Sürdürülebilir hareketlilik güvenliği için YOLOv12 ve karar destek sistemine dayalı veri büyütme yaklaşımlarının değerlendirilmesi
Evaluation of YOLOv12 and decision support system-based data augmentation approaches for sustainable mobility safety
- Tez No: 1003241
- Danışmanlar: DR. ÖĞR. ÜYESİ KADİR DİLER ALEMDAR
- Tez Türü: Yüksek Lisans
- Konular: İnşaat Mühendisliği, Ulaşım, Civil Engineering, Transportation
- Anahtar Kelimeler: Sürdürülebilir ulaşım, Şehiriçi ulaşım, Sustainable transport, Urban transport
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Erzurum Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İnşaat Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Ulaştırma Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Ulaştırma sektörünün sera gazı emisyonlarının önemli bir paydaşı olduğu bilinmektedir. Bu soruna karşı sürdürülebilir ulaşım sistemleri ön plana çıkmakta ve özellikle mikromobilite kapsamındaki çözümler çevre dostu yapılarıyla dikkat çekmektedir. Mikromobilite araçları ulaşımda karbon ayak izini azaltırken, çeşitli güvenlik endişelerinden dolayı yaygınlaşması sınırlı kalmaktadır. Bu kağıtta, mikromobilite kullanıcılarının güvenlik endişelerine çözüm sunabilmek amacıyla hem araç hem de güvenlik ekipmanı kullanımı üzerine bir görüntü işleme tabanlı süreç yürütülmüştür. Çalışmada, mikromobilite kullanıcılarının varlığını ve ekipman kullanımını daha yüksek doğrulukla tespit edebilmek amacıyla sıklıkla kullanılan veri artırma tekniklerinin etkinliği incelenmiştir. Bu doğrultuda, iki farklı veri seti (D1_Micro-mobility ve D2_Helmet detection) ve toplam 46 model kurulumu yapılarak veri artırma tekniklerinin Sadece Bir Kez Bak (YOLO) modeli performans çıktıları üzerindeki etkileri Çok Kriterli Karar Verme (ÇKKV) yöntemlerinden Préférence Ranking Organization Méthod for Enrichment Evaluations (PROMETHEE) ile değerlendirilmiştir. Ek olarak, birden fazla veri artırma tekniğinden oluşan Çok Modelli Topluluk (MME) 'un belirlenmesi K-ortalamalar kümelesi - Dirsek yöntemi aracılığıyla gerçekleştirilmiştir. D1_Micro-mobility veri setleri için MME'nin model performansını F1-Score metriğinde %19,7 ve mAP metriğinde %18,54 oranında iyileştirdiğini göstermektedir. D2_Helmet detection veri setleri için MME'nin model performansını sadece precision metriğinde %2.36 oranında iyileştirdiği gözlemlenmiştir. Sonuçlar, genel olarak veri artırma tekniklerinin model performansını çok boyutlu bir şekilde artırdığını gösterdi.
Özet (Çeviri)
The transportation sector is known to be a significant contributor to greenhouse gas emissions. Sustainable transportation systems are emerging as a solution to this problem, and solutions within the scope of micromobility, in particular, stand out due to their environmentally friendly nature. While micromobility vehicles reduce the carbon footprint in transportation, their widespread adoption remains limited due to various safety concerns. This paper presents an image processing-based process focusing on both vehicle and safety equipment usage to address the safety concerns of micromobility users. The study examines the effectiveness of frequently used data enhancement techniques to detect the presence of micromobility users and equipment usage with higher accuracy. Accordingly, two different datasets (D1_Micro-mobility and D2_Helmet detection) and a total of 46 model setups were created, and the effects of data enhancement techniques on the performance outputs of the You Only Look Once (YOLO) model were evaluated using the Préférence Ranking Organization Méthod for Enrichment Evaluations (PROMETHEE) method from the Multi-Criteria DecisionMaking (MCDM) methodology. Additionally, the determination of the Multi Model Ensemble (MME) consisting of multiple data enhancement techniques was performed using the K-Means clustering-Elbow method. The study shows that for the D1_Micro-mobility datasets, MME improved model performance by 19.7% in the F1-Score metric and 18.54% in the mAP metric. For the D2_Helmet detection datasets, MME improved model performance only in the precision metric by 2.36%. The results show that, overall, data enhancement techniques improve model performance in a multidimensional way.
Benzer Tezler
- Generating a high-definition map (HD MAP) via yolo (you only look once) deep learning-based object detection model
Yolo (you only look once) derin öğrenme tabanli nesne tespit modeli ile yüksek tanimli hari̇ta (HD MAP) oluşturma
YASİN MEMİ
Yüksek Lisans
İngilizce
2025
Mühendislik Bilimleriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. HANDE DEMİREL
- Sürdürülebilir kentsel hareketlilik yaklaşımı (SUMP) perspektifi'nden kent içi yol güvenliğine dair bir analiz
An analysis of urban road safety from the perspective of the sustainable urban mobility plan (SUMP) approach
NURAY MARUL
Yüksek Lisans
Türkçe
2025
KazalarGazi ÜniversitesiKazaların Çevresel ve Teknik Araştırması Ana Bilim Dalı (disiplinlerarası)
DOÇ. DR. EBRU ARIKAN ÖZTÜRK
- Sürdürülebilir ürün çeşitliliği optimizasyonu
Sustainable product assortment optimization
İLKAN SARIGÖL
Doktora
Türkçe
2016
Endüstri ve Endüstri MühendisliğiYıldız Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. COŞKUN ÖZKAN
- Sürdürülebilir kentsel ulaşımda yaya güvenliğini etkileyen fiziksel müdahalelerin İstanbul Kadıköy ilçesi örneğinde analizi
Analysis of physical interventions affecting pedestrian safety in sustainable urban transportation in the case of İstanbul Kadıkoy district
BÜŞRA MERVE DUMAN
Yüksek Lisans
Türkçe
2023
Şehircilik ve Bölge Planlamaİstanbul Teknik ÜniversitesiŞehir ve Bölge Planlama Ana Bilim Dalı
PROF. DR. HATİCE AYATAÇ
- Türkiye'de bağlantılı araçlar için kooperatif akıllı ulaşım sistemleri (K-AUS) çerçeve mimari önerisi
Cooperative intelligent transportation systems for connected vehicles (C-ITS) in Türki̇ye framework architecture proposal
TUĞÇE KAYAKÖK
Yüksek Lisans
Türkçe
2026
TrafikGazi ÜniversitesiTrafik Planlaması ve Uygulaması Ana Bilim Dalı (disiplinlerarası)
DOÇ. DR. EBRU ARIKAN ÖZTÜRK