Mobil haritalama amaçlı Mobilenet tabanlı trafik işaretleri tespit sistemi: kitlesel coğrafi bilgi toplama sistemi
Author:
Özcan Tatar Ceren1ORCID, Yılmaz Emrah2ORCID, Efe Abdullah2ORCID, Sönmez Berk2ORCID, Özdemir Yalçın2ORCID, Danışan Burak2ORCID, Beyaz Hale İrem2ORCID, Yegnidemir Engin3ORCID
Affiliation:
1. ESKİŞEHİR TEKNİK ÜNİVERSİTESİ, FEN BİLİMLERİ ENSTİTÜSÜ, UZAKTAN ALGILAMA VE COĞRAFİ BİLGİ SİSTEMLERİ ANABİLİM DALI (DİSİPLİNLERARASI) 2. Başarsoft Bilgi Teknolojileri A.Ş. 3. GEBZE TEKNİK ÜNİVERSİTESİ, MÜHENDİSLİK FAKÜLTESİ, BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ, BİLGİSAYAR MÜHENDİSLİĞİ ANABİLİM DALI
Abstract
Mobil haritalama sistemleri (Mobile Mapping Systems- MMS) coğrafi veri toplama yetenekleri ile birlikte, gelişmiş sürücü destek sistemleri (Advanced Driver Assistance Systems- ADAS) ve akıllı ulaşım sistemleri (Intelligent Transportation Systems - ITS) gibi birçok uygulama alanın sayısal harita ihtiyacını karşılayabilmektedir. Üretilen haritalarda özellikle trafik işaretlerinin konum ve sınıf bilgilerinin bulunması, bahsi geçen uygulama alanları için önem arz etmektedir. Ancak, MMS tarafından toplanan verilerin geniş ölçekli ve karmaşık olması, trafik işaretlerinin konum-sınıf çıkarımlarını zorlaştırmaktadır. Bu nedenle araştırmacılar, trafik işareti verilerinin işlenmesi için yapay zekâ tabanlı yöntemler geliştirmiştir. Bu çalışmada, trafik işaretlerinin konum ve sınıf bilgilerinin yapay zekâ ile çıkarımına yönelik tasarlanan Kitlesel Coğrafi Bilgi Toplama Sistemi (KCVTS) açıklanmıştır. KCVTS; MobileNet tabanıyla mobil cihazlarda etkinlik gösteren, cihazın gerçek-zamanlı kamera görüntülerinde bulunan trafik işaretlerini tespit eden ve sınıflandıran ve böylece, işaretlerin konum-sınıf bilgilerini veri tabanına aktaran hafif-yapılı bir sistemdir. Çalışmada KCVTS’nin manuel işlem gerektiren geleneksel yöntemlerden, trafik işaretlerinin şekil ve renk gibi özelliklerinin çıkarımına dayanan yarı-geleneksel yöntemlerden ve saha verilerinin merkezdeki güçlü bilgisayarlarda, bilgisayarlı görü ve makine öğrenmesi teknikleri ile işlendiği YZ tabanlı yöntemlerden birçok noktada daha pratik ve verimli olduğu gösterilmiştir.
Funder
Türkiye Bilimsel ve Teknolojik Araştırma Kurumu
Publisher
Journal of the Faculty of Engineering and Architecture of Gazi University
Reference37 articles.
1. 1. Arcos-García Á., Álvarez-García J. A., Soria-Morillo L. M., Evaluation of deep neural networks for traffic sign detection systems, Neurocomputing, 316, 332-344, 2018. 2. 2. Salti S., Petrelli A., Tombari F., Fioraio N., Di Stefano L., Traffic sign detection via interest region extraction, Pattern Recognit., 48 (4), 1039-1049, 2015. 3. 3. Qiu Z., Martínez-Sánchez J., Brea V. M., López P., Arias P., Low-cost mobile mapping system solution for traffic sign segmentation using Azure Kinect, Int. J. Appl. Earth Obs. Geoinformation, 112 (102895), 2022. 4. 4. Timofte R., Zimmermann K., Van Gool L., Multi-view traffic sign detection, recognition, and 3D localisation, Workshop on Applications of Computer Vision (WACV), Snowbird, UT, USA: 1-8, 2009. 5. 5. Li R., Mobile Mapping: An Emerging Technology for Spatial Data Acquisition, The Map Reader, John Wiley & Sons, Ltd, NJ, ABD, 170-177, 2011.
|
|