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
- Tez No: 719053
- Danışmanlar: DR. ÖĞR. ÜYESİ TACHA SERIF
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Yeditepe Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- 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
- Otomatik trafik işareti tanıma
Automatic traffic sign recognition
AHMET GÜRBÜZ
Yüksek Lisans
Türkçe
2010
Elektrik ve Elektronik MühendisliğiEskişehir Osmangazi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. RIFAT EDİZKAN
- Trafik işaret levhaları için bir sürücü destek sistemi önerisi
Driver assistance system recommendation for traffic signs
MUHAMMED BUĞRA KIZILARSLANOĞLU
Yüksek Lisans
Türkçe
2024
UlaşımAtatürk Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. AHMET ATALAY
- İstanbul Kağıthane bölgesinde yüksek PM10 konsantrasyonlarının meteorolojik olarak incelenmesi
Meteorological investigation of high PM10 concentration in Istanbul Kagithane region
KÜBRA AĞAÇ
Yüksek Lisans
Türkçe
2016
Meteorolojiİstanbul Teknik ÜniversitesiMeteoroloji Mühendisliği Ana Bilim Dalı
DOÇ. DR. ALİ DENİZ
- Gemi trafik hizmetleri yönetiminin emniyet tabanlı işlevsel risk analizi
Safety-based functional risk analysis of vessel traffic services management
ADEM VİRAN
Doktora
Türkçe
2024
Denizcilikİstanbul Teknik ÜniversitesiGemi ve Deniz Teknoloji Mühendisliği Ana Bilim Dalı
DOÇ. DR. AYHAN MENTEŞ
- 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
2023
Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ORHAN ARIKAN