Geri Dön

Görüntü işleme ve derin öğrenme yöntemleriyle Türkiye karayolları için taşıt plaka tanıma sistemi tasarımı

Design of vehicle license plate recognition system for Türkiye (Turkey) by using image processing and deep learning methods

  1. Tez No: 1019177
  2. Yazar: SÜMEYRA KEVSER FİDANCI
  3. Danışmanlar: DOÇ. DR. COŞKUN DENİZ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Derin öğrenme, Gri tonlamalı görüntü, Makine öğrenmesi, Renkli görüntü, Sinir ağları, Video görüntüsü, Yapay görme, Yapay zeka, Deep learning, Grayscale image, Machine learning, Colored vision, Nerve net, Video image, Machine vision, Artificial intelligence
  7. Yıl: 2026
  8. Dil: Türkçe
  9. Üniversite: Aydın Adnan Menderes Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Plaka tanıma sistemleri siyah-beyaz veya renkli bir görüntüden veya görüntülerden araç plaka bilgilerinin çıkarılması ve veri tabanı kullanarak veya veri tabanı olmadan işlenmesini gerçekleştirilen sistemlerdir. Görüntünün kalitesi tanıma işlemi için en önemli parametrelerden biridir ve görüntü genellikle geleneksel görüntü işleme yöntemleriyle ön işleme tabi tutulur. Böyle bir sistem için genellikle plaka bölgesi tespiti, takibi ve plaka karakterlerini okuma işlemleri yapılır. Günümüzde bu konuda çalışmalar öncelikle plaka bölgesinin tanımlanma başarımını ve ardından da tanımlanan plaka bölgesi içinden plaka karakterlerinin tanınma başarımını arttırmayı içerir. Bu bağlamda derin öğrenme yöntemleri ve geleneksel görüntü işleme yöntemleri hibrit bir biçimde birlikte kullanılarak sistem başarısı artırılabilmektedir. Günümüzde yapay zekâ teknolojileri ve görüntü işleme tekniklerinin gelişimi, birçok endüstriyel ve kamu güvenliği uygulamasında büyük bir dönüşüm yaratmıştır. Özellikle görüntü ve nesne tanıma alanlarında, yapay zekâ tabanlı sistemler yüksek doğruluk oranları ve otomatik karar verme yetenekleri sayesinde yaygın olarak kullanılmaktadır. Plaka tanıma sistemleri, akıllı trafik yönetimi, güvenlik kontrolü, araç takibi, elektronik ücretlendirme sistemleri ve park yönetimi gibi birçok alanda kritik bir rol oynamaktadır. Büyük şehirlerde trafik kontrolünü sağlamak ve ihlalleri tespit etmek amacıyla yaygın olarak kullanılan bu sistemler, aynı zamanda kolluk kuvvetleri tarafından suçla mücadelede ve güvenlik tehditlerini önlemek için de etkin bir şekilde kullanılmaktadır. Bu çalışmada altı farklı YOLO mimarisi (YOLOv8n, YOLOv9t, YOLOv10n, YOLOv11n, YOLOv12n ve YOLO26n) Kaggle platformunda Tesla T4×2 GPU kullanılarak 20 epoch boyunca eğitilmiştir. Her model batch=8 ve batch=16 olmak üzere iki farklı yapılandırmayla test edilmiş; toplam 12 model ağırlık seti elde edilmiştir. Plaka tanıma motoru olarak PaddleOCR ve EasyOCR karşılaştırmalı olarak kullanılmış, Türk plakalarına özgü hata düzeltme katmanı (TR Legalization) ve Levenshtein tabanlı toleranslı eşleştirme mekanizması sisteme entegre edilmiştir. Sistem performansı dört farklı YouTube test videosu ve bu videolara uygulanan filtrelerle elde edilen zorlu koşul videoları üzerinde çalışılmıştır. Türk plaka sistemini tanımak üzere geliştirilen sistemin normal ve zorlu koşullar altındaki başarım ve dayanıklılığı değerlendirilmiştir. Tasarlanan sistemin normal ve hafif zorlu koşullarda (hafif sis-yağmur-hız), dolayısıyla giyotin bariyer gibi düşük hızlı araç geçişinin olduğu ve yeterli aydınlatma ile hafif hava koşullarının bulunduğu trafik kontrol noktalarında Türk taşıt plaka tanıma sistemi olarak kullanımına uygun olduğu gösterilmiştir.

Özet (Çeviri)

License plate recognition systems are systems that extract vehicle license plate information from black-and-white or color image(s) and process it with or without a database. Image quality is one of the most important parameters for the recognition process, and the image is generally pre-processed using traditional image processing methods. For such a system, operations such as license plate region detection, tracking, and reading of plate characters are typically performed. Nowadays, studies in this field primarily focus on improving the success rate of license plate region identification, and subsequently, improving the recognition accuracy of plate characters within the identified plate region. In this context, system performance can be enhanced by using deep learning methods and traditional image processing methods together in a hybrid manner. Today, the development of artificial intelligence technologies and image processing techniques has brought about a major transformation in many industrial and public safety applications. Particularly in the fields of image and object recognition, AI-based systems are widely used thanks to their high accuracy rates and automatic decision-making capabilities. License plate recognition systems play a critical role in many areas such as intelligent traffic management, security control, vehicle tracking, electronic toll collection systems, and parking management. These systems, which are widely used in large cities to ensure traffic control and detect violations, are also effectively utilized by law enforcement agencies in the fight against crime and to prevent security threats. In this study, six different YOLO architectures (YOLOv8n, YOLOv9t, YOLOv10n, YOLOv11n, YOLOv12n, and YOLO26n) were trained for 20 epochs using Tesla T4×2 GPUs on the Kaggle platform. Each model was tested with two different configurations (batch=8 and batch=16) resulting in a total of 12 model weight sets. PaddleOCR and EasyOCR were used comparatively as the license plate recognition engine, and a Turkish plate-specific error correction layer (TR Legalization) along with a Levenshtein-based tolerance matching mechanism were integrated into the system. System performance was evaluated on four different YouTube test videos as well as challenging condition videos obtained by applying various filters to these videos. The performance and robustness of the system, developed to recognize the Turkish license plate format, have been assessed under both normal and challenging conditions. It has been shown that the designed system is suitable for use as a Turkish vehicle license plate recognition system in normal and slightly harsh conditions (light fog-rain-speed), and therefore at traffic control points where there is low-speed vehicle passage such as a guillotine barrier and where there is sufficient lighting with mild air conditions.

Benzer Tezler

  1. Tez No

    917311

    Explainable deep learning classification of tree species with very high resolution VHRTreeSpecies dataset

    Açıklanabilir derin öğrenme yöntemleri ile çok yüksek çözünürlüklü VHRTreeSpecies veri seti kullanılarak ağaç türlerinin sınıflandırılması

    ŞULE NUR TOPGÜL

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    İletişim Sistemleri Ana Bilim Dalı

    PROF. DR. ELİF SERTEL

  2. Tez No

    898091

    Mathematical model-based clinical decision support system algorithm design study that can support the diagnosis of celiac disease

    Çölyak hastalığının teşhisine destek verebilecek matematik model tabanlı kds algoritması tasarımı

    ELİF KESKİN BİLGİÇ

    Doktora

    İngilizce

    İngilizce

    2024

    Mühendislik Bilimleriİstanbul Üniversitesi-Cerrahpaşa

    Biyomedikal Mühendisliği Ana Bilim Dalı

    DR. İNCİ ZAİM GÖKBAY

    DOÇ. DR. YUSUF KAYAR

  3. Tez No

    893015

    Derin öğrenme tabanlı bölütleme yöntemleriyle deprem sonrası uydu görüntülerinden hasarlı bölgelerin tespiti: 6 Şubat 2023 Türkiye depremleri örneği

    Detection of damaged regions from post-earthquake satellite images with deep learning based segmentation methods: The case of February 6, 2023 Türkiye earthquakes

    MEHMET CAN EKKAZAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. MİNE ELİF KARSLIGİL

  4. Tez No

    651008

    Derin öğrenme ile Harran ovası toprak tuzluluğunun tespiti

    Detection of Harran plain soil salinity with deep learning

    ŞEYMA AKÇA

    Yüksek Lisans

    Türkçe

    Türkçe

    2020

    Mühendislik BilimleriKaradeniz Teknik Üniversitesi

    Harita Mühendisliği Ana Bilim Dalı

    PROF. DR. OĞUZ GÜNGÖR

  5. Tez No

    936974

    New deep learning based approaches for land cover classificationin satellite images

    Uydu görüntülerinde arazi örtüsü sınıflandırması için yeni derin öğrenme tabanlı yaklaşımlar

    BAHAA AWAD

    Doktora

    İngilizce

    İngilizce

    2025

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. IŞIN ERER

Geri Dön