Trafikteki araç kuyruklanmalarının derin öğrenme ile gerçek zamanlı tespiti
Real-time detection of vehicle queues in traffic with deep learning
- Tez No: 910976
- Danışmanlar: DOÇ. DR. ADEM TUNCER
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Kuyruklanma, Trafikte araç tespiti, Derin öğrenme, YOLO, SORT, Queuing, Vehicle detection in traffic, Deep learning, YOLO, SORT
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Yalova Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Günümüzde hızla artan araç sayısı ve trafik yoğunluğuna bağlı olarak, trafik yönetimi ve kuyruklanma tespiti önemli bir konu haline gelmiştir. Özellikle nüfus yoğunluğunun fazla olduğu şehirlerde trafik yoğunluğundaki artış, trafikteki insanların günlük yaşamında olumsuz etkiye sebep olmaktadır. Günlük yaşamı olumsuz etkilemesinin yanı sıra trafik yoğunluğu insanların gideceği yerlere gidiş-geliş sürelerinin uzamasına, araçların daha fazla yakıt tüketmesine ve bunun sonucunda enerji kaynaklarının hızlı tükenmesi gibi sorunlara da neden olmaktadır. Bu nedenle trafik yönetimi ve kuyruklanma tespiti, trafik yönetiminde önemli bir rol oynamaktadır. Trafikte oluşan olumsuz durumların daha kolay çözümlenebilmesi için son yıllarda yapay zeka destekli sistemler önerilmeye başlamıştır. Yapay zeka temelli bu sistemler ile trafik akışının izlenmesi, trafikteki yoğunluğun belirlenmesi ve bu yoğunluğa bağlı olarak kuyruklanmanın tespit edilip etkili bir şekilde yönetilmesi trafikteki olumsuz etkilerin azalmasına yardımcı olmaktadır. Bu tez çalışmasında, trafik bileşenleri analizinin gerçekleştirilmesi amaçlanmıştır. Çalışma dört aşamadan oluşmaktadır. İlk aşamada görsel trafik veri setleri kullanılarak derin öğrenme algoritmalarından YOLO ile araç tespiti ve sınıflandırılma işlemi gerçekleştirilmektedir. Modeli otomobil, motosiklet, kamyon, otobüs ve bisiklet gibi beş farklı araç türünü tespit etmekte ve sınıflandırmaktadır. Tespit modelinin araç sınıf tahmininde ulaştığı kesinlik değeri %86, duyarlılık değeri %87 ve ortalama hassasiyet değeri %93 olarak hesaplanmıştır. İkinci aşamada, ilgili bölgeden geçen araçların SORT algoritması ile araç sayımı ve takibi gerçekleştirilmiştir. Üçüncü aşamada, sayımı yapılan araçların hızları tespit edilmiştir. Son aşamada ise, araçların tespit edilen hız bilgileri kullanılarak kuyruklanma durum tespiti gerçekleştirilmiştir. Kuyruklanma durum tespiti işleminde, araçların ortalama hızları kullanılmıştır. Araç sınıf tespiti, araç sayımı, araç hız tespiti ve kuyruklanma durum tespiti için hem kendi çekimimiz olan videolar hem de internet kaynaklarından elde edilen videolar kullanılarak kullanılan algoritmaların performansları değerlendirilmiştir.
Özet (Çeviri)
Nowadays, due to the rapidly increasing number of vehicles and traffic density, traffic management and queueing detection have become an important issue. Especially in cities with high population density, the increase in traffic density has a negative impact on the daily life of people in traffic. In addition to adversely affecting daily life, traffic density causes problems such as prolonged journey times to and from destinations, increased fuel consumption of vehicles and consequently rapid depletion of energy resources. Therefore, traffic management and queuing detection play an important role in traffic management. In recent years, artificial intelligence supported systems have started to be proposed in order to solve the negative situations in traffic more easily. With these artificial intelligence-based systems, monitoring the traffic flow, determining the density in traffic and detecting and effectively managing queuing depending on this density helps to reduce the negative effects in traffic. In this thesis, it is aimed at performing traffic component analysis. The study consists of four stages. In the first stage, vehicle detection and classification are performed with YOLO, one of the deep learning algorithms, using visual traffic data sets. The model detects and classifies five different vehicle types such as car, motorbike, truck, bus and bicycle. The precision value achieved by the detection model in vehicle class prediction was calculated as 86%, the recall value as 87% and the mean average precision value as 93%. In the second stage, vehicle counting and tracking of the vehicles passing through the relevant region was performed with the SORT algorithm. In the third stage, the speeds of the counted vehicles were determined. In the last stage, queuing detection was performed using the detected speed information of the vehicles. In the queueing detection process, the average speed of the vehicles was used. The performances of the algorithms used for vehicle class detection, vehicle counting, vehicle speed detection and queueing detection were evaluated using both our own videos and videos obtained from internet sources.
Benzer Tezler
- Motorlu araç kullanan bireylerin trafikteki öfke düşünceleri ve davranışlarının psikiyatriye başvuran bireylerle karşılaştırılması
Comparison between motor vehicle users and the people who applied to psychiatry in terms of angry thoughts and behaviours in traffic
FERİT ŞAHİN
- Trafikteki taşıtların teknik şartlarının incelenmesi
Investigating technical conditions of vehicles in traffic
ÜMİT TANSEL EROĞLU
- Otonom araçlar için trafikteki hareketli nesnelerin rotasının derin öğrenme tabanlı uçtan uca sistemle tahmin edilmesi
Trajectory prediction of moving objects in traffic for autonomous vehicles using a deep learning-based end-to-end system
SEVCAN TURAN
Doktora
Türkçe
2025
Bandırma Onyedi Eylül ÜniversitesiAkıllı Ulaşım Sistemleri ve Teknolojileri Ana Bilim Dalı
Yükleniyor...
- Trafik kazalarında motorlu araç işletenin hukuki sorumluluğu
Legal liability of the motor vehicle operator in traffic accidents
MELİKE ARSLAN BAL
- Araç kompozisyonunun şehiriçi trafik akımlarındaki etkilerinin incelenmesi
Investigation of the effects of vehicle composition on urban traffic flow
BURCU YİĞİT