Year 2021, Volume , Issue 23, Pages 81 - 88 2021-04-30

Akıllı Şehirler için Özellik Çıkarımı ve Makine Öğrenmesi Tabanlı Asfalt Durum İzleme Yaklaşımı

Mehmet BAYĞIN [1] , Orhan YAMAN [2] , Türker TUNCER [3]


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.
Asfalt Durum İzleme, Arıza Tespiti, HOG Özellik Çıkarımı, SVM Sınıflandırma
  • Alpaslan, N., Talu, M. F., Gül, M., & Yiğitcan, B. (2012). Hog Tabanlı YSA Kullanılarak Yağlı Karaciğer Tedavisindeki İlaç Etkinliklerinin Hesaplanması.
  • Baygin, M. (2019). Classification of Text Documents based on Naive Bayes using N-Gram Features. 2018 International Conference on Artificial Intelligence and Data Processing, IDAP 2018. https://doi.org/10.1109/IDAP.2018.8620853
  • Baygin, N., Baygin, M., & Karakose, M. (2019). A SVM-PSO Classifier for Robot Motion in Environment with Obstacles. 2019 International Conference on Artificial Intelligence and Data Processing Symposium, IDAP 2019. https://doi.org/10.1109/IDAP.2019.8875921
  • Bello-Salau, H., Aibinu, A. M., Onwuka, E. N., Dukiya, J. J., Onumanyi, A. J., & Ighagbon, A. O. (2016). Development of a laboratory model for automated road defect detection. Journal of Telecommunication, Electronic and Computer Engineering, 8(9), 97–101.
  • Cheng, J., Xiong, W., Chen, W., Gu, Y., & Li, Y. (2019). Pixel-level Crack Detection using U-Net. IEEE Region 10 Annual International Conference, Proceedings/TENCON, 2018-October(October), 462–466. https://doi.org/10.1109/TENCON.2018.8650059
  • Chia, M. Y., Huang, Y. F., & Koo, C. H. (2020). Support vector machine enhanced empirical reference evapotranspiration estimation with limited meteorological parameters. 175(April).
  • Fan, Z., Li, C., Chen, Y., Mascio, P. Di, Chen, X., Zhu, G., & Loprencipe, G. (2020). Ensemble of Deep Convolutional Neural Networks and Measurement. 1–14.
  • Gopalakrishnan, K., Khaitan, S. K., Choudhary, A., & Agrawal, A. (2017). Deep Convolutional Neural Networks with transfer learning for computer vision-based data-driven pavement distress detection. Construction and Building Materials, 157, 322–330. https://doi.org/10.1016/j.conbuildmat.2017.09.110
  • Jahanshahi, M. R., Jazizadeh, F., Masri, S. F., & Becerik-Gerber, B. (2013). Unsupervised Approach for Autonomous Pavement-Defect Detection and Quantification Using an Inexpensive Depth Sensor. Journal of Computing in Civil Engineering, 27(6), 743–754. https://doi.org/10.1061/(asce)cp.1943-5487.0000245
  • Karakaya, F., Altun, H., & Çavuşlu, A. (2009). Gerçek Zamanlı Nesne Tanıma Uygulamaları için HOG Algoritmasının FPGA Tabanlı Gömülü Sistem Uyarlaması. 508–511.
  • Kawano, M., Mikami, K., Yokoyama, S., Yonezawa, T., & Nakazawa, J. (2017). Road marking blur detection with drive recorder. Proceedings - 2017 IEEE International Conference on Big Data, Big Data 2017, 2018-January, 4092–4097. https://doi.org/10.1109/BigData.2017.8258427
  • Li, B., Wang, K. C. P., Zhang, A., Yang, E., Wang, G., Li, B., Wang, K. C. P., Zhang, A., & Yang, E. (2020). Automatic classification of pavement crack using deep convolutional neural network. 8436. https://doi.org/10.1080/10298436.2018.1485917
  • Majidifard, H., Adu-Gyamfi, Y., & Buttlar, W. G. (2020). Deep machine learning approach to develop a new asphalt pavement condition index. Construction and Building Materials, 247, 118513. https://doi.org/10.1016/j.conbuildmat.2020.118513
  • Majidifard, H., Jin, P., Adu-Gyamfi, Y., & Buttlar, W. G. (2020). Pavement Image Datasets: A New Benchmark Dataset to Classify and Densify Pavement Distresses. Transportation Research Record, 2674(2), 328–339. https://doi.org/10.1177/0361198120907283
  • Mandal, V., Uong, L., & Adu-Gyamfi, Y. (2019). Automated Road Crack Detection Using Deep Convolutional Neural Networks. Proceedings - 2018 IEEE International Conference on Big Data, Big Data 2018, 5212–5215. https://doi.org/10.1109/BigData.2018.8622327
  • Nguyen, T. S., Begot, S., Duculty, F., & Avila, M. (2011). Free-Form Anisotropy: A New Method for Crack Detection on Pavement Surface Images. 1, 1069–1072.
  • Shahnazari, H., Tutunchian, M. A., Mashayekhi, M., & Amini, A. A. (2012). Application of Soft Computing for Prediction of Pavement Condition Index. December, 1495–1506. https://doi.org/10.1061/(ASCE)TE
  • Shi, Y., Cui, L., Qi, Z., Meng, F., & Chen, Z. (2016). Automatic Road Crack Detection Using Random Structured Forests. IEEE Transactions on Intelligent Transportation Systems, 17(12), 1–12.
  • Some, L. (2016). Automatic image-based road crack detection methods. Liene Some Kth Royal Institute of Technology School of Architecture and the Built Environment.
  • Xu, W., & Tang, Z. (2013). PAVEMENT CRACK DETECTION BASED ON SALIENCY AND STATISTICAL FEATURES School of Computer Science and Engineering , Nanjing University of Science and Technology , China. 4093–4097.
  • Yaman, O., Yetis, H., & Karakose, M. (2020). Band Reducing Based SVM Classification Method in Hyperspectral Image Processing. Zooming Innovation in Consumer Technologies Conference (ZINC), 21–25.
  • Yazıcı, B., Yaslı, F., Gürleyik, H. Y., & Turgut, U. O. (2015). Veri Madenciliğinde Özellik Seçim Tekniklerinin Bankacılık Verisine Uygulanması Üzerine Araştırma ve Karşılaştırmalı Uygulama. 9. Ulusal Yazılım Mühendisliği Sempozyumu (UYMS-15), 72–83.
  • Zalama, E., Jaime, G., & Medina, R. (2014). Road Crack Detection Using Visual Features Extracted by Gabor Filters. 29, 342–358. https://doi.org/10.1111/mice.12042
  • Zhang, D., Li, Q., Chen, Y., Cao, M., He, L., & Zhang, B. (2017). An efficient and reliable coarse-to-fine approach for asphalt pavement crack detection. Image and Vision Computing, 57, 130–146. https://doi.org/10.1016/j.imavis.2016.11.018
Primary Language tr
Subjects Engineering
Journal Section Articles
Authors

Orcid: 0000-0002-5258-754X
Author: Mehmet BAYĞIN (Primary Author)
Institution: ARDAHAN ÜNİVERSİTESİ, MÜHENDİSLİK FAKÜLTESİ
Country: Turkey


Orcid: 0000-0001-9623-2284
Author: Orhan YAMAN
Institution: FIRAT ÜNİVERSİTESİ
Country: Turkey


Orcid: 0000-0002-1425-4664
Author: Türker TUNCER
Institution: FIRAT ÜNİVERSİTESİ
Country: Turkey


Dates

Publication Date : April 30, 2021

APA Bayğın, M , Yaman, O , Tuncer, T . (2021). Akıllı Şehirler için Özellik Çıkarımı ve Makine Öğrenmesi Tabanlı Asfalt Durum İzleme Yaklaşımı . Avrupa Bilim ve Teknoloji Dergisi , (23) , 81-88 . DOI: 10.31590/ejosat.844592