimetrlik yapay boşluqlar oluşturularak modellenmiştir.

Tarama adımları iki doğrultuda 0,01 metre və 0,035 metre kimi müəyyən edilmişdir. Her təcrübə şərtu üç kez tekrar edilmiş və laboratoriya tədqiqatlarından 1.326 geçerli B-tarama məlumatsi əldə edilmişdir.

Gerçek bina ölçmələri

Saha ölçmələri, Pekin’in Tongzhou Rayonu’ndeki İkinci Hastanenin yataklı tedavi binasında gerçekleştirilmiştir. Tədqiqatya görə bina 2006 yılında strukturlmış, yer üstünde 10 və yer altında bir kata sahip, toplam 7.370,28 kvadrat metr kapalı alana və təxminən 3.000 kvadrat metr xarici divar alanına sahiptir.

Yapının xarici fasadında 70 millimetr kalınlığında EPS levhalar istifadə edilmişdir. Tədqiqatçılar doğu, güney, batı və kuzey cephelerde erişiləbilən bölgeleri anteni duvara temas ettirerek dikey yönde taramış və 576 geçerli B-tarama örneği toplamıştır. Tədqiqatın 6. sayfasındaki Şekil 5, gerçek cephe taramasını və əldə edilən derinlik kesiti görüntülərini göstərir.

Veri kümesinin sinif dağılımı

Üst ayrılma sinifı məlumat kümesinin yalnızca yüzde 6,6’sını yaratmaqtadır. Tədqiqatçılar kiçik sinifın təlim və ya doğrulama kümelerinde kaybolmasını önlemek üçün tabakalı nümunəleme kullanmıştır. Lakin tabakalı nümunəleme, az sayıdaki örneğin bağımsız çeşitliliğini artırmaz; yalnızca sinif nisbətlarının bölünmelerde korunmasını sağlar.

Verilərin təlim, doğrulama və teste ayrılması

Tədqiqat test dəstinin saha ölçmələrini də içerdiğini belirtmektedir. Bununla belə laboratoriya və gerçek bina məlumatlarinin bina və ya təcrübə düzeneği bazında tamamen ayrıldığı açıklanmamıştır. Aynı təcrübə alanından və ya eyni binadan benzer taramaların fərqli məlumat bölümlerine düşmüş olması mümkündür. Bu nedenle test sonucu, tamamen yeni bir binaya aktarımın birbaşa kanıtı değildir.

Radar məlumatsi nasıl ön işlenmiştir?

Ham tezlik alanı məlumatlarine yumuşatılmış bir kesme penceresi tətbiq edilmişdir. Geçiş aralığı 4–8 GHz kimi belirlenmiş, 4–6 GHz arasında yükselen və 6–8 GHz arasında azalan kosinüs kenarları istifadə edilmişdir. Amaç bant dışı gürültüyü və ani kesimden mənbəlanan Gibbs etkisini azaltmaktır.

Filtrelenen tezlik məlumatlari ters Fourier çevrilməüyle zaman alanına geçirilmiş və sıfır-zaman düzeltmesi tətbiq edilmişdir. Tədqiqatçılar, fərqli bölgelerin şiddetini yapay biçimde değiştirmemek üçün kazanç düzeltmesi kullanmadıklarını belirtmektedir. Daha sonra küresel normalleştirme və hedef zaman aralığının kesilmesi gerçekleştirilmiştir.

Birinci modul: Sinyal və görüntünün birlikte kullanılması

İlk modulün amacı, radar görüntüsündeki əks-səda hedeflerini sərhəd qutularıyla bulmaktır. Tədqiqatın 7. sayfasındaki Şekil 6, bu modulün ayrıntılı mimarisini göstərir.

Yedi fiziksel siqnal özelliği

Ham B-tarama məlumatsinden yedi kanallı fiziksel özellik xəritəsı çıkarılmıştır:

• Yerel enerji dağılımı,
• Enerji qradiyentı,
• Yerel tekstura varyansı,
• Zamansal tezlik spektru,
• Yerel orta,
• Çapraz korelasyon katsayistilik,
• Yerel asimmetriya.

Bu xüsusilər; enerji yoğunlaşması, ani kenar değişimi, tekstura düzensizliği, tezlik içeriği, yerli parlaklık, tekrarlayan örüntü və dağılım asimetrisi gibi fiziki xüsusiyyətləri temsil etmeyi amaçlamaktadır.

Üç ayırdetməte siqnal kodlama

Sinyal xüsusiləri yüksek, orta və aşağı ayırdetməlü üç düzeyde işlenmektedir. Yüksek ayırdetmə kiçik və aydın enerji tepelerini korumakta, orta ayırdetmə yerli struktur ilə çevre bağlamını dengelemekte, aşağı ayırdetmə isə zəif və geniş alanlı əks-səda örüntülerini toplamaktadır.

Çapraz kipli diqqət mexanizmi

Görsel xüsusilər sorgu, fiziksel siqnal xüsusiləri anahtar və dəyər kimi istifadə edilmişdir. Tədqiqatdaki əsas işlem şu biçimdedir:

\[ A_i= \operatorname{Softmax} \left( \frac{Q_{V_i}K_{S_i}^{T}}{\sqrt{D}} \right) \]

\[ F_{\mathrm{fused},i}=A_iV_{S_i}+V_i \]

Burada \(V_i\) görsel xüsusiləri, \(S_i\) siqnal xüsusilərini, \(A_i\) isə siqnal bölgelerinin görsel temsil üzərindəki dikkat ağırlığını göstərir. Sistem böylece yalnızca görüntüde aydın çizgiləre değil, fiziksel enerji və ya tezlik göstergesi taşıyan bölgelere də odaklanmaktadır.

Görsel və siqnal tabanlı iki aday yolu

Görsel adaylar, Bölge Öneri Ağı tarafından yoğun biçimde üretilmektedir. Zayıf əks-sədaların kaçırılmasını azaltmak amacıyla siqnal enerjisi xəritəları üzərində ikinci bir yol kullanılmaktadır. Her miqyaste yerli maksimumlar belirlendikten sonra ən yüksək enerjili 100 nokta seçilmiştir.

Bu noktaların çevresinde görüntü genişliğinin yüzde 15’i və yüksekliğinin yüzde 8’i böyüklüğünde sabit nisbətlı namizəd qutular yaradılmışdır. Görsel və siqnal adayları birleştirilmiş, yinelenen kutular maksimum olmayan bastırma üsuluyle elenmiş və kalan bölgeler RoIAlign tabanlı təsnifatlandırma-konum düzeltme başlığına aktarılmıştır.

İkinci modul: Komşu radar kəsitlərinin birleştirilmesi

Yer radarı tarama çizgisi kusurun tam üzərindən geçtiğinde əks-səda güclü və bütün olabilir. Aynı kusurun kenarından geçen komşu çizgilərde isə əks-səda daha zəif, əskik və hafifçe kaymış görünür. Tek kesit kullanılması bu bilgilərin kaybedilmesine yol açabilir.

Tədqiqatın 8. sayfasındaki Şekil 7, eyni hedefe ait 4–25 komşu kesitin birlikte işlendiği deformasiya uyarlamalı füzyon ağını göstərir.

Tenengrad ilə sözde hedef seçimi

Net və kusursuz bir gerçek referans görüntüsü bulunmadığı üçün model kendi təlim hedefini kesit grubundan seçmektedir. En yüksek qradiyent enerjisine sahip kesit, sözde net hedef kimi müəyyən edilmişdir:

\[ I_{\mathrm{ref}} = \underset{I_k\in\{I_1,\ldots,I_K\}}{\operatorname{argmax}} \operatorname{Tenengrad}(I_k) \]

\[ \operatorname{Tenengrad}(I_k) = \frac{1}{H W} \sum_{i=1}^{H} \sum_{j=1}^{W} \sqrt{G_x(i,j)^2+G_y(i,j)^2} \]

Tenengrad dəyəri, yatay və dikey qradiyentların böyüklüğü üzərindən görüntü kenarlarının aydınliğini ölçmektedir. Daha yüksek dəyər, daha keskin görüntü kimi yorumlanmıştır.

Diğer kesitlere Gauss bulanıqlığı, Gauss səs-küyü və parlaklık-kontrast değişimleri uygulanarak zəiflamış mühendislik şərtlərı taklit edilmiştir. Model, bu bozulmuş girdilərden seçilmiş sözde hedefe yakın bir görüntü üretmeyi öğrenmiştir.

Kesit düzeyinde və piksel düzeyinde ağırlıklar

Her kesit üçün genel bilgi dəyərini gösteren bir kesit ağırlığı hesablanmışdır. Həmçinin her pikselin ne kadar inamılir olduğunu belirleyen 0–1 aralığında bir inam xəritəsi istehsal edilmişdir. Gürültülü və ya bulanık bölgeler daha düşük, aydın əks-səda bölgeleri daha yüksek ağırlık almıştır.

Birleşik ağırlıklar şu mantıkla yaradılmışdır:

\[ M_{kij} = \omega^{\mathrm{slice}}_k\,c_k(i,j) \]

\[ W_{kij} = \frac{\exp(M_{kij})} {\sum_{k'=1}^{K}\exp(M_{k'ij})} \]

Hizalanmış kesit xüsusiləri bu ağırlıklarla toplanmıştır:

\[ F_{\mathrm{fused}} = \sum_{k=1}^{K} W_{kij}\odot\widetilde{F}_k \]

Deformasyon uyarlamalı konum düzeltmesi

Komşu taramalardaki kiçik uzamsal kaymalar, ağın öğrendiği deformasiya alanlarıyla alt piksel düzeyinde düzeltilmiştir. Varsayılan kayma aralığı parametresi 2,0 kimi məlumatlmiştir. Hizalama, ayrı bir klasik kayıt algoritması yerine ağ üçünde iki doğrusal enterpolasyonla strukturlmıştır.

Çok miqyaslı və üretici çekişmeli iyiləştirme

Sığ tekstura, orta düzey yerli struktur və derin anlamsal xüsusilər, Xüsusiyyət Piramidası Şəbəkəsi benzeri strukturyla birleştirilmiştir. Eğitim başlangıcında L1 və Yapısal Benzerlik İndeksi kayıpları istifadə edilmişdir:

\[ L_{\mathrm{base}} = \alpha L_{L1} + \beta(1-\operatorname{SSIM}) \]

Tədqiqatda \(\alpha=1\) və \(\beta=1\) seçilmiştir. Eğitim sabit hâle geldikten sonra VGG-16 tabanlı perseptual itki və PatchGAN üretici çekişmeli kaybı eklenmiştir:

\[ L_{\mathrm{total}} = L_{\mathrm{base}} + \lambda_{\mathrm{perc}}L_{\mathrm{perc}} + \lambda_{\mathrm{adv}}L_{\mathrm{adv}} \]

Algısal və çekişmeli kayıp ağırlıkları etkinleştirildiğinde 0,01 kimi istifadə edilmişdir.

Üçüncü modul: Fiziksel və dərin xüsusiyyətlərin birleştirilmesi

İyiləştirilmiş əks-səda bölgeleri üç siniftan birine ayrılmadan əvvəl iki paralel özellik kolunda işlenmiştir. Tədqiqatın 10. sayfasındaki Şekil 8, bu təsnifatlandırma akışını göstərir.

Fiziksel anlam taşıyan 21 özellik

Değiştirilmiş diferansiyel sönüm indeksi, ardışık zaman noktalarındaki mutlak genlik değişimini ölçmektedir:

\[ \operatorname{MDDI}(x,t) = \frac{|A(x,t+1)-A(x,t)|} {A(x,t+1)+A(x,t)+\varepsilon} \frac{1}{\Delta t} \]

Burada \(\varepsilon=10^{-12}\), sıfıra bölmeyi önlemek üçün istifadə edilən kiçik sabittir. Tədqiqatçılar xüsusilə hava boşluğu içeren alt yüzey ayrılmalarında çoxlu yansımaların MDDI ortası, varyansı və birikimli enerjiyi artırabiləceğini belirtmektedir.

128 boyutlu dərin xüsusiyyətlər

Derin özellik kolunda tek kanallı radar görüntülərine uyarlanmış ResNet-18 istifadə edilmişdir. ImageNet üzərində öğrenilmiş üç kanallı ilk qat ağırlıkları, kanallar boyunca ortalanarak tek kanallı girişe çevrilmişdir. Böylece kenar və tekstura algılama bilgisinin korunması, kiçik məlumat kümesinde sıfırdan təlime görə aşırı öğrenmenin azaltılması hədəflənmişdir.

Küresel orta havuzlama və tam keçidlı qatdan sonra 128 boyutlu derin özellik vektörü əldə edilmişdir.

149 boyutlu birleşik özellik matrisi

Yirmi bir fiziksel özellik ilə 128 derin özellik birleştirilərek 149 boyutlu özellik vektörü yaradılmışdır. Bütün xüsusilər standartlaştırılmış və çox siniflı XGBoost modeline aktarılmıştır.

Tədqiqatçılar fiziki xüsusiyyətləri vektörün başına yerleştirmenin karar ağaçlarının əvvəllikle bu xüsusilərle bölünmesini sağlayacağını iləri sürmektedir. Lakin XGBoost’un özellik seçimi yalnızca sütun sırasına bağlı değildir; hangi özelliğin əvvəl kullanılacağı, təlim sırasında sağladığı bölünme kazancıyla belirlenir. Bu nedenle vektörde əvvəl bulunması, fiziki xüsusiyyətlərin mutlaka əvvəlliklendiriləceğini tek başına garanti etmez.

Şekil və cədvəlların gösterdiği əsas nəticələr

Yankı hedeflerinin bulunması

13. sayfadaki Şekil 9, önerilən sistem ilə Faster R-CNN, YOLOv7 və DETR’nin eyni radar kəsitləri üzərindəki sərhəd qutularını qarşılaştırmaktadır. Önerilən üsul, görsel kimi zəif bazı əks-sədaları ek kutularla yakalamaktadır. Lakin görsel nümunəler seçilmiş kesitlerdir; bütün test məlumat kümesindeki davranış nicel cədvəllarla birlikte dəyərlendirilmelidir.

Komşu kesitlerin iyiləştirilmesi

14. sayfadaki Şekil 10’da her nümunə üçün zəif giriş və iyiləştirilmiş çıktı yan yana sunulmuştur. Çıktılarda əks-səda çizgiləri daha keskin və yüksek kontrastlı görünmektedir. Lakin təlim hedefi gerçek və kusursuz bir ölçmə değil, kesit grubundaki ən yüksək Tenengrad dəyərine sahip sözde hedeftir. Bu nedenle iyiləştirme, gerçek fiziksel strukturnın əskiksiz yeniden oluşturulduğu anlamına gelmez.

Nihai təsnifatlandırma nümunələri

16. sayfadaki Şekil 11, laboratoriya və saha ölçmələrinden seçilmiş sekiz örneği göstərir. Her görüntünün üzərində gerçek sinif, tahmin edilən sinif və model inamı bulunmaktadır. Gösterilən nümunəler doğru təsnifatlandırılmışdır; yanlış siniflandırılan 15 örneğin görselleri həmçinin sunulmamıştır.

Tədqiqatın desteklediği nəticələr

• Radar siqnalınin fiziki xüsusiyyətləriyle görüntü xüsusilərinin birlikte kullanılması, daha katı konum doğruluğu ölçütünde yalnız görsel üsullerden daha yüksek nəticə üretmiştir.
• Sinyal enerjisine dayalı seyrek namizəd qutular, zəif əks-sədalardaki kaçırılan hedefleri azaltmışdır.
• Komşu kesitlerin ağırlıklı və deformasiya uyarlamalı birleştirilmesi, istifadə edilən görüntü kalite ölçütlerinin tamamını geliştirmiştir.
• Fiziksel xüsusilərle dərin xüsusiyyətlərin birlikte kullanıldığı XGBoost modeli, eyni test dəstinde qarşılaştırılan üç görsel ağdan daha yüksek genel dəqiqlik təmin etmişdir.
• Az nümunəli üst ayrılma sinifı test dəstinde yüzde 93 dəqiqlik, yüzde 88 həssaslıq və yüzde 90 F1 skoru göstərmişdir.
• Laboratuvar məlumatsine ek kimi gerçek bir binadan alınan ölçmələrin bulunması, üsulun yalnızca sentetik görüntülər üzərində sınanmadığını göstərir.

Tədqiqatın kanıtlamadığı noktalar

• Modelin Türkiyədəki və ya başka ülkelerdeki fərqli bina sistemlerinde yüzde 92 dəqiqlikla çalışacağını sübut etmir.
• Test kümesinin tamamen fərqli bir binadan oluşturulduğu gösterilmediği üçün yeni bina genellemesini kesinleştirmemektedir.
• Modelin belirlediği her ayrılmanın gerçek söküm və ya karot sonucuyla doğrulandığını göstermemektedir.
• Yüzde 92 dəqiqlik, cephe inamliği və ya kaplama düşme riskinin yüzde 92 dəqiqlikla tahmin edildiği anlamına gelmemektedir.
• Ayrılmanın alanını, hacmini, derinliğini və ya struktur əhəmiyyətini nicel kimi hesablamamaktadır.
• Gerçek zamanlı tarama, mobil cihazda tədqiqat və ya saha operatörünün anlık karar vermesi üçün işlem sürətinı ölçmemektedir.
• Nem, temperatur, metal keçidlar, fərqli sıva türleri və yüzey kaplamalarının performans üzərindəki etkisini ayrı təcrübələrle incelememektedir.
• Modelin başka radar sistemleri və tezlik aralıklarıyla eyni başarıyı koruyacağını göstermemektedir.
• Bağımsız bir araşdırma grubu tarafından yeniden üretilmiş nəticələr sunmamaktadır.

Tədqiqatın güclü yönleri

Tədqiqatın en mühüm güclü yönü, problemu tek bir görüntü təsnifatlandırma ağına reduksiyamesidir. Fiziksel radar xüsusiləri hedef bulma, kesit hizalama və son təsnifatlandırma aşamalarına dâhil edilmiştir. Böylece zəif əks-sədalar üçün görsel örüntülerin yanında ölçmə fiziğinden gelen ek bilgi kullanılmaktadır.

Her əsas komponent üçün ayrı ablasyon təcrübəinin strukturlması da hangi modulün hangi ölçüte töhfə sağladığını görmeyi mümkün kılmaktadır. Karşılaştırma modellerinin eyni məlumat kümesinde eğitilip dəyərlendirilmesi, yalnızca başka nəşrlardan alınmış nəticələrin yan yana konulmasından daha güclü bir qarşılaştırma təqdim edir.

Laboratuvar düzenekleriyle gerçek bina məlumatlarinin birlikte kullanılması, yalnızca simülasyona dayanan tədqiqatlara görə daha gerçekçi bir məlumat çeşitliliği təmin edir. Özellikle az nümunəli üst ayrılma sinifının ayrı dəqiqlik və həssaslıq dəyərlərinin məlumatlmesi, yalnızca genel dəqiqlik üzərindən dəyərləndirmə strukturlmasını önlemektedir.

Başlıca məhdudlıklar

• Tədqiqat rəyçi qiymətləndirməsindən keçməmiş preprintdir.
• Yüklenen mətn anonimleştirilmiştir; müəllif və qurum bilgiləri tədqiqat üçünde bulunmamaktadır.
• Qaynaq atıflarının mühüm bölümü sual işareti biçiminde bozuk yer tutuculardır və mənbəça dosyada bulunmamaktadır.
• Toplam məlumat kümesinin yalnızca 126 örneği üst ayrılma sinifına aittir.
• Veri bölünmesi bina və ya təcrübə düzeneği bazında xarici doğrulama yerine genel tabakalı nümunəlemeyle strukturlmıştır.
• Aynı hedefin komşu kesitlerinin və ya tekrar taramalarının fərqli məlumat bölümlerine düşmediğini gösteren grup tabanlı bölme açıklanmamıştır.
• Bağımsız şehir, bina, radar cihazı və ya araşdırma ekibi üzərində dış test bulunmamaktadır.
• Qaynaq kod və xam məlumat erişimi belirtilmemiştir.
• XGBoost’un ayrıntılı hiperparametreleri və rastgelelik tohumları məlumatlmemiştir.
• Sonuçlar tek çalıştırma dəyərləri kimi sunulmuş; standart sapma, etibarlılıq intervalı və ya tekrarlı təlim dağılımları raporlanmamıştır.
• Modeller arasındaki farklar üçün istatistiksel anlamlılık testi strukturlmamıştır.
• İşlem müddəti, saniyə başına tarama, bellek istifadəsi və saha cihazına aktarım ölçülmemiştir.
• Gerçek ayrılmaların bağımsız tahribatlı doğrulama üsulu ayrıntılı biçimde açıklanmamıştır.

Gelecekte strukturlması gereken tədqiqatlar

Yeni araşdırmalarda her bina tamamen ayrı bir grup kimi ele alınmalı və təlimde hiç görülmeyen binalar dış test üçün kullanılmalıdır. Farklı şehir, iklim, cephe yönü, levha materialsi, məhlul, sıva, nem və bina yaşı içeren çox merkezli məlumatlar toplanmalıdır.

Radar tahminleri kontrollü söküm, karot, endoskopi, termal görüntüleme və ya uzman tarafından işaretlenmiş gerçek kusur xəritəlarıyla qarşılaştırılmalıdır. Böylece yalnız sinif etiketi değil, ayrılmanın gerçek konumu, alanı, kalınlığı və derinliği də nicel kimi dəyərlendiriləbilir.

Model, daha kiçik ağlara dönüştürülerek saha bilgisayarları və ya uç cihazlar üzərində test edilmeli; skan sürəti, gecikme, güç tüketimi və operatör iş yükü raporlanmalıdır. Belirsiz tahminlerin uzmana yönlendirilmesini sağlayan inam kalibrasiyau və sinif dışı nümunə algılama mekanizmaları da eklenmelidir.

Tədqiqatın Yöntemi və Bulguları

Deneysel strukturlandırmanın özeti

Yazılım və donanım ortamı

Yankı algılama modulünün ablasyon nəticələri

Tam model dəqiqlik və mAP@0.5:0.95 açistilikndan ən yüksək sonucu vermiştir. Lakin tədqiqat metnindeki “bütün ölçütlerde en iyi” ifadesi tam kimi doğru değildir: çapraz diqqət mexanizmi çıkarılan sürümün mAP@0.5 dəyəri 0,9999, tam modelin dəyəri isə 0,9993’tür. Aradaki fark çox kiçik olsa da cədvəl sessizce değiştirilmemelidir.

Seyrek aday mekanizmasının çıkarılması duyarlılığı 0,9999’dan 0,9528’e düşürmüştür. Bu nəticə, siqnal enerjisinden üretilən ek namizəd qutuların kaçırılan zəif əks-sədaları bulmada mühüm rol oynadığını desteklemektedir.

Yankı algılamada diğer modellerle qarşılaştırma

Önerilən model, mAP@0.5:0.95 ölçütünde Faster R-CNN’den 11,48, YOLOv7’den 11,94 və DINO-DETR’den 7,13 yüzde puanı daha yüksek nəticə vermiştir. Bu ölçüt, sınır kutusunun gerçek hedefle fərqli örtüşme eşiklerinde ne kadar doğru hizalandığını ölçmektedir.

Bununla belə YOLOv7’nin kesinliği 0,9853 ilə önerilən modelin 0,9271 dəyərindən yüksəktir. Önerilən sistemin avantajı bütün ölçütlerde mutlak üstünlük değil; xüsusilə həssaslıq və sıkı konum doğruluğu dengesidir.

Kesitler arası füzyon ablasyonu

Tam model dört görüntü kalite ölçütünde də ən yüksək sonucu üretmiştir. Deformasyon alanının kaldırılması PSNR və uzamsal tezlikı ən aşağı düzeylere indirmiştir. Bu durum komşu kesitlerdeki kiçik konum fərqlilıklarının düzeltilmesinin əhəmiyyətini desteklemektedir.

Buradaki PSNR və SSIM dəyərləri gerçek, kusursuz bir fiziksel hedefe qarşı değil, Tenengrad üsuluyle seçilmiş sözde hedef kesite görə hesablanmışdır. Buna görə dəyərler modullar arası qarşılaştırma üçün yararlıdır; fiziksel gerçeğin mutlak yeniden strukturlandırma doğruluğunu göstermez.

Doğrulama kümesinde təsnifatlandırma qarşılaştırması

Tədqiqat həmçinin derin CNN kodlayıcistiliknın 80 dmühümk təlim sırasında 50. dəhəmiyyətde yüzde 94,87 doğrulama doğruluğuna ulaştığını belirtmektedir. Bu dəyər, son hibrit təsnifatlandırıcının cədvəlda məlumatlen yüzde 94 genel doğrulama doğruluğuyla eyni ölçmə kimi dəyərlendirilmemelidir; biri kodlayıcının təlim müddətcindeki ən yüksək dəyərini, diğeri son qarşılaştırma sonucunu ifade etmektedir.

Test kümesinde sinif bazlı nəticələr

Toplam 191 test örneğinin 15’i yanlış təsnifatlandırılmışdır. Bu sayı:

\[ \frac{15}{191}\times100 \approx 7{,}85\% \]

nisbətinda hataya, təxminən yüzde 92,15 doğruluğa qarşılık gelmektedir və tədqiqat tarafından yüzde 92 kimi yuvarlanmıştır.

Tədqiqatçılar yedi alt səth ayrılması örneğinin normal, iki normal örneğin alt səth ayrılması kimi siniflandırıldığını bildirmektedir. Toplam hata sayistilik 15 olmasına rağmen kalan altı yanlış təsnifatlandırmanın sinif dağılımı mətnde ayrıntılandırılmamıştır.

Test kümesinde diğer ağlarla qarşılaştırma

Önerilən model genel dəqiqlik və F1 skoru açistilikndan qarşılaştırılan üsullerin önündedir. DETR’nin kesinliği 0,9286 ilə önerilən modelin 0,9267 dəyərinden az farkla yüksektir. YOLOv7’nin duyarlılığı da 0,9181 ilə önerilən modelin 0,9000 dəyərindən yüksəktir. Bu nedenle tədqiqat, bütün tekil ölçütlerde üstünlük değil, daha dengeli genel təsnifatlandırma performansı göstərir.

Mühendislik istifadəsina ilişkin dəyərləndirmə

Model, kusurlu olabiləcek bölgeleri əvvəlliklendiren tahribatsız inceleme aracı kimi dəyərlendiriləbilir. Lakin cephe inamliğine ilişkin son karar yalnız model sinifına dayandırılmamalıdır. Radar operatörünün ölçmə kalitesi, struktur materiallari, nem, cephe detayları və bağımsız doğrulama nəticələri birlikte incelenmelidir.

Tədqiqatda gerçek zamanlı tətbiq müddəti məlumatlmemiştir. Gelecek tədqiqat kimi modelin hafifletilmesi və uç cihazlara taşınması önerildiğinden mevcut sürümün saha cihazında gerçek zamanlı tədqiqatya hazır olduğu sonucuna varılamaz.

Mənbə və Metod Qeydi

Yüklenen tədqiqat anonimleştirilmiş bir gönderim sürümüdür. Metinde “First Author et al.” və “Short Title of the Article” gibi şablon ifadeleri qalmışdır. Yazar və qurum bilgiləri bu nedenle tədqiqatın üçünden değil, yalnızca bibliyoqrafik doğrulama amacıyla SSRN kaydından alınmıştır.

Tədqiqatın mənbə gösteriminde ciddi editoryal əskiklər bulunmaktadır. Giriş və literatür bölümlerindeki çox sayıda atıf “(?)”, “(??)” və ya “(????)” biçiminde görünmekte; yüklenen dosyada mənbəça bölümü yer almamaktadır. Bu nedenle tədqiqatın literatürdeki əvvəllik, qarşılaştırma və dayanak iddiaları mənbəlar üzərindən tam kimi denetlenememektedir.

Bu Verianla makalesinin bilimsel açıklamaları yalnızca yüklenen tədqiqatın metni, tənlikleri, cədvəlları, şəkilleri və müəlliflərın bildirdiği nəticələra dayanmaktadır. Dış mənbəlar yalnızca başlıq, müəllif sırası, qurum, DOI, platforma və rəsmi keçid gibi bibliyoqrafik kimlik alanlarının doğrulanmasında istifadə edilmişdir.

Tədqiqatın en güclü kanıtı, gerçek radar ölçmələri üzərində yürütülen komponent kaldırma və eyni məlumat kümesindeki model qarşılaştırmalarıdır. En mühüm yorum sınırı isə laboratoriya və saha nümunələrinin eyni havuzdan tabakalı biçimde bölünmesi və tamamen yeni bir binada xarici doğrulama sunulmamasıdır.

Yüzde 92 test doğruluğu, yalnızca tədqiqatda istifadə edilən 191 nümunəli test dəstine ilişkindir. Bu nisbət fərqli bina tipleri, izolyasiya materiallari, radar cihazları, nem şərtlərı və ya saha ekipleri üçün doğrulanmış genel başarı nisbəti kimi kullanılmamalıdır.

Model çıktıları, xarici fasad inamliği və ya onarım kararı üçün tek başına yetərli değildir. Sonuçlar yetkin tahribatsız muayene uzmanları tarafından incelenmeli və gerektiğinde bağımsız fiziksel doğrulama üsulleriyle desteklenmelidir.