Geri Dön

Enhancing Turkish traffic sign recognition: A comparison of training step numbers, lighting conditions and image sizes

Türk trafik işareti tanımasının geliştirilmesi: Eğitim adım sayıları, aydınlatma koşulları ve görüntü boyutlarının karşılaştırılması

  1. Tez No: 719053
  2. Yazar: KAAN KOCAKANAT
  3. Danışmanlar: DR. ÖĞR. ÜYESİ TACHA SERIF
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2022
  8. Dil: İngilizce
  9. Üniversite: Yeditepe Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 106

Özet

Yollardaki araç sayısının her geçen gün artmasıyla birlikte trafik işaretleri her geçen gün daha da önem kazanmaktadır. Trafik işaretleri basit ve anlaşılması kolay olmasına rağmen, sıkışık trafikte sürücüler bunları gözden kaçırabilir. Sürücüye trafik işaretleri konusunda yardımcı olması için bir trafik işareti tanıma sisteminin uygulanması gerekmektedir. Bu tezde Türk TSR sistemi için üç farklı adım önerilmiştir. İlk olarak, birinci adımda, modeller seçici arama algoritması kullanılarak eğitilir ve model eğitiminde öğrenme aktarımı kullanılır. Modeller, önceden eğitilmiş MobileNetV2 modeli kullanılarak geliştirilmiştir. İkinci olarak, ikinci adımda, modeller bir kez daha seçici arama algoritması kullanılarak eğitilir, ancak bu sefer öğrenme aktarımını kullanmak yerine, modeller yeni geliştirilen bir CNN ile eğitilir. Son olarak, üçüncü adımda, model eğitiminde Faster R-CNN Inception V2 COCO modeli kullanılır. Modellerin eğitimi sırasında kullanılması amacıyla 54 farklı sınıf ve 10842 adet Türk trafik işareti görüntüsünü içeren özgün veri seti oluşturulmuştur. Modellerin eğitim süreci, farklı eğitim adım sayıları ile iki kez gerçekleştirilir. Daha sonra bu modeller, hem gündüz hem de gece çekilen Türk trafik işareti görüntülerini büyük ve küçük boyutlu görüntülerle tespit etmek için kullanılır. Birinci adımın sonuçları, 25 epok ile eğitilen model için kayıp değerinin 7% ve test doğruluğunun 98.7% olduğunu gösterirken 50 epok ile eğitilen model için kayıp değerinin 4% ve test doğruluğunun 99% olduğunu göstermektedir. İkinci adımın sonuçları, 25 epok ile eğitilen model için kayıp değerinin 8.9% ve test doğruluğunun 98.8% olduğunu gösterirken 50 epok ile eğitilen model için kayıp değerinin 9.5% ve test doğruluğunun 99.1% olduğunu göstermektedir. Üçüncü adımın sonuçları, 51,217 adımla eğitildiğinde Daha Hızlı R-CNN modelinin ortalama hassasiyetinin %67,2 ve ortalama hatırlamanın %78,3 olduğunu, 200,000 adımla eğitildiğinde ise ortalama hassasiyetinin %76'ya ve ortalama hatırlamanın %82,8'e yükseldiğini göstermektedir. Her üç adım için toplam test süresi karşılaştırıldığında, modeller için algılama ve tanıma süresinin sırasıyla yaklaşık 51, 63 ve 7 saniye olduğu görülmektedir.

Özet (Çeviri)

As the number of vehicles on the roads increases, traffic signs are becoming more and more important every passing day. Despite the fact that traffic signs are simple and easy to understand, in congested traffic drivers may miss them. It would be a big help if a system could assist the driver with traffic signs. A traffic sign recognition system needs to be implemented to achieve this. Three different steps are proposed in this thesis for the Turkish TSR system. Firstly, as step one, models are trained using selective search method and transfer learning is utilized in model training. Models are developed using the pre-trained MobileNetV2 model. Secondly, as step two, models are trained using the selective search method once more, however this time instead of using the transfer learning, the models are trained by developing a new custom CNN. Lastly, as step three, the Faster R-CNN Inception V2 COCO model is utilized in model training. For training purposes, indigenous dataset is created containing 54 distinct classes and 10842 Turkish traffic sign images. The training process of the models are carried out twice with different training step numbers. Then, these models are used to detect Turkish traffic sign images taken both daytime and nighttime with large size and small size images. The results of step one indicate that the loss value for the model which is trained with 25 epochs is 7%, with a test accuracy of 98.7% and the loss value for the model which is trained with 50 epochs is 4%, with a test accuracy of 99%. The results of step two show that the loss value for the model which is trained with 25 epochs is 8.9%, with a test accuracy of 98.8% and the loss value for the model which is trained with 50 epochs is 9.5%, with a test accuracy of 99.1%. The results of step three demonstrates that the Faster R-CNN model's average precision is 67.2% and average recall is 78.3% when trained with 51,217 steps; on the other hand, the average precision increases to 76% and average recall increases to 82.8% when trained with 200,000 steps. When the total test time for all three steps are compared, the detection and recognition time for the models are approximately 51, 63, and 7 seconds, respectively.

Benzer Tezler

  1. Otomatik trafik işareti tanıma

    Automatic traffic sign recognition

    AHMET GÜRBÜZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2010

    Elektrik ve Elektronik MühendisliğiEskişehir Osmangazi Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. RIFAT EDİZKAN

  2. Trafik işaret levhaları için bir sürücü destek sistemi önerisi

    Driver assistance system recommendation for traffic signs

    MUHAMMED BUĞRA KIZILARSLANOĞLU

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    UlaşımAtatürk Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    DOÇ. AHMET ATALAY

  3. İstanbul Kağıthane bölgesinde yüksek PM10 konsantrasyonlarının meteorolojik olarak incelenmesi

    Meteorological investigation of high PM10 concentration in Istanbul Kagithane region

    KÜBRA AĞAÇ

    Yüksek Lisans

    Türkçe

    Türkçe

    2016

    Meteorolojiİstanbul Teknik Üniversitesi

    Meteoroloji Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ALİ DENİZ

  4. Gemi trafik hizmetleri yönetiminin emniyet tabanlı işlevsel risk analizi

    Safety-based functional risk analysis of vessel traffic services management

    ADEM VİRAN

    Doktora

    Türkçe

    Türkçe

    2024

    Denizcilikİstanbul Teknik Üniversitesi

    Gemi ve Deniz Teknoloji Mühendisliği Ana Bilim Dalı

    DOÇ. DR. AYHAN MENTEŞ

  5. Enhancing reliability in semantic communication: A stochastic approach to semantic-graph modeling

    Anlamsal iletişimde güvenilirliğiarttırma: Anlamsal-grafik modellemesine stokastik yaklaşım

    SADIK YAĞIZ YETİM

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. ORHAN ARIKAN