Derin öğrenme algoritmaları ile trafik işaret ve levhalarının tanımlanması
Traffic sign recognition with deep learning algorithms
- Tez No: 663047
- Danışmanlar: PROF. DR. SERDAR İPLİKÇİ
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: Türkçe
- Üniversite: Pamukkale Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 92
Özet
Günümüz teknoloji koşullarında araçlarda kullanılan sürücü destek sistemleri oldukça yaygınlaşmıştır. Araç sayısındaki artış nedeni ile oluşacak kazalar, araçlarda kullanılan sürücü destek sistemleri ile azaltılması amaçlanmaktadır. Sürücü destek sistemlerinin başında da yollardaki trafik işaretlerini tanıyıp sürücüye, işaretlere göre yol koşullarını bildiren otomatik trafik işareti tanıma sistemleri gelmektedir. Bu tezin temel amacı, görüntü işleme tekniklerini ve yapay zekanın temellerini kullanarak, trafik işaretlerini otomatik olarak tanımak için derin öğrenmeye dayalı modeller oluşturup bu modellerin başarısını karşılaştırmaktır. Bu çalışmada 21249 veriden ve 91 sınıftan oluşan“Traffic Sign Images From Turkey”veri seti kullanılmıştır. Kullanılan bu veri seti İleri Beslemeli Sinir Ağları (Feed Forward Neural Network - FFNN), Evrişimli Sinir Ağları (Convolutional Neural Network - CNN), Yinelemeli Sinir Ağları (Recurrent Neural network - RNN), Uzun Kısa Süreli Bellek (Long-Short Term Memory - LSTM) ve Kapı Yinelemeli Birimler (Gated Recurrent Units - GRU) derin ağ modellerinde eğitilmiş ve çıkan sonuçlar karşılaştırılmıştır. Kullanılan modellerde CNN %99.78 tahmin başarısıyla en iyi tahmin başarısını elde eden model olmuştur. GRU modeli %96.7, LSTM modeli %94.725, RNN modeli %89.67, FFNN modeli ise %84.395 test başarısı sağlayarak başarılı sonuçlar vermiştir.
Özet (Çeviri)
Driver support systems used in vehicles with today's technology are widely used. With these systems, it is planned to prevent increasing traffic accidents. At the top of the driver support systems, there is automatic traffic sign recognition systems that recognize the traffic signs on the roads and inform the driver of the road conditions according to the signs. The main purpose of this thesis is to create models based on deep learning to automatically recognize traffic signs using image processing techniques and the fundamentals of artificial intelligence, and to compare the success of these models. The“Traffic Sign Images From Turkey”data set consisting of 21249 data and 91 classes was used in the thesis. This data set used includes Feed Forward Neural Network (FFNN), Convolutional Neural Network (CNN), Recurrent Neural network (RNN), Long-Short Term Memory (LSTM) and Gated Recurrent Units (GRU) were trained in deep network models and the results were compared. In the models used, CNN was the model that achieved the best prediction success with 99.78% prediction success. GRU model 96.7%, LSTM model 94.725%, RNN model 89.67%, FFNN model yielded very good results with 84.395% test success.
Benzer Tezler
- American sign language recognitionusing YOLOv4 method
Amerikan işaret dili tanımıYOLOv4 yöntemini kullanma
ALI MAHMOOD SHAKIR AL-SHAHEEN
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. MESUT ÇEVİK
- Derin öğrenme ile trafik işaretlerini tanıyan bir sürücü destek sistemi
A driver assistance system that recognizes traffic signs with deep learning
MOHAMED TAGHİ
Yüksek Lisans
Türkçe
2022
UlaşımBandırma Onyedi Eylül ÜniversitesiAkıllı Ulaşım Sistemleri ve Teknolojileri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ İLYAS ÖZER
- Derin öğrenme yöntemleriyle trafik işaretlerinin gerçek zamanlı sınıflandırılması
Real-time classification of traffic signs with deep learning methods
KEMAL USANMAZ
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiBaşkent ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. SELDA GÜNEY
- Neural network based multi-carrier receiver design and doppler estimation
Yapay sinir ağı tabanlı çok taşıyıcılı alıcı tasarımı ve doppler kestirimi
YASİN YILDIRIM
Yüksek Lisans
İngilizce
2020
Mühendislik Bilimleriİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. HAKAN ALİ ÇIRPAN
DR. SEDAT ÖZER
- YOLO algoritmaları ile trafik ışıklarının gerçek zamanlı kontrolü
Real-time control of traffic lights with YOLO algorithms
ELİF İNCEKARA
Yüksek Lisans
Türkçe
2024
Mekatronik MühendisliğiIğdır ÜniversitesiMekatronik Ana Bilim Dalı
DOÇ. DR. GÜLTEKİN IŞIK