Ay Yüzeyinde Krater Tespiti için Segment Anything Modeli

Abstract

Bu çalışmada, krater tespiti için Segment Anything Modeli'nin (SAM) nasıl uygulanabileceği araştırılacaktır. Krater tespiti, gezegen jeolojisi ve bilimsel araştırmaların önemli bir parçası olup, görev planlaması ve gelecekteki Ay iniş görevleri için kritik öneme sahiptir. Bu tez, yarı otomatik bir krater tespit hattı sunmaktadır. Bu sistem, Meta AI tarafından geliştirilen yeni nesil bir derin öğrenme modeli olan Segment Anything Modeli ile klasik geometrik analizleri birleştirmektedir. SAM'in yönlendirilebilir görsel dönüştürücüsü (promptable vision transformer) kullanılarak 1024×1024 çözünürlükteki Ay yüzeyi görüntülerinden ilk krater aday maskeleri üretilecektir. Ay yüzeyine dair etiketli veri setlerinin eksikliği nedeniyle bu görüntüler, WebGL tabanlı 3D görselleştirme motoru olan Three.js kullanılarak üretilecek ve NASA'nın MoonKit kütüphanesi aracılığıyla Ay'ın gerçekçi topografyasına ve yüzey detaylarına sahip küresel modeller oluşturulacaktır. Ayrıca, farklı ışık ve gölgeleme koşulları da simüle edilecektir. SAM ile işlenen bu görüntülerden elde edilen maskeler üzerinde, özel olarak geliştirilen bir elips uydurma algoritması çalıştırılacaktır. Bu algoritma, alan oranı, uzama (elongation) ve parlaklık gibi geometrik filtreler uygulayarak krater benzeri yapıları izole edecektir. Bu işlem sırasında En Küçük Kareler Yöntemi (Least Squares Method) kullanılacaktır. Sonuçlar, segmentasyon çıktısını ve elipslerle işaretlenmiş görüntüyü gösteren .PNG formatında dışa aktarılacaktır. Ayrıca bu çalışmada, Ay krateri tespitinin zorlukları ve karşılaşılan problemler de detaylı şekilde tartışılacaktır. Ay yüzeyinin değişken ışıklandırma ve gölgeleme koşulları gibi faktörlerinin segmentasyon modelleri üzerindeki etkisi vurgulanacak, Segment Anything Modeli'nin bu bağlamdaki sınırlamaları da ele alınacaktır. Anahtar Kelimeler: Segment Anything Modeli, SAM, Görüntü Segmentasyonu, Krater Tespiti, Bilgisayarla Görü, OpenCV, Elips Uydurma, En Küçük Kareler Yöntemi, Derin Öğrenme, Three.js

In this research we will discover how to implement Segment Anything Model for crater detection, Crater Detection is an essential part of planetary geology and scientific research, for mission planning and future lunar landing missions, this thesis will present a semi-automated crater detection pipeline, which will combine Segment Anything Model, which is a new state of the Art Deep learning model developed by Meta AI, we will implement classical geometric analysis, leveraging' SAM's promotable vision transformer, to generate initial crater mask candidates from 1024x1024 lunar surface images, due to the lack of datasets of the lunar surface these images will be generated using Three.js a program that uses WebGL to render 3D objects in the web browser, which then will make use of NASA's MoonKit to create an actual accurate sphere of the lunar surface with proper topographies and surface details and diverse lighting conditions, once our image is processed by SAM we will run a custom ellipse fitting algorithm, which then applies geometric filters, like area ratio, elongation and brightness to isolate crater like structures, it will use Least Squares Method for such operation, later we export the results in .PNG format showing our segmented image and Ellipse fitted image, in this research we will also discuss the difficulties and challenges of Lunar Crater Detection, shedding light on the different conditions of lunar surface, from lighting to shading, and it's challenges on image segmentation models like SAM, we will discuss the limitations of SAM in such regards for crater detection. Keywords: Segment Anything Model, SAM, Image Segmentation, Crater Detection, Computer Vision, OpenCV, Ellipse Fitter, Least Squares Method, Deep Learning, Three.js