Comparative analysis of deep learning models for real-time detection of anomalies on road pavements
Yol kaplamalarında gerçek zamanlı anormallik tespiti için derin öğrenme modellerinin karşılaştırmalı analizi
- Tez No: 993421
- Danışmanlar: DOÇ. DR. SEDA SELÇUK
- Tez Türü: Yüksek Lisans
- Konular: İnşaat Mühendisliği, Civil Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Çankaya Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İnşaat Mühendisliği Ana Bilim Dalı
- Bilim Dalı: İnşaat Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez çalışmasının amacı, yollardaki çukur, drenaj kapakları ve hız tümsekleri gibi anormalliklerin doğru bir biçimde tespit edilmesidir. Bu doğrultuda, Dinamik Kırpma Sistemi (DKS) adı verilen bir sistem geliştirilmiş, bu sistemin nesne tespitine dayalı versiyonu (DKS-NT) ve örnek segmentasyonuna dayalı versiyonu (DKS-ÖS) oluşturulmuştur. Bu sistemler, iki aşamalı YOLO modellerinin kullanıldığı bir yol anormalliği tespit hattı olarak özetlenebilir. DKS-NT sisteminde, birinci YOLO modeli yol bölgesini tespit etmekte, ardından ikinci YOLO modeli yalnızca bu belirlenen yol bölgesi üzerinde çalıştırılarak anomali tespiti gerçekleştirilmektedir. DKS-ÖS sisteminde ise yol bölgesi, örnek segmentasyonu yapan bir model ile belirlenip tamamen izole edilmekte ve daha sonra yalnızca bu izole edilmiş bölgede anomali tespiti yapılmaktadır. Ayrıca, DKS-ÖS sisteminin anomali tespit aşamasına, gerçek zamanlı anomali tespitinde Oto-kodlayıcı yönteminin potansiyelini değerlendirmek amacıyla Oto-kodlayıcı entegre edilmiştir. Yazarın bilgisi dahilinde, bu yöntem yol anormalliklerinin tespiti üzerinde daha önce uygulanmamıştır. Modellerin eğitim sürecinde, yazar tarafından oluşturulan 36 farklı veri kaynağı birleştirilerek veri setleri hazırlanmıştır. Bu veri setlerine uygulanan veri artırma yöntemleri sayesinde sınıf dengesizliği sorunları hafifletilmiş ve modellerin genelleme yetenekleri artırılmıştır. Eğitim tamamlanıp modeller tasarlanan mimarilere entegre edildikten sonra karşılaştırma aşamasına geçilmiştir. Çalışmada DKS sistemi olmayan (NO-DKS), DKS-NT, DKS-ÖS ve Oto-kodlayıcı sistemleri karşılaştırılmış, yapılan değerlendirmeler sonucunda en başarılı sistem DKS-NT olarak belirlenmiştir. Yol bölgesi tespitinde, YOLOv10n modeli kullanan DKS-NT sistemi, 0.996 precision, 0.992 recall, 0.995 mAP@50, 0.958 [email protected]:0.95 doğruluk metriklerine ve toplamda 0.7 ms işlem süresine ulaşarak üstün performans sergilemiştir. Yol anomalilerinin tespitinde ise DKS-NT, YOLOv10s modeli kullanılarak hem hız hem de doğruluk açısından en dengeli performansı göstermiştir.
Özet (Çeviri)
This thesis aims to accurately detect anomalies such as potholes, drainage covers, and speed bumps on roads. In line with this goal, a system called Dynamic Cropping System (DCS) was developed, and its object detection-based version (DCS-OD) and Instance segmentation-based version (DCS-IS) were developed. These systems can be summarized as an anomaly detection system pipeline using two YOLO models. In DCS-OD, the first YOLO model detects the road while the second YOLO model is run on the detected road area to detect the anomaly. In DCS-IS, the road is segmented with the instance segmentation model, the segmented area is entirely isolated, and anomaly detection is performed within the segmented area. At the same time, the autoencoder was placed in the anomaly detection part of the DCS-IS to experiment with the potential of the autoencoder for real-time anomaly detection. To the best of the author's knowledge, this method has not been tried before on-road anomalies. During model training, datasets were prepared by combining 36 different sources created by the author. Augmentation techniques were applied to these datasets to address class imbalance and enhance the generalization capabilities of the models. The comparison phase began after the models were trained and integrated into the designed architectures. This study compared not using a DCS (NO-DCS), DCS-OD, DCS-IS and Autoencoder systems; the most successful system was determined as DCS-OD. In the detection of road region, this system has shown superior success by reaching 0.996 precision, 0.992 recall, 0.995 map@50, 0.958 [email protected]:0.95, and 0.7 ms total processing time values by using the YOLOv10n model for road detection. In the detection of road anomalies, DCS-OD has provided the most balanced performance in terms of speed and accuracy by using YOLOv10s. It has shown the following success in metrics: achieving a precision of 0.868, recall of 0.764, [email protected] of 0.833, [email protected]:0.95 of 0.564, and an inference speed of 1.5 ms. This system stands out as the most optimum option for real-time applications because it spends a total of 2.2 ms on road and anomaly detection and shows superior anomaly detection metrics. Two prototypes have been developed by integrating this system into the mobile application and the web application, where this application works synchronously, and research has been done on the common infrastructure of these applications. While the mobile application was developed with Flutter, the web application was developed with Flask framework in Python. While the mobile application provides security measures to end users by sound alerts about detected anomalies, the web application aims to determine anomaly locations in advance using Google Street View data and send them to the mobile application. The web application can also creates regional detailed reports for users. When all these outputs made in the study are evaluated as a whole, innovative systems such as DCS-OD, DCS-IS, and autoencoder, which detect road anomalies, have been developed, compared, and tested in applications. This thesis study, which sheds light on many issues, has emerged from the effect of the amount of data in the images on the detected object to the possibility of running two computer vision models on mobile phones.
Benzer Tezler
- Deep learning approaches for hailstorm detection and forecasting using CNN and LSTM algorithms: Comparative evaluation of radar products
Derin öğrenme yaklaşımlarıyla dolu fırtınası tespiti ve tahmini için CNN ve LSTM algoritmalarının kullanılması: Radar ürünlerinin karşılaştırmalı değerlendirmesi
NAHİT ÇATMADIM
Yüksek Lisans
İngilizce
2023
Meteorolojiİstanbul Teknik Üniversitesiİklim ve Deniz Bilimleri Ana Bilim Dalı
PROF. DR. MEHMET SİNAN ÖZEREN
- Data-driven design and analysis of next generation mobile networks for anomaly detection and signal classification with fast, robust and light machine learning
Hızlı, Sağlam ve Hafif Makine Öğrenmesi ile Anormallik Algılaması ve Sinyal Sınıflandırması için Yeni Nesil Mobil Ağların Veriye Dayalı Tasarımı ve Analizi
MUHAMMED FURKAN KUCUK
Doktora
İngilizce
2022
Elektrik ve Elektronik MühendisliğiUnıversıty Of South FlorıdaHaberleşme Ana Bilim Dalı
DOÇ. DR. İSMAİL UYSAL
- Acil yardım çağrısı jestlerinin bilgisayarla görü ve derin öğrenme yöntemleriyle gerçek zamanlı tespiti
Real-time detection of emergency call gestures using computer vision and deep learning methods
FERHAT ERDOĞAN
Yüksek Lisans
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilişim Sistemleri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUHAMMED KOTAN
- Gelişmiş yaya tespit sistemi için nesne algılama algoritmalarının karşılaştırmalı analizi
Comparative analysis of object detection algorithms for advanced pedestrian detection systems
REHNÜMA TURUNÇ
Yüksek Lisans
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAfyon Kocatepe ÜniversitesiBilgisayar Ana Bilim Dalı (disiplinlerarası)
DOÇ. DR. AHMET HAŞİM YURTTAKAL
- IoT ağları için yeni bir saldırı tespit sistemi tasarımı
Design of a new intrusion detection system for IoT networks
TUĞBA ULUSOY
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ÜNAL ÇAVUŞOĞLU