Derin öğrenme yöntemleri ile dokunsal parke yüzeyi tespiti

Abdulsamet Aktaş; Önder Demir; Buket Doğan

doi:10.17341/gazimmfd.652101

Derin öğrenme yöntemleri ile dokunsal parke yüzeyi tespiti

Öz

Gerçek zamanlı çalışan sistemlerde görüntü işleme uygulamaları yapmak son zamanlarda oldukça popüler olan bir konu haline gelmiştir. Yapay zekâ alanının alt dallarından biri olan derin öğrenme yöntemleri ve görüntülerden nesne tespiti yapma alanında kullanılan görüntü işleme algoritmaları birlikte kullanılarak, otonom otomobiller, otonom insansız hava araçları, yardımcı robot teknolojileri, engelli ve yaşlı bireyler için asistan teknolojileri gibi birçok alanda uygulamalar geliştirilmektedir. Yapılan çalışmada, görme engelli bireyler, otonom araçlar ve robotlar tarafından kullanılabilecek yardımcı bir teknoloji sistemi tasarlamak için dokunsal parke yüzeylerinin derin öğrenme yöntemleriyle tespit edilmesi gerçekleştirilmiştir. Geleneksel görüntü işleme algoritmalarının aksine bu çalışmada derin öğrenme yöntemleri ile görüntü işleme algoritmaları birlikte kullanılmıştır. Nesne tespit etme yöntemleri içinde en iyi yöntemlerden biri olan You Only Look Once-V3(YOLO-V3) modeli DenseNet modeli ile birleştirilerek YOLOV3-Dense modeli oluşturulmuştur. YOLO-V2, YOLO-V3 ve YOLOV3Dense modelleri tarafımızca oluşturulmuş olan ve içerisinde 4580 etiketli görsel bulunan Marmara Dokunsal Parke Yüzeyi(MDPY) veri seti üzerinde ayrı ayrı eğitildikten sonra performansları test veri seti üzerinde birbirleri ile karşılaştırılmıştır. %89 F1-skor, %92 ortalama hassasiyet ve %81 IoU değerleri ile YOLOV3-Dense modelinin dokunsal parke yüzeyi tespit etmede diğer modellerden daha iyi olduğu gözlemlenmiştir. Saniyede 60 kare çalışma hızı ile YOLOV3-Dense modeli gerçek zamanlı çalışan sistemlerde de kullanılabilmektedir.

Anahtar Kelimeler

Dokunsal parke,derin öğrenme,evrişimsel sinir ağları,görme engelli kişiler,YOLO

Kaynakça

World Health Organization. Blindness and vision impairment. https://www.who.int/en/news-room/fact-sheets/detail/blindness-and-visual-impairment. Yayın tarihi Ekim 8, 2019. Erişim tarihi Kasım 11, 2019.
Lu, J., Siu, K. W. M., & Xu, P. A comparative study of tactile paving design standards in different countries. Paper presented at the 2008 9th International Conference on Computer-Aided Industrial Design and Conceptual Design. pp. 753-758. (2008, 22-25 Nov. 2008).
Asami, T., & Ohnishi, K. Crosswalk location, direction and pedestrian signal state extraction system for assisting the expedition of person with impaired vision. Paper presented at the Mecatronics (MECATRONICS), 2014 10th France-Japan/8th Europe-Asia Congress on, Tokyo. pp. 285-290. (2014).
Ghilardi, M. C., Macedo, R. C. O., & Manssour, I. H. A New Approach for Automatic Detection of Tactile Paving Surfaces in Sidewalks. Procedia Computer Science, 80, 662-672. doi: https://doi.org/10.1016/j.procs.2016.05.356 (2016).
Mancini, A., Frontoni, E., & Zingaretti, P. Mechatronic System to Help Visually Impaired Users During Walking and Running. IEEE Transactions on Intelligent Transportation Systems, 19(2), 649-660. doi: 10.1109/TITS.2017.2780621 (2018).
Shoval, S., Borenstein, J., & Koren, Y. The NavBelt-a computerized travel aid for the blind based on mobile robotics technology. IEEE Transactions on Biomedical Engineering, 45(11), 1376-1386. doi: 10.1109/10.725334 (1998).
Yang, K., Cheng, R., Wang, K., & Zhao, X. A ground and obstacle detection algorithm for the visually impaired. Paper presented at the 2015 IET International Conference on Biomedical Image and Signal Processing (ICBISP 2015), Beijing, China. (2015)
Garcia-Garcia, A., Orts, S., Oprea, S., Villena Martinez, V., Martinez-Gonzalez, P., & Rodríguez, J. A Survey on Deep Learning Techniques for Image and Video Semantic Segmentation. Applied Soft Computing, 70, 41-65. doi: 10.1016/j.asoc.2018.05.018 (2018).

Krizhevsky, A., Sutskever, I., & E. Hinton, G. ImageNet Classification with Deep Convolutional Neural Networks. Advances in Neural Information Processing Systems, 25. doi: 10.1145/3065386 (2012).
Deng, J., Dong, W., Socher, R., Li, L. J., Li, K., Li, F. F., & Ieee. ImageNet: A Large-Scale Hierarchical Image Database. Paper presented at the IEEE-Computer-Society Conference on Computer Vision and Pattern Recognition Workshops, Miami Beach, FL. pp. 248-255. (2009, Jun 20-25).
.Russakovsky, O., Deng, J., Su, H., Krause, J., Satheesh, S., Ma, S., . . . Li, F. F. ImageNet Large Scale Visual Recognition Challenge. International Journal of Computer Vision, 115. doi: 10.1007/s11263-015-0816-y (2014).
He, K., Zhang, X., Ren, S., & Sun, J. Delving deep into rectifiers: Surpassing human-level performance on imagenet classification. Paper presented at the Proceedings of the IEEE international conference on computer vision. pp. 1026-1034. (2015).
Tan, M., & Le, Q. V. EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks. arXiv preprint arXiv:1905.11946. (2019).
Girshick, R., Donahue, J., Darrell, T., & Malik, J. Rich feature hierarchies for accurate object detection and semantic segmentation. Paper presented at the Proceedings of the IEEE conference on computer vision and pattern recognition. pp. 580-587. (2014).
Liu, W., Anguelov, D., Erhan, D., Szegedy, C., Reed, S., Fu, C.-Y., & Berg, A. C. Ssd: Single shot multibox detector. Paper presented at the European conference on computer vision. pp. 21-37. (2016).
Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. You only look once: Unified, real-time object detection. Paper presented at the Proceedings of the IEEE conference on computer vision and pattern recognition. pp. 779-788. (2016).
Sermanet, P., Eigen, D., Zhang, X., Mathieu, M., Fergus, R., & LeCun, Y. Overfeat: Integrated recognition, localization and detection using convolutional networks. arXiv preprint arXiv:1312.6229. (2013).
Einloft, D. C., Ghilardi, M. C., & Manssour, I. H. Automatic Detection of Tactile Paving Surfaces in Indoor Environments. Paper presented at the Workshop of Undergraduate Works (WUW) in the 29th Conference on Graphics, Patterns and Images (SIBGRAPI'16). (2016)
Jie, X., Xiaochi, W., & Zhigang, F. Research and implementation of blind sidewalk detection in portable eta system. Paper presented at the Information Technology and Applications (IFITA), 2010 International Forum on. pp. 431-434. (2010).
Kassim, A. M., Yasuno, T., Mohd Aras, M. S., hj shukor, A., Jaafar, H. I., Baharom, F., & Jafar, F. Vision based of tactile paving detection method in navigation system for blind person. Jurnal Teknologi, 77. doi: 10.11113/jt.v77.6547 (2015).
Shen, J., Liu, N., Sun, H., Tao, X., & Li, Q. Vehicle Detection in Aerial Images Based on Hyper Feature Map in Deep Convolutional Network. KSII Transactions on Internet & Information Systems, 13(4). (2019).
Ren, S., He, K., Girshick, R., & Sun, J. Faster r-cnn: Towards real-time object detection with region proposal networks. Paper presented at the Advances in neural information processing systems. pp. 91-99. (2015).
Kassim, A. M., Yasuno, T., Mohd Aras, M. S., hj shukor, A., Jaafar, H. I., Baharom, F., & Jafar, F. Vision based of tactile paving detection method in navigation system for blind person (Vol. 77). (2015).
Lv, J.-J., Shao, X.-H., Huang, J.-S., Zhou, X.-D., & Zhou, X. Data augmentation for face recognition. Neurocomputing, 230, 184-196. doi: https://doi.org/10.1016/j.neucom.2016.12.025 (2017).
Shorten, C., & Khoshgoftaar, T. M. A survey on Image Data Augmentation for Deep Learning. Journal of Big Data, 6(1), 60. doi: 10.1186/s40537-019-0197-0 (2019).
Redmon, J., & Farhadi, A. Yolov3: An incremental improvement. arXiv preprint arXiv:1804.02767. (2018).
Redmon, J., & Farhadi, A. YOLO9000: Better, Faster, Stronger. Paper presented at the 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). pp. 6517-6525. (2017, 21-26 July 2017).
.Huang, G., Liu, Z., Maaten, L. v. d., & Weinberger, K. Q. Densely Connected Convolutional Networks. Paper presented at the 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). pp. 2261-2269. (2017, 21-26 July 2017).
Goutte, C., & Gaussier, E. A Probabilistic Interpretation of Precision, Recall and F-Score, with Implication for Evaluation. Paper presented at the Proceedings of the 27th European conference on Advances in Information Retrieval Research. (2005)

Ayrıntılar

Birincil Dil

Türkçe

Konular

Mühendislik

Bölüm

Araştırma Makalesi

Yazarlar

Abdulsamet Aktaş ^*
0000-0003-0746-7693
Türkiye

Önder Demir
0000-0003-4540-663X
Türkiye

Buket Doğan
0000-0003-1062-2439
Türkiye

Yayımlanma Tarihi

7 Nisan 2020

Gönderilme Tarihi

28 Kasım 2019

Kabul Tarihi

11 Mart 2020

Yayımlandığı Sayı

Yıl 2020 Cilt: 35 Sayı: 3

DOI

https://doi.org/10.17341/gazimmfd.652101

IZ

https://izlik.org/JA63FU44NX

Kaynak Göster

RIS / Bibtex

APA

Aktaş, A., Demir, Ö., & Doğan, B. (2020). Derin öğrenme yöntemleri ile dokunsal parke yüzeyi tespiti. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 35(3), 1685-1700. https://doi.org/10.17341/gazimmfd.652101

AMA

1.Aktaş A, Demir Ö, Doğan B. Derin öğrenme yöntemleri ile dokunsal parke yüzeyi tespiti. GUMMFD. 2020;35(3):1685-1700. doi:10.17341/gazimmfd.652101

Chicago

Aktaş, Abdulsamet, Önder Demir, ve Buket Doğan. 2020. “Derin öğrenme yöntemleri ile dokunsal parke yüzeyi tespiti”. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi 35 (3): 1685-1700. https://doi.org/10.17341/gazimmfd.652101.

EndNote

Aktaş A, Demir Ö, Doğan B (01 Nisan 2020) Derin öğrenme yöntemleri ile dokunsal parke yüzeyi tespiti. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi 35 3 1685–1700.

IEEE

[1]A. Aktaş, Ö. Demir, ve B. Doğan, “Derin öğrenme yöntemleri ile dokunsal parke yüzeyi tespiti”, GUMMFD, c. 35, sy 3, ss. 1685–1700, Nis. 2020, doi: 10.17341/gazimmfd.652101.

ISNAD

Aktaş, Abdulsamet - Demir, Önder - Doğan, Buket. “Derin öğrenme yöntemleri ile dokunsal parke yüzeyi tespiti”. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi 35/3 (01 Nisan 2020): 1685-1700. https://doi.org/10.17341/gazimmfd.652101.

JAMA

1.Aktaş A, Demir Ö, Doğan B. Derin öğrenme yöntemleri ile dokunsal parke yüzeyi tespiti. GUMMFD. 2020;35:1685–1700.

MLA

Aktaş, Abdulsamet, vd. “Derin öğrenme yöntemleri ile dokunsal parke yüzeyi tespiti”. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, c. 35, sy 3, Nisan 2020, ss. 1685-00, doi:10.17341/gazimmfd.652101.

Vancouver

1.Abdulsamet Aktaş, Önder Demir, Buket Doğan. Derin öğrenme yöntemleri ile dokunsal parke yüzeyi tespiti. GUMMFD. 01 Nisan 2020;35(3):1685-700. doi:10.17341/gazimmfd.652101

VGGCOV19-NET: automatic detection of COVID-19 cases from X-ray images using modified VGG19 CNN architecture and YOLO algorithm

Neural Computing and Applications

https://doi.org/10.1007/s00521-022-06918-x

Bütünleşik Dalgacık Dönüşümü-Evrişimsel Sinir Ağları Tabanlı Derin Öğrenme Yaklaşımı ve Borsa Tahmini Üzerine Bir Uygulama

Karadeniz Sosyal Bilimler Dergisi

https://doi.org/10.38155/ksbd.1258709

Derin öğrenme yöntemleri ile dokunsal parke yüzeyi tespiti

Derin öğrenme yöntemleri ile dokunsal parke yüzeyi tespiti

Öz

Anahtar Kelimeler

Kaynakça

Ayrıntılar

Birincil Dil

Konular

Bölüm

Yazarlar

Yayımlanma Tarihi

Gönderilme Tarihi

Kabul Tarihi

Yayımlandığı Sayı

DOI

IZ

Kaynak Göster

Cited By

Derin Öğrenme Yöntemleri ile Arıların Sağlık Durumunun Tespit Edilmesi

Sualtı objelerinin makine öğrenmesi yöntemleri ile tespitinde zaman serisi-görüntü dönüşümü tabanlı yeni yaklaşımlar

Bul-Tak Oyuncağı Şekillerinin Klasik Görüntü İşleme ve Derin Öğrenme Yöntemleri ile Tespiti

VGGCOV19-NET: automatic detection of COVID-19 cases from X-ray images using modified VGG19 CNN architecture and YOLO algorithm

DDL: Çoklu kapı numarası tespit etme ve kümeleme için derin öğrenme tabanlı yeni bir yaklaşım

YoDenBi-NET: YOLO + DenseNet + Bi-LSTM-based hybrid deep learning model for brain tumor classification

Evrişimli sinir ağları ile mermer ve granit çeşitlerinin transfer öğrenme yöntemiyle sınıflandırılması.

TEKSTİL ve MODA TASARIMI EĞİTİMİNDE SEKTÖR İŞ BİRLİĞİYLE YÜRÜTÜLEN TASARIM PROJELERİNİN TARAFLAR AÇISINDAN ÖNEMİ

Predicting COVID-19 Cases on a Large Chest X-Ray Dataset Using Modified Pre-trained CNN Architectures

Identification of haploid and diploid maize seeds using hybrid transformer model

Bütünleşik Dalgacık Dönüşümü-Evrişimsel Sinir Ağları Tabanlı Derin Öğrenme Yaklaşımı ve Borsa Tahmini Üzerine Bir Uygulama

The development of an augmented reality audio application for visually impaired persons

A Yolov3-Based Garbage Detection Systems

Fault detection system for paper cup machine based on real-time image processing

Çay ve Eğrelti Otunun YOLOv5 ve YOLOv8 Algoritmaları ile Karşılaştırmalı Tespiti

Farklı Derin Öğrenme Algoritmalarının Gerçek Zamanlı İHA Tespitine Etkileri

CEA-UNet: improved U-Net network with robust reinforcement module for tactile paving visual segmentation

Deep Learning for Image Reconstruction in Electrical Tomography: A Review

Dental radyografi görüntülerinin sınıflandırılmasına yönelik hibrit ConvViT modeli

Enhanced Vision Transformer and Transfer Learning Approach to Improve Rice Disease Recognition

Leveraging YOLO Models for Safety Equipment Detection on Construction Sites