Journal of Materials and Mechatronics: A
Yazarlar: ["Faruk Emre AYSAL", "Kasım YILDIRIM", "Enes CENGİZ"]
Konular:-
DOI:10.55546/jmm.1196409
Anahtar Kelimeler:Derin Öğrenme,Otonom Taşıt,Gerçek Zamanlı Uygulama,YOLOv5
Özet: Otonom taşıtlar, otomotiv teknolojisinde popülaritesi giderek artan uygulama alanlardan biridir. Bu taşıtlar, iletişim, koordinasyon ve otonom sürüş yeteneğine sahip olmasıyla, ulaşım sistemlerini iyileştirmede önemli potansiyeller göstermektedir. İnsan müdahalesi olmadan kaynaktan hedefe hareket eden bu taşıtlar, kazalar ve trafik sıkışıklığı gibi insanların trafikte neden olduğu çeşitli sorunlara çözüm olarak ortaya çıktığı görülmektedir. Trafik kazaları ve trafik sıkışıklıkları büyük oranda sürücü kusurlarından ve trafik kurallarına uyulmamasından kaynaklanmaktadır. Bu nedenle, otonom taşıtlara yapay zekâ (AI) tabanlı sistemlerin entegre edilmesinin sosyal hayatta problem olarak görülen bu gibi durumlara çözüm olacağı öngörülmektedir. Literatüre bakıldığında VGGNet, ResNet50, MobileNetV2, NASNetMobile, İleri Beslemeli Sinir Ağları (Feed Forward Neural Network), Yinelemeli Sinir Ağları (Recurrent Neural network), Uzun Kısa Süreli Bellek (Long-Short Term Memory) ve Kapı Yinelemeli Birimler (Gated Recurrent Units) gibi derin öğrenme modellerinin yaygın bir şekilde trafik işareti sınıflandırma çalışmalarında kullanıldığı görülmektedir. Önceki araştırmalardan farklı olarak bu çalışmada, açık kaynak bir veri seti ile YOLOv5 versiyonlarının modelleri kullanılarak trafik işaret ve işaretçilerinin algılanması üzerine bir derin öğrenme uygulaması yapılmıştır. Özgün veri seti hazırlanarak çalışmada kullanılmıştır. Bu veri setinin farklı AI modellerine uygun olarak etiketleme işlemi tamamlanmıştır. Geliştirilen CNN modellerinde 15 farklı trafik işaret levha sınıfını içeren veri setinin eğitim işlemi gerçekleştirilmiştir. Bu modellerin sonuçları sistematik olarak karşılaştırılmış ve hiper parametre değişiklikleri ile modellerden optimum performans değerleri elde edilmiştir. Performans sonuçları incelendiğinde her bir sınıf için %98-99 oranında tespit başarısı elde edilmiştir.