Bu çalışma, bina dış cephe ısı yalıtım sistemlerindeki yapışma durumunu yapıya zarar vermeden değerlendirmek amacıyla yer radarı ölçümleriyle çok modüllü yapay zekâyı birleştiren uçtan uca bir yöntem önermektedir. Sistem; normal yapışma, yalıtım levhası ile yapıştırma harcı arasındaki üst ayrılma ve yapıştırma harcı ile temel duvar arasındaki alt yüzey ayrılması olmak üzere üç durumu sınıflandırmaktadır.

Araştırmacılar, yalnızca radar görüntüsünün görsel biçimine dayanan yöntemlerin zayıf yankıları kaçırabileceğini ve birbirine benzeyen ayrılma tiplerini ayırt etmekte zorlanabileceğini belirtmektedir. Önerilen sistem bu sorunu üç aşamayla ele almaktadır. İlk aşamada radar sinyalinin fiziksel özellikleriyle B-tarama görüntüsünün görsel özellikleri birlikte işlenmekte ve zayıf yankılar için ek aday bölgeler oluşturulmaktadır. İkinci aşamada komşu tarama kesitlerindeki bilgiler, küçük konum kaymaları düzeltilerek birleştirilmektedir. Son aşamada fiziksel anlam taşıyan elle tasarlanmış özellikler, derin sinir ağının öğrendiği özelliklerle birleştirilerek XGBoost sınıflandırıcısına aktarılmaktadır.

Veriler, araştırmacıların geliştirdiği 16 vericili ve 16 alıcılı, 4–8 GHz çalışma aralığına sahip üç boyutlu kademeli frekanslı yer radarıyla toplanmıştır. Laboratuvar deneylerinde farklı yalıtım kalınlıkları ve 2–9 milimetre arasında değişen yapay ayrılma boşlukları kullanılmıştır. Gerçek saha verileri ise Pekin’in Tongzhou Bölgesi’ndeki bir hastanenin dört cephesinden elde edilmiştir. Toplam 1.902 örnek; 1.331 eğitim, 380 doğrulama ve 191 test örneğine ayrılmıştır.

Önerilen yankı algılama modülü, daha katı konum doğruluğu ölçütü olan mAP@0.5:0.95 değerinde 0,9194’e ulaşmıştır. Bu sonuç Faster R-CNN için 0,8046, YOLOv7 için 0,8000 ve DINO-DETR için 0,8481 olarak bildirilmiştir. Nihai üç sınıflı sistem, 191 örnekten oluşan test kümesinde yüzde 92 doğruluk elde etmiştir. Test sonuçlarında normal yapışmanın duyarlılığı yüzde 97, alt yüzey ayrılmasının kesinliği yüzde 95, daha az örneğe sahip üst ayrılma sınıfının kesinliği yüzde 93 ve duyarlılığı yüzde 88 olarak raporlanmıştır.

Bu sonuçlar, yer radarı sinyalinin fiziksel bilgisinin görüntü özellikleriyle birleştirilmesinin zayıf yankıların bulunmasını ve benzer kusur tiplerinin ayrılmasını geliştirebileceğini göstermektedir. Ancak çalışma hakem değerlendirmesinden geçmemiştir. Test kümesi yalnızca 191 örnekten oluşmakta, tamamen bağımsız bir bina veya şehir üzerinde dış doğrulama sunulmamaktadır. Modelin işlem süresi, cephedeki gerçek tarama hızı ve geniş ölçekli saha kullanımındaki hata oranları da ölçülmemiştir.

Türkiye açısından değerlendirme: Yöntem; Türkiye’de hastaneler, okullar, kamu binaları, toplu konutlar ve yüksek katlı yapılardaki dış cephe ısı yalıtım levhalarının yapışma durumunu zarar vermeden incelemeye yönelik araştırmalarda kullanılabilir. Bunun için Türkiye’de yaygın EPS ve XPS levhalar, farklı yapıştırma harçları, sıva ve kaplama türleri, bina yaşları, iklim etkileri ve uygulama kusurlarıyla yerel veri kümeleri oluşturulmalıdır. Yeni binaların tamamı eğitim verisinden ayrı tutularak bina bazlı dış test yapılmalı; radar sonuçları kontrollü söküm, karot, termal görüntüleme veya uzman incelemesiyle doğrulanmalıdır. Bu çalışmadan Türkiye’de doğrudan yüzde 92 başarı, mevzuata uygunluk, cephe güvenliği kararı veya kusursuz saha tespiti sonucu çıkarılamaz.

Araştırmanın ele aldığı mühendislik problemi

Dış cephe ısı yalıtım levhalarının duvara yeterli biçimde bağlanmaması; enerji performansını, sistemin dayanıklılığını ve cephe güvenliğini etkileyebilir. Ayrılma, yalıtım levhası ile yapıştırma harcı arasında veya yapıştırma harcı ile taşıyıcı duvar arasında oluşabilir. Bu iki kusur geometrik olarak birbirine benzese de yapı içindeki derinlikleri ve elektromanyetik yankı özellikleri farklıdır.

Görsel inceleme ve yüzeye vurma gibi geleneksel yöntemler geniş cephelerin değerlendirilmesinde kişiye bağlı sonuçlar oluşturabilir. Karot veya söküm gibi yöntemler doğrudan bilgi sağlasa da yapıya zarar verir ve bütün cepheyi incelemek için uygun değildir. Yer radarı ise yüksek frekanslı elektromanyetik dalgalar göndererek farklı malzeme sınırlarından dönen yankıları kaydeder. Böylece duvarın içindeki bağlanma katmanları yüzey bozulmadan incelenebilir.

Bununla birlikte dış cephe yalıtımındaki ayrılmaların radar görüntüsü her zaman belirgin değildir. Malzemelerin dielektrik özellikleri birbirine yakın olduğunda yansıma zayıflayabilir. Tarama çizgisi kusurun tam üzerinden geçmediğinde yankı yalnızca kenardan kaydedilebilir. Çevresel gürültü, yüzey düzensizliği ve farklı uygulama katmanları da görüntüde bulanıklık veya yanlış hedefler oluşturabilir.

Çalışmada sınıflandırılan üç yapışma durumu

Alt yüzey ayrılması daha derinde bulunduğu için elektromanyetik dalga farklı katman sınırlarından geçmekte ve çoklu yansımalar oluşturabilmektedir. Araştırmacılar bu durumun bazı doku, enerji yoğunluğu ve zamansal sönüm özelliklerinde farklılık meydana getirdiğini belirtmektedir.

Önerilen sistemin genel işlem hattı

Çalışmanın 5. sayfasındaki Şekil 1, ham yer radarı B-tarama verisinden nihai yapışma durumu kararına uzanan üç modüllü sistemi göstermektedir:

1. Yankı hedefinin bulunması: Fiziksel sinyal özellikleri ve görüntü dokusu birlikte kullanılarak şüpheli yankı bölgeleri belirlenmektedir.
2. Komşu kesitlerin birleştirilmesi: Aynı kusuru farklı konumlardan gören tarama çizgileri hizalanmakta ve zayıf yankılar güçlendirilmektedir.
3. Yapışma durumunun sınıflandırılması: Elle tasarlanmış fiziksel özelliklerle derin ağ özellikleri birleştirilerek üç sınıflı XGBoost modeline verilmektedir.

Bu yapı, yalnızca görüntü üzerindeki şekle bakan tek bir derin öğrenme modelinden farklıdır. Radar sinyalinin enerji, frekans, doku ve sönüm bilgileri işlem hattının farklı noktalarında doğrudan kullanılmaktadır.

Yer radarı sistemi ve ölçüm koşulları

Ölçümler, araştırmacılar tarafından geliştirilen 16 vericili ve 16 alıcılı MIMO dizilimli üç boyutlu kademeli frekanslı bir yer radarıyla gerçekleştirilmiştir. Sistem 4–8 GHz aralığında çalışmakta ve yakın alan parazitik bağlaşım kullanan özel yüksek kazançlı antenler içermektedir.

Yüksek frekans aralığı, dış cephe yalıtımı gibi yüzeye yakın ve milimetre-santimetre ölçekli katmanların ayrıntılı incelenmesini amaçlamaktadır. Bununla birlikte yüksek frekanslı radar dalgalarının nüfuz derinliği ve performansı, incelenen malzemenin elektromanyetik özelliklerine ve nem koşullarına bağlıdır.

Laboratuvar deneyleri nasıl hazırlanmıştır?

İç ve dış ortam laboratuvar düzeneklerinde XPS tipi ekstrüde polistiren yalıtım levhaları kullanılmıştır. Çalışmada iki yalıtım kalınlığı aralığı belirtilmektedir:

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

Yapıştırma harcı 1:4 su-çimento oranıyla hazırlanmış ve normal yapışmada harç kalınlığı 1 santimetre olarak uygulanmıştır. Üst ve alt yüzey ayrılmaları; 2, 3, 5, 7 ve 9 milimetrelik yapay boşluklar oluşturularak modellenmiştir.

Tarama adımları iki doğrultuda 0,01 metre ve 0,035 metre olarak belirlenmiştir. Her deney koşulu üç kez tekrar edilmiş ve laboratuvar çalışmalarından 1.326 geçerli B-tarama verisi elde edilmiştir.

Gerçek bina ölçümleri

Saha ölçümleri, Pekin’in Tongzhou Bölgesi’ndeki İkinci Hastanenin yataklı tedavi binasında gerçekleştirilmiştir. Çalışmaya göre bina 2006 yılında yapılmış, yer üstünde 10 ve yer altında bir kata sahip, toplam 7.370,28 metrekare kapalı alana ve yaklaşık 3.000 metrekare dış duvar alanına sahiptir.

Yapının dış cephesinde 70 milimetre kalınlığında EPS levhalar kullanılmıştır. Araştırmacılar doğu, güney, batı ve kuzey cephelerde erişilebilen bölgeleri anteni duvara temas ettirerek dikey yönde taramış ve 576 geçerli B-tarama örneği toplamıştır. Çalışmanın 6. sayfasındaki Şekil 5, gerçek cephe taramasını ve elde edilen derinlik kesiti görüntülerini göstermektedir.

Veri kümesinin sınıf dağılımı

Üst ayrılma sınıfı veri kümesinin yalnızca yüzde 6,6’sını oluşturmaktadır. Araştırmacılar küçük sınıfın eğitim veya doğrulama kümelerinde kaybolmasını önlemek için tabakalı örnekleme kullanmıştır. Ancak tabakalı örnekleme, az sayıdaki örneğin bağımsız çeşitliliğini artırmaz; yalnızca sınıf oranlarının bölünmelerde korunmasını sağlar.

Verilerin eğitim, doğrulama ve teste ayrılması

Çalışma test kümesinin saha ölçümlerini de içerdiğini belirtmektedir. Bununla birlikte laboratuvar ve gerçek bina verilerinin bina veya deney düzeneği bazında tamamen ayrıldığı açıklanmamıştır. Aynı deney alanından veya aynı binadan benzer taramaların farklı veri bölümlerine düşmüş olması mümkündür. Bu nedenle test sonucu, tamamen yeni bir binaya aktarımın doğrudan kanıtı değildir.

Radar verisi nasıl ön işlenmiştir?

Ham frekans alanı verilerine yumuşatılmış bir kesme penceresi uygulanmıştır. Geçiş aralığı 4–8 GHz olarak belirlenmiş, 4–6 GHz arasında yükselen ve 6–8 GHz arasında azalan kosinüs kenarları kullanılmıştır. Amaç bant dışı gürültüyü ve ani kesimden kaynaklanan Gibbs etkisini azaltmaktır.

Filtrelenen frekans verileri ters Fourier dönüşümüyle zaman alanına geçirilmiş ve sıfır-zaman düzeltmesi uygulanmıştır. Araştırmacılar, farklı bölgelerin şiddetini yapay biçimde değiştirmemek için kazanç düzeltmesi kullanmadıklarını belirtmektedir. Daha sonra küresel normalleştirme ve hedef zaman aralığının kesilmesi gerçekleştirilmiştir.

Birinci modül: Sinyal ve görüntünün birlikte kullanılması

İlk modülün amacı, radar görüntüsündeki yankı hedeflerini sınır kutularıyla bulmaktır. Çalışmanın 7. sayfasındaki Şekil 6, bu modülün ayrıntılı mimarisini göstermektedir.

Yedi fiziksel sinyal özelliği

Ham B-tarama verisinden yedi kanallı fiziksel özellik haritası çıkarılmıştır:

• Yerel enerji dağılımı,
• Enerji gradyanı,
• Yerel doku varyansı,
• Zamansal frekans spektrumu,
• Yerel ortalama,
• Çapraz korelasyon katsayısı,
• Yerel çarpıklık.

Bu özellikler; enerji yoğunlaşması, ani kenar değişimi, doku düzensizliği, frekans içeriği, yerel parlaklık, tekrarlayan örüntü ve dağılım asimetrisi gibi fiziksel özellikleri temsil etmeyi amaçlamaktadır.

Üç çözünürlükte sinyal kodlama

Sinyal özellikleri yüksek, orta ve düşük çözünürlüklü üç düzeyde işlenmektedir. Yüksek çözünürlük küçük ve belirgin enerji tepelerini korumakta, orta çözünürlük yerel yapı ile çevre bağlamını dengelemekte, düşük çözünürlük ise zayıf ve geniş alanlı yankı örüntülerini toplamaktadır.

Çapraz kipli dikkat mekanizması

Görsel özellikler sorgu, fiziksel sinyal özellikleri anahtar ve değer olarak kullanılmıştır. Çalışmadaki temel 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 özellikleri, \(S_i\) sinyal özelliklerini, \(A_i\) ise sinyal bölgelerinin görsel temsil üzerindeki dikkat ağırlığını göstermektedir. Sistem böylece yalnızca görüntüde belirgin çizgilere değil, fiziksel enerji veya frekans göstergesi taşıyan bölgelere de odaklanmaktadır.

Görsel ve sinyal tabanlı iki aday yolu

Görsel adaylar, Bölge Öneri Ağı tarafından yoğun biçimde üretilmektedir. Zayıf yankıların kaçırılmasını azaltmak amacıyla sinyal enerjisi haritaları üzerinde ikinci bir yol kullanılmaktadır. Her ölçekte yerel maksimumlar belirlendikten sonra en yüksek enerjili 100 nokta seçilmiştir.

Bu noktaların çevresinde görüntü genişliğinin yüzde 15’i ve yüksekliğinin yüzde 8’i büyüklüğünde sabit oranlı aday kutular oluşturulmuştur. Görsel ve sinyal adayları birleştirilmiş, yinelenen kutular maksimum olmayan bastırma yöntemiyle elenmiş ve kalan bölgeler RoIAlign tabanlı sınıflandırma-konum düzeltme başlığına aktarılmıştır.

İkinci modül: Komşu radar kesitlerinin birleştirilmesi

Yer radarı tarama çizgisi kusurun tam üzerinden geçtiğinde yankı güçlü ve bütün olabilir. Aynı kusurun kenarından geçen komşu çizgilerde ise yankı daha zayıf, eksik ve hafifçe kaymış görünür. Tek kesit kullanılması bu bilgilerin kaybedilmesine yol açabilir.

Çalışmanın 8. sayfasındaki Şekil 7, aynı hedefe ait 4–25 komşu kesitin birlikte işlendiği deformasyon uyarlamalı füzyon ağını göstermektedir.

Tenengrad ile sözde hedef seçimi

Net ve kusursuz bir gerçek referans görüntüsü bulunmadığı için model kendi eğitim hedefini kesit grubundan seçmektedir. En yüksek gradyan enerjisine sahip kesit, sözde net hedef olarak belirlenmiştir:

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

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

Tenengrad değeri, yatay ve dikey gradyanların büyüklüğü üzerinden görüntü kenarlarının belirginliğini ölçmektedir. Daha yüksek değer, daha keskin görüntü olarak yorumlanmıştır.

Diğer kesitlere Gauss bulanıklığı, Gauss gürültüsü ve parlaklık-kontrast değişimleri uygulanarak zayıflamış mühendislik koşulları taklit edilmiştir. Model, bu bozulmuş girdilerden seçilmiş sözde hedefe yakın bir görüntü üretmeyi öğrenmiştir.

Kesit düzeyinde ve piksel düzeyinde ağırlıklar

Her kesit için genel bilgi değerini gösteren bir kesit ağırlığı hesaplanmıştır. Ayrıca her pikselin ne kadar güvenilir olduğunu belirleyen 0–1 aralığında bir güven haritası üretilmiştir. Gürültülü veya bulanık bölgeler daha düşük, belirgin yankı bölgeleri daha yüksek ağırlık almıştır.

Birleşik ağırlıklar şu mantıkla oluşturulmuştur:

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

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

Hizalanmış kesit özellikleri bu ağırlıklarla toplanmıştır:

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

Deformasyon uyarlamalı konum düzeltmesi

Komşu taramalardaki küçük uzamsal kaymalar, ağın öğrendiği deformasyon alanlarıyla alt piksel düzeyinde düzeltilmiştir. Varsayılan kayma aralığı parametresi 2,0 olarak verilmiştir. Hizalama, ayrı bir klasik kayıt algoritması yerine ağ içinde iki doğrusal enterpolasyonla yapılmıştır.

Çok ölçekli ve üretici çekişmeli iyileştirme

Sığ doku, orta düzey yerel yapı ve derin anlamsal özellikler, Özellik Piramit Ağı benzeri yapıyla birleştirilmiştir. Eğitim başlangıcında L1 ve Yapısal Benzerlik İndeksi kayıpları kullanılmıştır:

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

Çalışmada \(\alpha=1\) ve \(\beta=1\) seçilmiştir. Eğitim kararlı hâle geldikten sonra VGG-16 tabanlı algısal kayıp ve PatchGAN üretici çekişmeli kaybı eklenmiştir:

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

Algısal ve çekişmeli kayıp ağırlıkları etkinleştirildiğinde 0,01 olarak kullanılmıştır.

Üçüncü modül: Fiziksel ve derin özelliklerin birleştirilmesi

İyileştirilmiş yankı bölgeleri üç sınıftan birine ayrılmadan önce iki paralel özellik kolunda işlenmiştir. Çalışmanın 10. sayfasındaki Şekil 8, bu sınıflandırma akışını göstermektedir.

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 için kullanılan küçük sabittir. Araştırmacılar özellikle hava boşluğu içeren alt yüzey ayrılmalarında çoklu yansımaların MDDI ortalaması, varyansı ve birikimli enerjiyi artırabileceğini belirtmektedir.

128 boyutlu derin özellikler

Derin özellik kolunda tek kanallı radar görüntülerine uyarlanmış ResNet-18 kullanılmıştır. ImageNet üzerinde öğrenilmiş üç kanallı ilk katman ağırlıkları, kanallar boyunca ortalanarak tek kanallı girişe dönüştürülmüştür. Böylece kenar ve doku algılama bilgisinin korunması, küçük veri kümesinde sıfırdan eğitime göre aşırı öğrenmenin azaltılması amaçlanmıştır.

Küresel ortalama havuzlama ve tam bağlantılı katmandan sonra 128 boyutlu derin özellik vektörü elde edilmiştir.

149 boyutlu birleşik özellik matrisi

Yirmi bir fiziksel özellik ile 128 derin özellik birleştirilerek 149 boyutlu özellik vektörü oluşturulmuştur. Bütün özellikler standartlaştırılmış ve çok sınıflı XGBoost modeline aktarılmıştır.

Araştırmacılar fiziksel özellikleri vektörün başına yerleştirmenin karar ağaçlarının öncelikle bu özelliklerle bölünmesini sağlayacağını ileri sürmektedir. Ancak XGBoost’un özellik seçimi yalnızca sütun sırasına bağlı değildir; hangi özelliğin önce kullanılacağı, eğitim sırasında sağladığı bölünme kazancıyla belirlenir. Bu nedenle vektörde önce bulunması, fiziksel özelliklerin mutlaka önceliklendirileceğini tek başına garanti etmez.

Şekil ve tabloların gösterdiği temel sonuçlar

Yankı hedeflerinin bulunması

13. sayfadaki Şekil 9, önerilen sistem ile Faster R-CNN, YOLOv7 ve DETR’nin aynı radar kesitleri üzerindeki sınır kutularını karşılaştırmaktadır. Önerilen yöntem, görsel olarak zayıf bazı yankıları ek kutularla yakalamaktadır. Ancak görsel örnekler seçilmiş kesitlerdir; bütün test veri kümesindeki davranış nicel tablolarla birlikte değerlendirilmelidir.

Komşu kesitlerin iyileştirilmesi

14. sayfadaki Şekil 10’da her örnek için zayıf giriş ve iyileştirilmiş çıktı yan yana sunulmuştur. Çıktılarda yankı çizgileri daha keskin ve yüksek kontrastlı görünmektedir. Ancak eğitim hedefi gerçek ve kusursuz bir ölçüm değil, kesit grubundaki en yüksek Tenengrad değerine sahip sözde hedeftir. Bu nedenle iyileştirme, gerçek fiziksel yapının eksiksiz yeniden oluşturulduğu anlamına gelmez.

Nihai sınıflandırma örnekleri

16. sayfadaki Şekil 11, laboratuvar ve saha ölçümlerinden seçilmiş sekiz örneği göstermektedir. Her görüntünün üzerinde gerçek sınıf, tahmin edilen sınıf ve model güveni bulunmaktadır. Gösterilen örnekler doğru sınıflandırılmıştır; yanlış sınıflandırılan 15 örneğin görselleri ayrıca sunulmamıştır.

Çalışmanın desteklediği sonuçlar

• Radar sinyalinin fiziksel özellikleriyle görüntü özelliklerinin birlikte kullanılması, daha katı konum doğruluğu ölçütünde yalnız görsel yöntemlerden daha yüksek sonuç üretmiştir.
• Sinyal enerjisine dayalı seyrek aday kutular, zayıf yankılardaki kaçırılan hedefleri azaltmıştır.
• Komşu kesitlerin ağırlıklı ve deformasyon uyarlamalı birleştirilmesi, kullanılan görüntü kalite ölçütlerinin tamamını geliştirmiştir.
• Fiziksel özelliklerle derin özelliklerin birlikte kullanıldığı XGBoost modeli, aynı test kümesinde karşılaştırılan üç görsel ağdan daha yüksek genel doğruluk sağlamıştır.
• Az örnekli üst ayrılma sınıfı test kümesinde yüzde 93 kesinlik, yüzde 88 duyarlılık ve yüzde 90 F1 skoru göstermiştir.
• Laboratuvar verisine ek olarak gerçek bir binadan alınan ölçümlerin bulunması, yöntemin yalnızca sentetik görüntüler üzerinde sınanmadığını göstermektedir.

Çalışmanın kanıtlamadığı noktalar

• Modelin Türkiye’deki veya başka ülkelerdeki farklı bina sistemlerinde yüzde 92 doğrulukla çalışacağını kanıtlamamaktadır.
• Test kümesinin tamamen farklı bir binadan oluşturulduğu gösterilmediği için yeni bina genellemesini kesinleştirmemektedir.
• Modelin belirlediği her ayrılmanın gerçek söküm veya karot sonucuyla doğrulandığını göstermemektedir.
• Yüzde 92 doğruluk, cephe güvenliği veya kaplama düşme riskinin yüzde 92 doğrulukla tahmin edildiği anlamına gelmemektedir.
• Ayrılmanın alanını, hacmini, derinliğini veya yapısal önemini nicel olarak hesaplamamaktadır.
• Gerçek zamanlı tarama, mobil cihazda çalışma veya saha operatörünün anlık karar vermesi için işlem hızını ölçmemektedir.
• Nem, sıcaklık, metal bağlantılar, farklı sıva türleri ve yüzey kaplamalarının performans üzerindeki etkisini ayrı deneylerle incelememektedir.
• Modelin başka radar sistemleri ve frekans aralıklarıyla aynı başarıyı koruyacağını göstermemektedir.
• Bağımsız bir araştırma grubu tarafından yeniden üretilmiş sonuçlar sunmamaktadır.

Çalışmanın güçlü yönleri

Çalışmanın en önemli güçlü yönü, sorunu tek bir görüntü sınıflandırma ağına indirgememesidir. Fiziksel radar özellikleri hedef bulma, kesit hizalama ve nihai sınıflandırma aşamalarına dâhil edilmiştir. Böylece zayıf yankılar için görsel örüntülerin yanında ölçüm fiziğinden gelen ek bilgi kullanılmaktadır.

Her temel bileşen için ayrı ablasyon deneyinin yapılması da hangi modülün hangi ölçüte katkı sağladığını görmeyi mümkün kılmaktadır. Karşılaştırma modellerinin aynı veri kümesinde eğitilip değerlendirilmesi, yalnızca başka yayınlardan alınmış sonuçların yan yana konulmasından daha güçlü bir karşılaştırma sunmaktadır.

Laboratuvar düzenekleriyle gerçek bina verilerinin birlikte kullanılması, yalnızca simülasyona dayanan çalışmalara göre daha gerçekçi bir veri çeşitliliği sağlamaktadır. Özellikle az örnekli üst ayrılma sınıfının ayrı kesinlik ve duyarlılık değerlerinin verilmesi, yalnızca genel doğruluk üzerinden değerlendirme yapılmasını önlemektedir.

Başlıca sınırlılıklar

• Çalışma hakem değerlendirmesinden geçmemiş bir preprinttir.
• Yüklenen metin anonimleştirilmiştir; yazar ve kurum bilgileri çalışma içinde bulunmamaktadır.
• Kaynak atıflarının önemli bölümü soru işareti biçiminde bozuk yer tutuculardır ve kaynakça dosyada bulunmamaktadır.
• Toplam veri kümesinin yalnızca 126 örneği üst ayrılma sınıfına aittir.
• Veri bölünmesi bina veya deney düzeneği bazında dış doğrulama yerine genel tabakalı örneklemeyle yapılmıştır.
• Aynı hedefin komşu kesitlerinin veya tekrar taramalarının farklı veri bölümlerine düşmediğini gösteren grup tabanlı bölme açıklanmamıştır.
• Bağımsız şehir, bina, radar cihazı veya araştırma ekibi üzerinde dış test bulunmamaktadır.
• Kaynak kod ve ham veri erişimi belirtilmemiştir.
• XGBoost’un ayrıntılı hiperparametreleri ve rastgelelik tohumları verilmemiştir.
• Sonuçlar tek çalıştırma değerleri olarak sunulmuş; standart sapma, güven aralığı veya tekrarlı eğitim dağılımları raporlanmamıştır.
• Modeller arasındaki farklar için istatistiksel anlamlılık testi yapılmamıştır.
• İşlem süresi, saniye başına tarama, bellek kullanımı ve saha cihazına aktarım ölçülmemiştir.
• Gerçek ayrılmaların bağımsız tahribatlı doğrulama yöntemi ayrıntılı biçimde açıklanmamıştır.

Gelecekte yapılması gereken çalışmalar

Yeni araştırmalarda her bina tamamen ayrı bir grup olarak ele alınmalı ve eğitimde hiç görülmeyen binalar dış test için kullanılmalıdır. Farklı şehir, iklim, cephe yönü, levha malzemesi, harç, sıva, nem ve bina yaşı içeren çok merkezli veriler toplanmalıdır.

Radar tahminleri kontrollü söküm, karot, endoskopi, termal görüntüleme veya uzman tarafından işaretlenmiş gerçek kusur haritalarıyla karşılaştırılmalıdır. Böylece yalnız sınıf etiketi değil, ayrılmanın gerçek konumu, alanı, kalınlığı ve derinliği de nicel olarak değerlendirilebilir.

Model, daha küçük ağlara dönüştürülerek saha bilgisayarları veya uç cihazlar üzerinde test edilmeli; tarama hızı, gecikme, güç tüketimi ve operatör iş yükü raporlanmalıdır. Belirsiz tahminlerin uzmana yönlendirilmesini sağlayan güven kalibrasyonu ve sınıf dışı örnek algılama mekanizmaları da eklenmelidir.

Çalışmanın Yöntemi ve Bulguları

Deneysel yapılandırmanın özeti

Yazılım ve donanım ortamı

Yankı algılama modülünün ablasyon sonuçları

Tam model kesinlik ve mAP@0.5:0.95 açısından en yüksek sonucu vermiştir. Ancak çalışma metnindeki “bütün ölçütlerde en iyi” ifadesi tam olarak doğru değildir: çapraz dikkat mekanizması çıkarılan sürümün mAP@0.5 değeri 0,9999, tam modelin değeri ise 0,9993’tür. Aradaki fark çok küçük olsa da tablo sessizce değiştirilmemelidir.

Seyrek aday mekanizmasının çıkarılması duyarlılığı 0,9999’dan 0,9528’e düşürmüştür. Bu sonuç, sinyal enerjisinden üretilen ek aday kutuların kaçırılan zayıf yankıları bulmada önemli rol oynadığını desteklemektedir.

Yankı algılamada diğer modellerle karşılaştırma

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

Bununla birlikte YOLOv7’nin kesinliği 0,9853 ile önerilen modelin 0,9271 değerinden yüksektir. Önerilen sistemin avantajı bütün ölçütlerde mutlak üstünlük değil; özellikle duyarlılık ve sıkı konum doğruluğu dengesidir.

Kesitler arası füzyon ablasyonu

Tam model dört görüntü kalite ölçütünde de en yüksek sonucu üretmiştir. Deformasyon alanının kaldırılması PSNR ve uzamsal frekansı en düşük düzeylere indirmiştir. Bu durum komşu kesitlerdeki küçük konum farklılıklarının düzeltilmesinin önemini desteklemektedir.

Buradaki PSNR ve SSIM değerleri gerçek, kusursuz bir fiziksel hedefe karşı değil, Tenengrad yöntemiyle seçilmiş sözde hedef kesite göre hesaplanmıştır. Dolayısıyla değerler modüller arası karşılaştırma için yararlıdır; fiziksel gerçeğin mutlak yeniden yapılandırma doğruluğunu göstermez.

Doğrulama kümesinde sınıflandırma karşılaştırması

Çalışma ayrıca derin CNN kodlayıcısının 80 dönemlik eğitim sırasında 50. dönemde yüzde 94,87 doğrulama doğruluğuna ulaştığını belirtmektedir. Bu değer, nihai hibrit sınıflandırıcının tabloda verilen yüzde 94 genel doğrulama doğruluğuyla aynı ölçüm olarak değerlendirilmemelidir; biri kodlayıcının eğitim sürecindeki en yüksek değerini, diğeri nihai karşılaştırma sonucunu ifade etmektedir.

Test kümesinde sınıf bazlı sonuçlar

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

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

oranında hataya, yaklaşık yüzde 92,15 doğruluğa karşılık gelmektedir ve çalışma tarafından yüzde 92 olarak yuvarlanmıştır.

Araştırmacılar yedi alt yüzey ayrılması örneğinin normal, iki normal örneğin alt yüzey ayrılması olarak sınıflandırıldığını bildirmektedir. Toplam hata sayısı 15 olmasına rağmen kalan altı yanlış sınıflandırmanın sınıf dağılımı metinde ayrıntılandırılmamıştır.

Test kümesinde diğer ağlarla karşılaştırma

Önerilen model genel doğruluk ve F1 skoru açısından karşılaştırılan yöntemlerin önündedir. DETR’nin kesinliği 0,9286 ile önerilen modelin 0,9267 değerinden az farkla yüksektir. YOLOv7’nin duyarlılığı da 0,9181 ile önerilen modelin 0,9000 değerinden yüksektir. Bu nedenle çalışma, bütün tekil ölçütlerde üstünlük değil, daha dengeli genel sınıflandırma performansı göstermektedir.

Mühendislik kullanımına ilişkin değerlendirme

Model, kusurlu olabilecek bölgeleri önceliklendiren tahribatsız inceleme aracı olarak değerlendirilebilir. Ancak cephe güvenliğine ilişkin nihai karar yalnız model sınıfına dayandırılmamalıdır. Radar operatörünün ölçüm kalitesi, yapı malzemeleri, nem, cephe detayları ve bağımsız doğrulama sonuçları birlikte incelenmelidir.

Çalışmada gerçek zamanlı uygulama süresi verilmemiştir. Gelecek çalışma olarak modelin hafifletilmesi ve uç cihazlara taşınması önerildiğinden mevcut sürümün saha cihazında gerçek zamanlı çalışmaya hazır olduğu sonucuna varılamaz.

Kaynak ve Yöntem Notu

Yüklenen çalışma anonimleştirilmiş bir gönderim sürümüdür. Metinde “First Author et al.” ve “Short Title of the Article” gibi şablon ifadeleri kalmıştır. Yazar ve kurum bilgileri bu nedenle çalışmanın içinden değil, yalnızca bibliyografik doğrulama amacıyla SSRN kaydından alınmıştır.

Çalışmanın kaynak gösteriminde ciddi editoryal eksikler bulunmaktadır. Giriş ve literatür bölümlerindeki çok sayıda atıf “(?)”, “(??)” veya “(????)” biçiminde görünmekte; yüklenen dosyada kaynakça bölümü yer almamaktadır. Bu nedenle çalışmanın literatürdeki öncelik, karşılaştırma ve dayanak iddiaları kaynaklar üzerinden tam olarak denetlenememektedir.

Bu Verianla makalesinin bilimsel açıklamaları yalnızca yüklenen çalışmanın metni, denklemleri, tabloları, şekilleri ve yazarların bildirdiği sonuçlara dayanmaktadır. Dış kaynaklar yalnızca başlık, yazar sırası, kurum, DOI, platform ve resmî bağlantı gibi bibliyografik kimlik alanlarının doğrulanmasında kullanılmıştır.

Çalışmanın en güçlü kanıtı, gerçek radar ölçümleri üzerinde yürütülen bileşen kaldırma ve aynı veri kümesindeki model karşılaştırmalarıdır. En önemli yorum sınırı ise laboratuvar ve saha örneklerinin aynı havuzdan tabakalı biçimde bölünmesi ve tamamen yeni bir binada dış doğrulama sunulmamasıdır.

Yüzde 92 test doğruluğu, yalnızca çalışmada kullanılan 191 örnekli test kümesine ilişkindir. Bu oran farklı bina tipleri, yalıtım malzemeleri, radar cihazları, nem koşulları veya saha ekipleri için doğrulanmış genel başarı oranı olarak kullanılmamalıdır.

Model çıktıları, dış cephe güvenliği veya onarım kararı için tek başına yeterli değildir. Sonuçlar yetkin tahribatsız muayene uzmanları tarafından incelenmeli ve gerektiğinde bağımsız fiziksel doğrulama yöntemleriyle desteklenmelidir.