Citation Number
4
Views
137
Downloands
33
Audio Listening
1
İnsansız hava araçları, sağlamış olduğu hareketlilik ve yüksek irtifa sayesinde günümüzde; alan tespiti, trafik izleme ve trafik kontrol gibi birçok alanda artan bir kullanıma sahiptir. İnsansız hava aracı kullanılarak yapılması hedeflenen önemli işlerden birisi de; alan resimleri yardımıyla gerçek zamanlı araç tespiti ve araç sayımı olarak görülmektedir. Bu amaç doğrultusunda derin öğrenme, makine öğrenmesi, gerçek zamanlı sınıflandırma ve tanımlama gibi birçok görüntü işleme tekniği ön plana çıkmaktadır. Fakat bu tekniklerin performansı, kullanılan veri ve işlenen alan doğrultusunda farklılık göstermektedir. Bu çalışma kapsamında derin öğrenme algoritmalarından YOLO algoritması referans alınarak, algoritmanın küçük obje tespitlerinde gösterdiği düşük performansı, tasarlanan ön tanımlı bir yapay sinir ağı yardımıyla iyileştirilmeye çalışılmıştır. Çalışma için uygun veri setleri toplanmış, algoritmaya uygun halde etiketlenmiş, sonrasında algoritma saf haliyle çalıştırılarak 50m, 75m, 100m ve 200m üzerinde araç tespit testleri uygulanmıştır. Paralelinde konvolüsyonel sinir ağları kullanılarak tasarlanan bir yapı yardımıyla, YOLO algoritmasının küçük obje tespitlerini iyileştirmek hedeflenmiştir. Tasarlanan ağ yardımıyla öğrenme sırasında algoritmanın objeler hakkında daha fazla bilgi sahibi olması sağlanmıştır. Çalışma sonucunda YOLO’ya yardımcı olarak sunulan yapının farklı veri setleri kullanılarak gerçekleştirilen testlerinde, YOLO’nun tespit oranını %4.3 arttırdığı ve 400x400 giriş değerlerinde 60fps değerine ulaşılabildiği görülmüştür. Çalışma kapsamında gerçek zamanlı uygulamalarda araç tespiti için kullanılabilecek bir yapı ortaya konmuştur.
Unmanned aircraft, thanks to their mobility and high elevation, today have increased use in many areas such as area detection, traffic monitoring and traffic control. One of the important tasks aimed at using unmanned aircraft is the use of field images as real-time vehicle detection and vehicle counting. For this purpose, many image processing techniques, such as deep learning, machine learning, real-time classification and identification, are in the forefront. But the performance of these techniques differs according to the data used and the processed area. In this study, referring to the YOLO algorithm from deep learning algorithms, the low performance that the algorithm shows in small object detections has been tried to improve with the help of a predefined artificial nerve network designed. The appropriate data sets for the study were collected, labelled according to the algorithm, then the algorithm was run in a pure state of 50m, 75m, 100m and 200m car detection tests were implemented. With the help of a structure designed using convolutionary nerve networks in parallel, it is aimed at improving the small object detections of the YOLO algorithm. With the help of the designed network, the algorithm has been provided to have more knowledge about the objects during learning. The results of the study found that in the tests performed using different data sets of the structure presented in the help of YOLO, the detection rate of YOLO increased by 4.3%, and it was possible to reach the value of 60fps in the input values of 400x400. The study has revealed a structure that can be used for vehicle detection in real-time applications.
Field : Eğitim Bilimleri; Fen Bilimleri ve Matematik; Sağlık Bilimleri; Sosyal, Beşeri ve İdari Bilimler
Journal Type : Uluslararası
Article Detail 
Citation Owners
Similar Articles
Journal Information
Listen Paper
Print This Page
Share
Mendeley
