Derin öğrenme yöntemleriyle trafik işaretlerinin gerçek zamanlı sınıflandırılması

Authors : Selda Güney, Kemal Usanmaz

Pages : 1311-1324

Doi:10.17341/gazimmfd.1416186

View : 8 | Download : 10

Publication Date : 2025-02-03

Article Type : Research Paper

Abstract :Günümüzde trafik güvenliği, gelişmiş sürücü destek sistemlerini (ADAS) önemli ölçüde etkilenmektedir. Sürücüler için önemli bilgiler taşıyan trafik işaretleri çoğu zaman sürücüler tarafından fark edilemez ve bunun sonucunda da çeşitli kazalar meydana gelir. Bu sebeplerle ADAS’ın içinde yer alan trafik işaretlerini algılayan ve sınıflandıran sistemler mevcuttur. Derin öğrenme teknikleri, özellikle de konvolüsyonel sinir ağları üzerinde yapılan çalışmalar, bu alanda önemli ilerlemelere yol açmıştır. Son yıllarda ResNet50, GoogleNet, SqueezNet ve AlexNet gibi birçok derin öğrenme algoritmaları, trafik işaretlerini daha doğru bir şekilde sınıflandırmaya yardımcı olmak için kullanılmıştır; ancak bu algoritmaların gerçek zamanlı bir sistemde iyi bir performans gösterebileceği konusu tartışmalıdır. Bu çalışmada derin öğrenme algoritmaları transfer öğrenim metodu ile kullanılarak sınıflandırma işlemleri gerçekleştirilmiş ve bu algoritmaların gerçek zamanlı bir sistemde performansları test edilmiştir. Bu çalışmada veri seti olarak, 43 sınıftan oluşan ve 39209 trafik işareti görüntüsü içeren German Traffic Sign Recognition Benchmark (GTSRB) kullanılmıştır. Öncelikle bu algoritmaların hiper parametreleri sistematik bir yöntemle belirlenmiştir. Daha sonra tasarlanan bir kullanıcı arayüzüyle gerçek zamanlı deneyler yapılmıştır. Çalışmada kullanılan mimarilerden ResNet50, %93,49 doğruluk oranı ile gerçek zamanlı bir sistemde en iyi performansı verdiği gözlemlenmiştir. Sonuçta, ResNet50 derin öğrenme algoritması, trafik işaretinin gerçek zamanlı bir sistemde algılanması alanındaki ileri çalışmalar için değerlendirilebilir.
Keywords : Derin Öğrenme, Konvolüsyonel Sinir Ağı, Trafik İşareti Sınıflandırma, Transfer Öğrenimi, Hiper Parametre