EVRİŞİMLİ SİNİR AĞLARI İLE DERİN ÖĞRENME YAKLAŞIMINA DAYALI GERÇEK ZAMANLI TRAFİK İŞARETİ TANIMA SİSTEMİNİN GELİŞTİRİLMESİ VE GÖMÜLÜ SİSTEMLERE ENTEGRE EDİLMESİ

Özet

The study was carried out to determine Trafik işaretleri, dünya çapında karayolu trafik düzenlemelerinin zorunlu bir özelliğidir. Trafik işaretlerinin araçlar tarafından otomatik olarak algılanması ve tanınması sürücülerin ve yolcuların güvenlik düzeyini artıracaktır. Bu nedenle Gerçek Zamanlı Trafik İşareti Tanıma (RT-TSR) sistemi akıllı ulaşım sistemleri ve yüksek teknolojili araçlar için önemli bileşenlerden biridir. Son zamanlarda, kamuya açık veri setlerinde, özellikle de Derin Öğrenme (DL) gibi son teknoloji yaklaşımlarla oldukça iyi performanslar elde edilmiştir. Ancak bu yöntemlerin Gerçek Zamanlı (RT) uygulamalardaki gereksinimleri karşılamak için hala iyileştirilmesi gerekmektedir. Daha önceki TSR çalışmalarında kuramsal olarak ümit verici sonuçlar elde edilmiş olsa da gerçek dünyada RT çözümler sunan çok az çalışma vardır. Bu nedenle, bu çalışmada, yüksek tanıma oranı ve hızlı yürütülmesi nedeniyle DL tabanlı bir RT-TSR sistemi geliştirilmiştir. Ayrıca, RT olarak sınıflandırmayı gerçekleştirmek ve dijital görüntülemeyi desteklemek için geliştirilen yazılıma Bilgisayar Görüşü (CV) yaklaşımı da dahil edilmiştir. Geliştirilen bu sistem, düşük hesaplama maliyeti ve yüksek başarım nedeniyle mobil GPU ya da CPU ya sahip gömülü sistemlerde sorunsuz çalışabilecek kapasitededir. Bu çalışma bu alana yazılım and hardware olmak üzere iki önemli katkı sağlamaktadır. Birinci olarak, Evrişimli Sinir Ağları (CNN) tabanlı DL teknikleri kullanılarak ve CV teknikleri de ilave edilerek bir RT-TSR yazılımı geliştirilmiştir. İkinci olarak, geliştirilen yazılım gömülü cihazlara uyarlanmış ve donanımsal tasarımı yapılmıştır. Geliştirilen bu sistem aynı zamanda yazılım ve donanım çözümünü bir arada sunan bir teknoloji ürünüdür. Python programlama dili ile TensorFlow ve OpenCV çatısı altında kodlama yapılmıştır ve CNN eğitimi paralel mimari kullanılarak gerçekleştirilmiştir. Deneysel sonuçlar, geliştirilen CNN mimarisinin %99,71 doğruluk elde ettiğini göstermektedir ve sisteminin yüksek verimliliğini doğrulamaktadır.