Derin öğrenme ile trafik işaretlerini tanıyan bir sürücü destek sistemi
A driver assistance system that recognizes traffic signs with deep learning
- Tez No: 756601
- Danışmanlar: DR. ÖĞR. ÜYESİ İLYAS ÖZER
- Tez Türü: Yüksek Lisans
- Konular: Ulaşım, Transportation
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: Türkçe
- Üniversite: Bandırma Onyedi Eylül Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Akıllı Ulaşım Sistemleri ve Teknolojileri Ana Bilim Dalı
- Bilim Dalı: Akıllı Ulaşım Sistemleri ve Teknolojileri Bilim Dalı
- Sayfa Sayısı: 65
Özet
Günümüzde toplumun ve ekonominin hızla gelişmesiyle birlikte otomobiller neredeyse her hane için uygun ulaşım modlarından biri haline gelmiştir. Bu, karayolu trafik ortamını giderek daha karmaşık hale getiriyor ve insanlar, sürücülere trafik işareti bilgileri sağlayan, sürücü işlemlerini düzenleyen veya yol güvenliğini sağlamak için araç kontrolüne yardımcı olan akıllı görüş destekli uygulamalara sahip olmayı önemli hale getiriyor. Daha önemli işlevlerden biri olan trafik işareti algılama ve tanıma, yurtiçinde ve yurtdışında araştırmacıların sıcak araştırma yönü haline geldi. Esas olarak, gerçek zamanlı yol görüntülerini yakalamak ve daha sonra yolda karşılaşılan trafik işaretlerini tespit etmek ve tanımlamak için araç kameralarının kullanılmasıdır, böylece sürüş sistemine doğru bilgi sağlanır. Ancak, gerçek sahnedeki yol koşulları çok karmaşıktır. Uzun yıllar süren yoğun çalışmalardan sonra, araştırmacılar tanıma sistemini henüz pratik hale getiremediler ve daha fazla araştırma ve iyileştirmeye hala ihtiyaç bulunmaktadır. Geleneksel olarak trafik işaretleri, standart bilgisayarlı görme yöntemleri kullanılarak algılanır ve sınıflandırılır, ancak görüntünün önemli özelliklerini manuel olarak işlemek de oldukça zaman alır. Bilim ve teknolojinin gelişmesi ve ilerlemesiyle birlikte, giderek daha fazla bilim insanı bu sorunu çözmek için derin öğrenme teknolojisini kullanmaktadır. Derin öğrenme algoritmaları, sınıflandırma görevlerinde son teknoloji performanslar göstermiştir. Sonuç olarak, derin öğrenmeye dayalı nesne algılama algoritmaları, bilgisayarla görme görevlerinde popüler hale geldi. İki ana kategoriye ayrılabilirler: İki aşamalı algılama algoritmaları ve tek aşamalı algılama algoritmaları. İki aşamalı algılama algoritmaları, tek aşamalı algılama algoritmalarına kıyasla konum belirleme ve tanıma doğruluğu açısından daha iyi performansa sahiptir. Ancak, tek aşamalı algılama algoritmaları daha hızlı olacak şekilde tasarlanmıştır, bu da onları algılama süresinin çok önemli olduğu gerçek zamanlı uygulamalar için uygun hale getirir. Bu projede, esas olarak son teknoloji tek aşamalı algılama algoritmalarından bir trafik işareti algılama algoritması sunulmaktadır. Yol trafik işareti algılama ve tanıma uygulamasına dayanan, algılama ve tanımanın doğruluğuna ve yüksek verimliliğine odaklanmaktadır. Açık kaynaklı çerçeve olan YOLOv3 ve YOLOv7 kullanarak ile veri tabanı GTSDB (Alman Trafik İşareti Algılama Kıyaslaması) iki model oluşturuldu ve sırasıyla YOLOv7 97.3% ve YOLOv3 99.46% başarım değerleri elde edilmiştir. Trafik işaretlerini sınıflandırabilecek bir model elde etmek ve bu trafik işaretlerinden en kritiklerini öğrenip tanımlamak için bir derin evrişim sinir ağı algoritması önerilmiştir.
Özet (Çeviri)
Today, with the rapid development of society and economy, automobiles have become one of the appropriate modes of transportation for almost every household. This is making the road traffic environment more and more complex, and people expect to have smart Vision powered apps that provide drivers with traffic sign information, regulate driver operations or assist vehicle control to ensure road safety. Traffic sign detection and recognition [1], one of the more important functions, has become the hot research direction of researchers at home and abroad. It is essentially the use of on-board cameras to capture real-time images of the road and then detect and identify traffic signs encountered on the road, thus providing accurate information to the driving system. However, road conditions in the real scene are very complex. After many years of hard work, researchers have yet to make the recognition system practical, and further research and refinement is still needed. Traditionally, traffic signs are detected and classified using standard computer vision methods, but manually processing important features of the image is also quite time consuming. With the development and advancement of science and technology, more and more scientists are using deep learning technology to solve this problem. Deep learning algorithms have shown cutting-edge performances in classification tasks. As a result, deep learning-based object detection algorithms have become popular in computer vision tasks. They can be divided into two main categories: Two-stage detection algorithms and one-stage detection algorithms. Two-stage detection algorithms have better performance in terms of positioning and recognition accuracy compared to single-stage detection algorithms. However, single-stage detection algorithms are designed to be faster, making them suitable for real-time applications where detection time is crucial. In this project, a traffic sign detection algorithm, mainly from state-of-the-art single-stage detection algorithms, is presented. Based on the application of road traffic sign detection and recognition, it focuses on the accuracy and high efficiency of detection and recognition. We have built two models of the database GTSDB (German Traffic Sign Detection Benchmark) using the open-source framework YOLOv3 and YOLOv7, and the resulting results are YOLOv7 97.3% and YOLOv3 99.46%. A deep convolutional neural network algorithm is proposed to obtain a model that can classify traffic signs and train traffic sign trainers to learn and identify the most critical of these traffic signs.
Benzer Tezler
- 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
- Trafik işaretlerinin derin sinir ağları ile sınıflandırılması
Classification of traffic signs with deep neural networks
BURCU TİRYAKİ
Yüksek Lisans
Türkçe
2019
Elektrik ve Elektronik MühendisliğiAtatürk ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ EMİN ARGUN ORAL
- Detection, localization and distance measurement of traffic sign plates with deep learning
Derin öğrenme ile trafik işaret plakalarının tespiti, yerelleştirmesi ve mesafe ölçümü
OMAR SHAWQI KHALEEL AL-NOORI
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. BURHAN ERGEN
- Trafik levhalarının evrişimsel sinir ağları ile tanınması
Recognition of traffic signs using convolutional neural networks
BÜŞRA ÖVÜN
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKocaeli ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. YAŞAR BECERİKLİ
- Derin öğrenme algoritmaları ile trafik işaret ve levhalarının tanımlanması
Traffic sign recognition with deep learning algorithms
AHMET YAVUZ
Yüksek Lisans
Türkçe
2021
Elektrik ve Elektronik MühendisliğiPamukkale ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. SERDAR İPLİKÇİ