Geri Dön

İnsansız hava aracı ile raylı sistemler için derin öğrenme tabanlı etiket tanıma sistemi

Deep learning-based label recognition system for railway systems using an unmanned aerial vehicle

PDF İndir

  1. Tez No: 1025237
  2. Yazar: KENAN DOĞAN
  3. Danışmanlar: DOÇ. DR. ZEHRA URAL BAYRAK
  4. Tez Türü: Yüksek Lisans
  5. Konular: Mühendislik Bilimleri, Sivil Havacılık, Yönetim Bilişim Sistemleri, Engineering Sciences, Civil Aviation, Management Information Systems
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2026
  8. Dil: Türkçe
  9. Üniversite: Fırat Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Havacılık Bilimi ve Teknolojileri Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Demiryolu taşımacılığında vagonların hızlı ve doğru şekilde tanınması, envanter yönetimi, lojistik süreçlerin takibi ve operasyonel güvenliğin sağlanması açısından çok önemlidir. Ancak mevcut çalışmaların büyük bir kısmı kara yolu araçlarına odaklanmakta olup, raylı sistemlere yönelik bütünleşik ve veri tabanı destekli çözümler sınırlı kalmaktadır. Bu tez çalışmasının amacı, dronlar ve kamera sistemleri aracılığıyla elde edilen görüntüler üzerinden vagon numaralarını otomatik olarak tespit eden, tanıyan ve elde edilen verileri yapılandırılmış bir veri tabanına aktaran bütünleşik bir görüntü işleme ve derin öğrenme sistemi geliştirmektir.Bu çalışmanın temel hipotezi, derin öğrenme tabanlı nesne tespiti ile optik karakter tanıma yöntemlerinin birlikte kullanılması sayesinde vagon numaralarının gerçek zamanlı ve yüksek doğrulukla tespit edilebileceğidir. Farklı ışık koşulları, açı ve mesafeler altında elde edilmiş yaklaşık 5990 adet görüntüden oluşan bir veri seti kullanılmıştır. Veri seti V1'den V4'e kadar kademeli olarak genişletilmiş ve veri seti büyüklüğünün model performansı üzerindeki etkisi analiz edilmiştir. Yöntem kapsamında farklı YOLO mimarileri karşılaştırılmış ve en yüksek performansı sağlayan YOLOv11n modeli seçilmiştir. Bu model ile gerçekleştirilen deneylerde mAP@50 değeri %97,6, precision %98,0, recall %91,1 ve F1 skoru %94,4 olarak elde edilmiştir. Nesne tespiti sonrasında OCR aşamasında EasyOCR, PaddleOCR ve Tesseract OCR motorları karşılaştırılmış; PaddleOCR yöntemi 355 örnek üzerinden 318 doğru okuma ve yaklaşık 18 ms işlem süresi ile en yüksek performansı göstermiştir. Elde edilen metinler, UIC standartlarına göre kontrol basamağı algoritması kullanılarak doğrulanmış ve hatalı okumaların veri tabanına kaydedilmesi engellenmiştir.Elde edilen sonuçlar, görüntü işleme, derin öğrenme ve veri tabanı yönetimi süreçlerinin entegre edilmesiyle raylı sistemler için yüksek doğruluklu, hızlı ve uygulanabilir bir otomatik tanıma sistemi geliştirilebileceğini göstermektedir. Bu çalışma, vagon tanıma süreçlerinin otomatikleştirilmesine katkı sağlayarak literatürdeki önemli bir boşluğu doldurmakta ve lojistik yönetimi, güvenlik uygulamaları ve veri analizi alanlarında kullanılabilecek güçlü bir altyapı sunmaktadır.

Özet (Çeviri)

Railway transportation requires fast and accurate identification of wagons for effective inventory management, logistics tracking, and operational safety. However, most existing studies focus on road vehicles, and integrated database-supported solutions for railway systems remain limited. The aim of this thesis is to develop an integrated image processing and deep learning-based system that automatically detects and recognizes wagon numbers from images acquired via drones and camera systems, and transfers the obtained data into a structured database. This study hypothesizes that wagon numbers can be detected with high accuracy and in real time by combining deep learning-based object detection and optical character recognition (OCR) methods. A dataset consisting of approximately 5,990 images, obtained under varying lighting conditions, angles, and distances, was used. The dataset was progressively expanded from V1 to V4, and the effect of dataset size on model performance was analyzed. Within the proposed methodology, different YOLO architectures were compared, and the YOLOv11n model was selected as the best-performing approach. Experimental results achieved with this model yielded an mAP@50 of 97.6%, precision of 98.0%, recall of 91.1%, and an F1-score of 94.4%. Following object detection, OCR methods including EasyOCR, PaddleOCR, and Tesseract were evaluated; PaddleOCR demonstrated the best performance with 318 correct readings out of 355 samples and an average processing time of approximately 18 ms. The extracted text data were validated using a check digit algorithm based on UIC standards, preventing incorrect readings from being stored in the database. The results demonstrate that integrating image processing, deep learning, and database management enables the development of a high-accuracy, efficient, and practical automatic recognition system for railway applications. This study contributes to the automation of wagon identification processes, addresses a significant gap in the literature, and provides a robust infrastructure for logistics management, safety monitoring, and data analysis applications.

Benzer Tezler

  1. Tez No

    342572

    Otopilot sistemine sahip döner kanatlı mini insansız hava aracının demiryolu güvenliği çalışmalarında kullanımı

    Usage of rotary wing unmanned aerial vehicle (UAV) having auto pilot system in railway safety

    MEHMET MASAT

    Yüksek Lisans

    Türkçe

    Türkçe

    2013

    Sivil HavacılıkAnadolu Üniversitesi

    Sivil Havacılık Ana Bilim Dalı

    DR. HAKAN KORUL

    YRD. DOÇ. DR. MEHMET KAYA

  2. Tez No

    381860

    Mission analyses of a double unit Cubesat - Beeaglesat

    Beeaglesat Küp uydusu görev anali̇zleri̇

    ÇAĞRI KILIÇ

    Yüksek Lisans

    İngilizce

    İngilizce

    2015

    Havacılık ve Uzay Mühendisliğiİstanbul Teknik Üniversitesi

    Uçak ve Uzay Mühendisliği Ana Bilim Dalı

    PROF. DR. ALİM RÜSTEM ASLAN

  3. Tez No

    332411

    İnsansız hava aracı ile anten ışıma diyagramının elde edilmesi

    Obtaining radiation diagrams with unmanned aerial vehicle

    ERHAN GÜLEÇ

    Yüksek Lisans

    Türkçe

    Türkçe

    2013

    Elektrik ve Elektronik MühendisliğiHava Harp Okulu Komutanlığı

    Elektronik Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. MUSTAFA EMRE AYDEMİR

  4. Tez No

    444048

    İnsansız hava aracı ile pamuk bitkisinin gelişim sürecindeki değişimlerin izlenmesi ve değerlendirilmesi

    Detecting and evaluation of the cotton plant in the growing period by using the unmanned aerial vehicle

    FATİH ZORLU

    Yüksek Lisans

    Türkçe

    Türkçe

    2016

    ZiraatHarran Üniversitesi

    Tarım Makineleri Ana Bilim Dalı

    YRD. DOÇ. DR. BÜLENT PİŞKİN

  5. Tez No

    476288

    İnsansız hava aracı ile mayın tarama

    Mine scanning with unmanned aerial vehicle

    ONUR KARA

    Yüksek Lisans

    Türkçe

    Türkçe

    2017

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTrakya Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. TARIK YERLİKAYA

Geri Dön