Görüntüleme
10
İndirme
1
Karayolu taşımacılığı günümüzde sıklıkla kullanılan bir taşımacılık yöntemi olup, araçların daha güvenlikli bir yolculuk yapabilmesi amacıyla sürekli gelişim göstermektedir. Karayollarında kullanılan temel kaplama malzemesi asfalttır. Asfalt malzemesi ise özellikle başta zaman olmak üzere, yoğun trafik kullanımına bağlı olarak deforme olabilmekte ve yıpranmaktadır. Bu ve benzeri durumların önüne geçebilmek amacıyla, bu çalışmada sağlam ve arızalı asfalt görüntülerinin otomatik tespiti ve sınıflandırılması gerçekleştirilmiştir. Bu amaçla bir karayolu aracına monte edilen kamera aracılığıyla toplam 3912 adet asfalt görüntüsü toplanmıştır. Öncelikle bu görüntülere ortalama havuzlama yöntemi uygulanmış ve görüntüler bir ön işlemeye tabi tutulmuştur. Bu algoritma ile görüntülerde boyut azaltma işlemi yapılmıştır. Ön işleme adımından sonra yönlendirilmiş gradyan histogramı (HOG) yöntemi kullanılarak görüntülerden özellik çıkarımı yapılmıştır. Bu işlemden sonra Ki-Kare yöntemi ile özellik seçimi uygulanmış ve en ağırlıklı öz nitelikler elde edilmiştir. Son olarak elde edilen bu özellikler destek vektör makinleri (SVM) yöntemi kullanılarak sınıflandırılmış ve elde edilen sonuçlar performans yönünden değerlendirilmiştir. Performans metrikleri olarak doğruluk, kesinlik, duyarlılık, geometrik ortalama ve f-skor değerleri hesaplanmıştır. Önerilen yöntem sonucunda %96.5 oranında bir doğruluk elde edilmiştir. Çalışma kapsamında elde edilen yöntemin uygulanmasıyla asfalt kaplama malzemesinin insan müdahalesine gerek kalmadan izlenebilmesi sağlanmıştır. Sürekli kontrolün oldukça zor olduğu bu işlemde makine öğrenmesi tabanlı otomatik arıza tespit yöntemi geliştirilmiştir. Bu sayede bakım, onarım giderlerinin azaltılması ve daha güvenli bir sürüş deneyimi yaşanması hedeflenmiştir. Elde edilen sonuçlar, literatürde yer alan çalışmalar ile karşılaştırıldığında yöntemin başarılı olduğu görülmektedir.
Road transport is a method of transport that is often used today and is continuously developing in order to make the vehicles travel more secure. The main coating material used on the road is asphalt. Asphalt material can be deformed and deformed, especially in the beginning of time, due to the intense traffic use. In order to prevent this and similar situations, the study has carried out the automatic detection and classification of solid and defective asphalt images. A total of 3,912 asphalt images were collected through a camera installed on a road vehicle. First of all, these images were applied the average swimming method and the images were subjected to a preliminary processing. This algorithm has been used to reduce the size of images. After the preliminary processing step, the character extract from the images was made using the guided gradyan histogram (HOG) method. After this process, the Ki-Kare method has been applied to the selection of characteristics and the most important characteristics have been obtained. The final achieved features were classified using the support vector machines (SVM) method and the results were evaluated in terms of performance. As performance metrics, the accuracy, accuracy, sensitivity, geometric average and f-core values are calculated. The recommended method resulted in a 96.5% accuracy. With the application of the method obtained in the framework of the study, the asfalt coating material can be monitored without the need for human intervention. In this process, where constant control is quite difficult, the machine learning-based automatic failure detection method has been developed. This aimed at reducing maintenance, repair costs and a safer driving experience. The results obtained compared to the studies in literature, the method appears to be successful.
Road transport is a transportation method that is frequently used today, and it is constantly evolving in order for vehicles to travel more safely. The basic coating material used on highways is asphalt. Asphalt material can deform and wear out due to heavy traffic use, especially over time This study aims to detect deformed and worn asphalt with image processing method and classify it as healty or faulty. For this purpose, a total of 3912 asphalt images were collected through a camera mounted on a road vehicle. First of all, the average pooling method was applied to these images and the images were subjected to a pre-processing. With this algorithm, size reduction was performed on the images. After the pre-processing step, feature extraction from the images was made using the Histogram of Oriented Gradients (HOG) method. After this process, feature selection was applied with the Chi-Square method and the most weighted attributes were obtained. Finally, these features were classified using Support Vector Machines (SVM) method and the results obtained were evaluated in terms of performance. Accuracy, precision, recall, geometric mean and f-score values were calculated as performance metrics. As a result of the proposed method, an accuracy of 96.5% was obtained. By applying the method tested within the scope of the study, it has been revealed that the wearing of the asphalt coating material can be understood without human intervention. Machine learning based automatic fault detection method has been developed in this process where continuous control is very difficult. In this way, it has contributed to the reduction of asphalt maintenance and repair costs for a safer driving experience. The results obtained were discussed in the light of the literature and the success of the method is supported by the literature.
Alan : Fen Bilimleri ve Matematik; Mühendislik
Dergi Türü : Uluslararası
Makale Detay 
Benzer Makaleler
PDF Görüntüle
Dergi Bilgisi
Eseri Dinleyin
Alıntı Yap
Bu Sayfayı Yazdırın
Paylaş
Mendeley
