Derin öğrenme algoritmaları ile trafik işaret ve levhalarının tanımlanması

Abstract

Günümüz teknoloji koşullarında araçlarda kullanılan sürücü destek sistemleri oldukça yaygınlaşmıştır. Araç sayısındaki artış nedeni ile oluşacak kazalar, araçlarda kullanılan sürücü destek sistemleri ile azaltılması amaçlanmaktadır. Sürücü destek sistemlerinin başında da yollardaki trafik işaretlerini tanıyıp sürücüye, işaretlere göre yol koşullarını bildiren otomatik trafik işareti tanıma sistemleri gelmektedir. Bu tezin temel amacı, görüntü işleme tekniklerini ve yapay zekanın temellerini kullanarak, trafik işaretlerini otomatik olarak tanımak için derin öğrenmeye dayalı modeller oluşturup bu modellerin başarısını karşılaştırmaktır. Bu çalışmada 21249 veriden ve 91 sınıftan oluşan “Traffic Sign Images From Turkey” veri seti kullanılmıştır. Kullanılan bu veri seti İleri Beslemeli Sinir Ağları (Feed Forward Neural Network - FFNN), Evrişimli Sinir Ağları (Convolutional Neural Network - CNN), Yinelemeli Sinir Ağları (Recurrent Neural network - RNN), Uzun Kısa Süreli Bellek (Long-Short Term Memory LSTM) ve Kapı Yinelemeli Birimler (Gated Recurrent Units - GRU) derin ağ modellerinde eğitilmiş ve çıkan sonuçlar karşılaştırılmıştır. Kullanılan modellerde CNN %99.78 tahmin başarısıyla en iyi tahmin başarısını elde eden model olmuştur. GRU modeli %96.7, LSTM modeli %94.725, RNN modeli %89.67, FFNN modeli ise %84.395 test başarısı sağlayarak başarılı sonuçlar vermiştir.

Driver support systems used in vehicles with today's technology are widely used. With these systems, it is planned to prevent increasing traffic accidents. At the top of the driver support systems, there is automatic traffic sign recognition systems that recognize the traffic signs on the roads and inform the driver of the road conditions according to the signs. The main purpose of this thesis is to create models based on deep learning to automatically recognize traffic signs using image processing techniques and the fundamentals of artificial intelligence, and to compare the success of these models. The "Traffic Sign Images From Turkey" data set consisting of 21249 data and 91 classes was used in the thesis. This data set used includes Feed Forward Neural Network (FFNN), Convolutional Neural Network (CNN), Recurrent Neural network (RNN), Long-Short Term Memory (LSTM) and Gated Recurrent Units (GRU) were trained in deep network models and the results were compared. In the models used, CNN was the model that achieved the best prediction success with 99.78% prediction success. GRU model 96.7%, LSTM model 94.725%, RNN model 89.67%, FFNN model yielded very good results with 84.395% test success.