Otonom sürüş için derin öğrenme ile şerit tespiti
Lane detection for autonomous driving using deep learning
- Tez No: 637647
- Danışmanlar: PROF. DR. GÖKHAN GÖKMEN
- Tez Türü: Yüksek Lisans
- Konular: Mekatronik Mühendisliği, Mechatronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2020
- Dil: Türkçe
- Üniversite: Marmara Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Mekatronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Mekatronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: 91
Özet
Her yıl dünya genelinde meydana gelen motorlu araç kazalarında milyonun üzerinde insan hayatını kaybetmekte ve milyonlarca insan ise yaralanmaktadır. Bu kazalar, kaza sonrası hayatta kalanların yaşam kalitesini olumsuz yönde etkileyebildiğinden ve kazanın meydana geldiği çevreye zarar verebildiğinden toplum sağlığını büyük ölçüde etkilemektedir. Otonom sürüş içerisinde yer alan ileri sürücü destek sistemleri fonksiyonları bu kazalardaki insan hatasını önleme ve kazanın beraberinde getirdiği etki ve maliyeti düşürme noktalarında yardımcı olmaktadır. Bu fonksiyonların en önemlilerinden biri aracı ilerlediği şeritte güvenli bir şekilde tutan ve dikkatsizlik sonucu şerit değiştirmeyi önleyen şerit takip yardımcısıdır. Bu noktada önem arz eden şerit tespiti üzerine düşük maliyetli bir sensör çözümü olan araç üzeri yerleşik kamera kullanılarak pek çok çalışma yapılmış ve geleneksel bilgisayarla görü teknikleri kullanılmıştır. Bu teknikler şerit tespiti için başarılı çıktılar sağlamasına karşın senaryo bazlı parametre ayarlama ihtiyacı duyduklarından el ile düzeltme gerektirici ve zaman alıcıydı. Son on yıl içerisinde bilgisayar donanımındaki gelişmeyle birlikte derin öğrenme tabanlı teknikler şerit tespiti alanında kullanılmıştır. Çok daha az parametre ayarlama ve el işçiliğiyle daha başarılı sonuçlar elde edilmiştir. Şerit tespiti için en yaygın derin öğrenme yöntemi ise evrişimsel sinir ağlarıdır (CNN). Bu çalışmada bazı saygın CNN mimarileri temel olarak kullanılmış ve bir derin öğrenme ağı geliştirilmiştir. Bu ağın çıktısını şerit çizgilerine uydurulacak ikinci dereceden polinom katsayıları oluşturmuştur. Yapılan denemelerde geliştirilen ağ kullanılan CNN mimarilerinin şerit tespitindeki doğruluğuna ilişkin olarak performanslarına göre karşılaştırılmıştır. Ayrıca yığın boyutunun eğitim sürecindeki etkisi incelenmiştir. Alınan sonuçlar büyük yığın boyutlu derin ağ mimarilerinin sığ olanlara göre daha başarılı olduğunu göstermiştir.
Özet (Çeviri)
In motor vehicle accidents, over a million people die and millions get injured each year in the world. These motor vehicle accidents affect the public health substantially since they could impair quality of life in survivors and harm the environment. Advanced driver assistance functions in autonomous driving help us prevent the human-based accidents and reduce the damage and costs. One of the most important functions is the lane keeping assist which keeps the car safely in its lane by preventing careless lane changes. Therefore, many researches focused on the lane detection using an onboard camera on the car as a cost-effective sensor solution and used conventional computer vision techniques. Even though these techniques provided successful outputs regarding lane detection, they were time-consuming and required hand-crafted stuff in scenario-based parameter tuning. Deep learning-based techniques have been used in lane detection since the computer hardware developed in the last decade. More successful results were obtained with fewer parameter tuning and hand-crafted things. The most popular deep learning method for lane detection is convolutional neural networks (CNN). In this study, some reputed CNN architectures were used as a basis for developing a deep neural network. This network outputs were the lane line coefficients to fit a second order polynomial. In the experiments, the developed network was investigated by comparing the performance of the CNN architectures regarding the accuracy over the lane detection. Also the effect of batch size was examined for the training process. The results showed that the deeper architectures with bigger batch size are stronger than the shallow ones.
Benzer Tezler
- Derin öğrenme yöntemleri ile şüpheli davranış tespiti
Suspicious behavior detection with deep learning methods
DUYGU ÇALIŞKAN
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMarmara ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ÖNDER DEMİR
- Otonom araçlar için derin öğrenme tabanlı şerit tespit modellerinin performans karşılaştırması
Performance comparison of deep learning based lane detection models for autonomous vehicles
MUHAMMED SAİD ATAŞ
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSiirt ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ YAHYA DOĞAN
DR. ÖĞR. ÜYESİ CÜNEYT ÖZDEMİR
- Otonom araçlarda şerit takip ve kontrol sisteminin makine öğrenmesi kullanılarak geliştirilmesi
Development of lane following and control system in autonomous vehicles using machine learning
FATMA NUR ORTATAŞ
Yüksek Lisans
Türkçe
2022
Elektrik ve Elektronik MühendisliğiYozgat Bozok ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ EMRAH ÇETİN
- The navigation of an autonomous car using deep convolutional neural network and lidar measurements
Derin dönüşümlü sinir ağı ve lıdar ölçümleriyle otonom bir arabanın navigasyonu
AZEEZ FOLAYEMI ADEBAYO
Yüksek Lisans
İngilizce
2022
Mekatronik MühendisliğiKocaeli ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. HÜSEYİN METİN ERTUNÇ
- Otonom araçlar için şerit ve nesne tespiti
Object and lane detection for autonomous vichel
MD NASRULLAH
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBandırma Onyedi Eylül ÜniversitesiAkıllı Ulaşım Sistemleri ve Teknolojileri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AYKUT DİKER