Otonom araçlar için derin öğrenme tabanlı şerit tespit modellerinin performans karşılaştırması
Performance comparison of deep learning based lane detection models for autonomous vehicles
- Tez No: 880975
- Danışmanlar: DR. ÖĞR. ÜYESİ YAHYA DOĞAN, DR. ÖĞR. ÜYESİ CÜNEYT ÖZDEMİR
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Siirt Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 77
Özet
Otonom sürüş sistemleri, modern ulaşım teknolojilerinin en önemli gelişmelerinden biri olarak kabul edilmektedir. Bu sistemlerin güvenli ve etkili bir şekilde çalışabilmesi için çevresel algılama ve özellikle şerit tespiti gibi kritik görevleri başarıyla yerine getirmesi gerekmektedir. Bu tez çalışması, otonom sürüş sistemlerinde şerit tespiti için derin öğrenme tabanlı yaklaşımları ele almaktadır. Bu tez çalışmasının temel amacı, U-Net, SCNN, ENet ve ENet-SAD gibi dört farklı derin öğrenme mimarisinin şerit tespit performansını karşılaştırmalı olarak analiz etmektir. Bu amaçla, hem yaygın olarak kullanılan TuSimple veri seti hem de özgün olarak oluşturulmuş bir veri seti kullanılmıştır. Modeller, doğruluk, hassasiyet, duyarlılık, F1-skoru ve IoU gibi çeşitli başarı metrikleri ile değerlendirilmiştir. Ayrıca, modellerin görsel çıktıları üzerinden nitel bir analiz de yapılmıştır. Elde edilen sonuçlar, SCNN modelinin her iki veri kümesi üzerinde de genel olarak en yüksek performansı gösterdiğini ortaya koymuştur. SCNN, özellikle karmaşık yol yapıları ve değişken koşullar altında şeritleri doğru bir şekilde tespit etme yeteneğiyle öne çıkmıştır. Bununla birlikte, SCNN'nin görece olarak yüksek işlem süresi, gerçek zamanlı uygulamalar için bir dezavantaj olarak kabul edilebilir. U-Net modeli ise SCNN'ye kıyasla daha düşük doğruluk oranına sahip olmasına rağmen, önemli ölçüde hızlı bir çıkarım süresi sunmuştur. Bu özellik, U-Net'i gerçek zamanlı uygulamalar için uygun bir aday haline getirmektedir. ENet ve ENet-SAD modelleri ise diğer iki modele kıyasla daha düşük performans göstermişlerdir. Ancak, daha hafif ve daha az hesaplama gücü gerektiren yapıları, kaynak kısıtlı ortamlarda kullanılmalarını mümkün kılmaktadır. Özgün veri kümesi üzerinde elde edilen sonuçlar, TuSimple veri kümesi üzerindeki sonuçlarla büyük ölçüde uyumluluk göstermiş ve modellerin performansının farklı veri kümeleri üzerinde de genellenebilir olduğunu göstermiştir. Bu tez çalışması, otonom sürüş teknolojisinin gelişimine ve şerit tespiti alanındaki araştırmalara katkı sağlayacağı düşünülmektedir.
Özet (Çeviri)
Autonomous driving systems are recognized as one of the most significant advancements in modern transportation technologies. To ensure the safe and efficient operation of these systems, it is crucial that they excel in critical tasks, particularly environmental perception and lane detection. This thesis study addresses deep learning-based approaches for lane detection in autonomous driving systems. The primary objective of this thesis is to comparatively analyze the lane detection performance of four different deep learning architectures: U-Net, SCNN, ENet, and ENet-SAD. For this purpose, both the widely used TuSimple dataset and an originally created dataset were utilized. The models were evaluated using various performance metrics such as accuracy, precision, recall, F1-score, and IoU. Additionally, a qualitative analysis was conducted on the visual outputs of the models. The results revealed that the SCNN model generally demonstrated the highest performance on both datasets. SCNN particularly stood out with its ability to accurately detect lanes under complex road structures and variable conditions. However, SCNN's relatively high processing time can be considered a disadvantage for real-time applications. Although the U-Net model had a lower accuracy rate compared to SCNN, it offered a significantly faster inference time. This feature makes U-Net a suitable candidate for real-time applications. ENet and ENet-SAD models showed lower performance compared to the other two models. However, their lighter structure and lower computational power requirements make them suitable for use in resource-constrained environments. The results obtained on the original dataset showed great consistency with the results on the TuSimple dataset, demonstrating that the models' performance can be generalized across different datasets. This thesis study is expected to contribute to the development of autonomous driving technology and research in the field of lane detection.
Benzer Tezler
- Prediction of the pedestrian crossing intention using deep learning
Yayaların karşıya geçme davranışlarının derin öğrenmeyle tahmini
BERK EREN
Yüksek Lisans
İngilizce
2021
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. AHMET HAMDİ KAYRAN
- A comparative study of deep learning approaches for autonomous vehicle control
Otonom araç kontrolü için ̇derin öğrenme yaklaşımlarının karşılaştırılması
EMRE ŞAHİN
Yüksek Lisans
İngilizce
2024
Mekatronik Mühendisliğiİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. GÜLAY ÖKE GÜNEL
- Automated lane change decision making for autonomous vehicles using machine learning techniques
Makine öğrenmesi teknikleri ile otonom araçlarda şerit değişimine karar verme
MEHDI NASIRI
Yüksek Lisans
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
DOÇ. GÜLAY ÖKE GÜNEL
- Hatalı yerleştirilen araç sigortalarının şablon eşleştirme yöntemiyle tespiti
Detection of misplaced vehicle fuses using template matching method
MUSTAFA KARAKURT
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiSakarya ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AHMET KÜÇÜKER
- Evrişimsel sinir ağı destekli şerit takip sistemi tasarımı
Design of lane detection system supported by convolutional neural network
TALHA ÇELİK
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ADEM ALPASLAN ALTUN