Güvenlik kameralarından araç hız tespiti için yeni bir derin öğrenme mimarisi önerisi
A new deep learning architecture proposal for vehicle speed detection from surveillance cameras
- Tez No: 960713
- Danışmanlar: DR. ÖĞR. ÜYESİ MEHMET KILIÇARSLAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Eskişehir Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Yazılımı Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu araştırma, akıllı ulaşım sistemlerinde doğru ve verimli araç hız tahmini için yeni bir derin öğrenme tabanlı yöntem sunmaktadır. Geleneksel nesne tespiti ve takibi odaklı yaklaşımların aksine, önerilen yöntem, video verilerinden uzamsal-zamansal bilgileri birleştirerek araç hızını doğrudan öğrenen birleşik bir yöntem önermektedir. Araç hareketi, uzamsal-zamansal alandaki izler olarak temsil edilir ve bu izlerin eğimi araç hızını doğrudan belirler. Sistemin tasarımı, uzamsal-zamansal bilgiyi bütünleştirerek tahmin doğruluğunu ve modelin sağlamlığını artırır. Bu bağlamda geliştirilen model, popüler YOLOv8 nesne tespit modeli baz alınarak uyarlanmıştır. Çeşitli trafik senaryolarında araç hız tahminine yönelik olarak uçtan uca eğitilmiştir. Model, geniş çaplı güvenlik kamerası video verileri üzerinde eğitilerek, görsel özellikler ve araç hızları arasındaki karmaşık ilişkileri etkili bir şekilde öğrenmiştir. Deneysel sonuçlar, geliştirilen yöntemin üstün performansını ortaya koymaktadır: %99 değerinde Ortalama Kesinlik Ortalaması (mAP), 1,34 km/sa değerinde ortalama mutlak hata, %2,50 değerinde ortalama mutlak yüzdelik hata ve 1,80 km/sa ortalama karekök hata değerleri elde edilmiştir. Ayrıca, geliştirilen model, saniyede 150 kare işleme hızına ulaşarak gerçek zamanlı trafik analiz uygulamaları için uygun bir çözüm sunmaktadır. Bu çalışma, araç hız tahmini için doğrudan uzamsal-zamansal verilerden öğrenen bir derin öğrenme yaklaşımının etkinliğini ortaya koyarak, trafik izleme ve sıkışıklığı yönetimi gibi alanlarda yenilikçi bir çözüm sunmaktadır. Önerilen model hem doğruluğu hem de işlem hızını optimize ederek yeni bir yaklaşım sunmaktadır.
Özet (Çeviri)
This research presents a novel deep learning-based method for accurate and efficient vehicle speed prediction in intelligent transportation systems. Unlike traditional approaches focused on object detection and tracking, the proposed method employs a unified method that directly learns vehicle speed by integrating spatio-temporal information from video data. Vehicle motion is represented as trajectories in the spatio-temporal domain, where the slope of these trajectories directly determines the vehicle's speed. The framework's design enhances prediction accuracy and model robustness by integrating spatial and temporal cues seamlessly. In this context, the model has been developed as an extension of the popular YOLOv8 object detection framework and optimized for vehicle speed prediction in various traffic scenarios. The model is trained on extensive surveillance video data, effectively learning the complex relationships between visual features and vehicle speeds. Experimental results demonstrate the superior performance of our method, achieving a mean average precision of 99%, a low mean absolute error of 1.34 km/h, a mean absolute percentage error of 2.50%, and a root mean square error of 1.80 km/h. Additionally, proposed model achieves an inference speed of 150 frames per second, making it a suitable solution for real-time traffic analysis applications. This study highlights the effectiveness of a deep learning approach that directly learns speed from spatiotemporal data, offering an innovative solution for vehicle speed prediction. The proposed model provides a new approach by optimizing both accuracy and processing speed, contributing to advancements in traffic monitoring and congestion management.
Benzer Tezler
- Monodepth-based object detection and depth sensing for autonomous vehicle vision systems
Monodepth tabanlı otonom araç görüş sistemleri için nesne tespiti ve derinlik algılama
EMRE ÇETİN
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GÖKHAN SEÇİNTİ
- Eksternal etmoidektomiler
Başlık çevirisi yok
ERCÜMENT AKMAN
Tıpta Uzmanlık
Türkçe
1987
Kulak Burun ve BoğazGazi ÜniversitesiKulak Burun Boğaz Ana Bilim Dalı
PROF.DR. NECMETTİN AKYILDIZ
- Mikrobiyoloji laboratuvarlarında kaza nedeni oluşan enfeksiyonlar
Başlık çevirisi yok
ŞENAY TÜRE
Yüksek Lisans
Türkçe
1986
MikrobiyolojiGazi ÜniversitesiKazaların Çevresel ve Teknik Araştırması Ana Bilim Dalı (disiplinlerarası)
PROF. DR. KAZIM KURTAR
- Organize sanayi bölgelerinde iş güvenliği sorunlarının teknik ve bilimsel araştırılmasında bir yöntem önerisi
Başlık çevirisi yok
MEHMET ALİ YILDIRIM
Yüksek Lisans
Türkçe
1986
Çalışma Ekonomisi ve Endüstri İlişkileriGazi ÜniversitesiKazaların Çevresel ve Teknik Araştırması Ana Bilim Dalı (disiplinlerarası)
DOÇ. DR. İBRAHİM BOYNUKALIN
- Ankara'da kazalardan korunmuş bir alış veriş merkezi tasarımı
Başlık çevirisi yok
HASAN B. YÜKSEL
Yüksek Lisans
Türkçe
1986
Şehircilik ve Bölge PlanlamaGazi ÜniversitesiKazaların Çevresel ve Teknik Araştırması Ana Bilim Dalı (disiplinlerarası)
METE ORER