Derin öğrenme yöntemleriyle trafik işaretlerinin gerçek zamanlı sınıflandırılması

Yıl 2025, Cilt: 40 Sayı: 2, 1311 - 1324, 03.02.2025

Selda Güney , Kemal Usanmaz

https://doi.org/10.17341/gazimmfd.1416186

Öz

Günümüzde trafik güvenliği, gelişmiş sürücü destek sistemlerini (ADAS) önemli ölçüde etkilenmektedir. Sürücüler için önemli bilgiler taşıyan trafik işaretleri çoğu zaman sürücüler tarafından fark edilemez ve bunun sonucunda da çeşitli kazalar meydana gelir. Bu sebeplerle ADAS’ın içinde yer alan trafik işaretlerini algılayan ve sınıflandıran sistemler mevcuttur. Derin öğrenme teknikleri, özellikle de konvolüsyonel sinir ağları üzerinde yapılan çalışmalar, bu alanda önemli ilerlemelere yol açmıştır. Son yıllarda ResNet50, GoogleNet, SqueezNet ve AlexNet gibi birçok derin öğrenme algoritmaları, trafik işaretlerini daha doğru bir şekilde sınıflandırmaya yardımcı olmak için kullanılmıştır; ancak bu algoritmaların gerçek zamanlı bir sistemde iyi bir performans gösterebileceği konusu tartışmalıdır. Bu çalışmada derin öğrenme algoritmaları transfer öğrenim metodu ile kullanılarak sınıflandırma işlemleri gerçekleştirilmiş ve bu algoritmaların gerçek zamanlı bir sistemde performansları test edilmiştir. Bu çalışmada veri seti olarak, 43 sınıftan oluşan ve 39209 trafik işareti görüntüsü içeren German Traffic Sign Recognition Benchmark (GTSRB) kullanılmıştır. Öncelikle bu algoritmaların hiper parametreleri sistematik bir yöntemle belirlenmiştir. Daha sonra tasarlanan bir kullanıcı arayüzüyle gerçek zamanlı deneyler yapılmıştır. Çalışmada kullanılan mimarilerden ResNet50, %93,49 doğruluk oranı ile gerçek zamanlı bir sistemde en iyi performansı verdiği gözlemlenmiştir. Sonuçta, ResNet50 derin öğrenme algoritması, trafik işaretinin gerçek zamanlı bir sistemde algılanması alanındaki ileri çalışmalar için değerlendirilebilir.

Anahtar Kelimeler

Derin Öğrenme, Konvolüsyonel Sinir Ağı, Trafik İşareti Sınıflandırma, Transfer Öğrenimi, Hiper Parametre

Kaynakça

• 1. Canese, L., Cardarilli, G.C., Di Nunzio, L., Fazzolari, R., Famil Ghadakchi, H., Re, M., Spanò, S., Sensing and Detection of Traffic Signs Using CNNs: An Assessment on Their Performance, Sensors, 22 (8830), 1-29, 2022.
• 2. Natarajan, S., Annamraju, A.K., Baradkar, C.S., Traffic Sign Recognition Using Weighted Multiconvolutional, IET Intelligent Transportation Systems, 12 (10), 1396-1405, 2018.
• 3. Bouaafia, S., Messaoud, S., Maraoui, A., Deep Pre-trained Models for Computer Vision Applications: Traffic Sign Recognition, 18th International Multi-Conference on Systems, Signals & Devices (SSD), Monastir, Tunisia, 24-27, 2021.
• 4. Li, W., Li, D., Zeng, S., Traffic Sign Recognition with a Small Convolutional Neural Network, 2019 IOP Conf. Ser.: Mater. Sci. Eng., 688, 1-7, 2019.
• 5. Sokipriala, J., Orike, S., Traffic Sign Classification Comparison Between Various Convolution Neural Network Models, Int. J. Sci. Eng. Res., 12 (7), 165-171, 2021.
• 6. Kou, A., Detection and Recognition of Traffic Signs Based on Improved Deep Learning, International Core Journal of Engineering, 6 (12), 208-213, 2020.
• 7. Zheng, Y., Jiang, W., Evaluation of Vision Transformers for Traffic Sign Classification, Wireless Communications and Mobile Computing, 2022 (1), 3041117, 2022.
• 8. Htun, T. Z., Oo, A. N., Winn, K. Z. N., Myint, M. T., Comparing Performance for Myanmar Road Signs Recognition, 2023 IEEE Conference on Computer Applications (ICCA), Egypt, 27-32, 2023.
• 9. Rashid, S. I., Islam, A., Hasan, A. M., Traffic Sign Recognition by Integrating Convolutional Neural Network and Support Vector Machine, International Conference on Computer, Communication, Chemical, Materials and Electronic Engineering (IC4ME2), Rajshahi, Bangladesh, 2019.
• 10. Schuszter, I. C., A Comparative Study of Machine Learning Methods for Traffic Sign Recognition, Proc. 2017 19th Int. Symposium on Symbolic and Numeric Algorithms for Scientific Computing (SYNASC), Timisoara, Romania, 390-392, 2017.
• 11. Alshami, M., Traffic Signs Classification with Transfer Learning of CNN Based Models and Performance Comparison, Yüksek Lisans Tezi, Erciyes Üniversitesi, Fen Bilimleri Enstitüsü, Kayseri, 2023.
• 12. Balkan, E., Traffic Signs Recognition System for Autonomous Vehicles, Yüksek Lisans Tezi, İstanbul Arel Üniversitesi, Fen Bilimleri Enstitüsü, İstanbul, 2022.
• 13. Zam, M., Trafik İşaretlerini Tanıyan Bir Sürücü Güvenlik Destek Sistemi, Yüksek Lisans Tezi, Bursa Uludağ Üniversitesi, Fen Bilimleri Enstitüsü, Bursa, 2019.
• 14. Aysal, F. E., Yıldırım, K., & Cengiz, E., Real-Time Application of Traffic Sign Recognition Algorithm with Deep Learning, Journal of Materials and Mechatronics: A, 3 (2), 275-289, 2022.
• 15. Mishra, J., Goyal, S., An Effective Automatic Traffic Sign Classification and Recognition with Deep Convolutional Networks, Multimedia Tools and Applications, 81 (13), 18915–18934, 2022.
• 16. Chen, J., Jia, K., Chen, W., Lv, Z., & Zhang, R. A real-time and high-precision method for small traffic-signs recognition. Neural Computing and Applications, 34, 2233-2245,2021.
• 17. Özçevik Y., Solmaz Ö., Baysal E., Ökten M., A real-time simulation environment architecture for autonomous vehicle design, Journal of the Faculty of Engineering and Architecture of Gazi University 38 (3), 1867-1878, 2023.
• 18. Rho E.J., Kaggle, German Traffic Sign Recognition Benchmark (Cropped), https://www.kaggle.com/datasets/eunjurho/german-traffic-sign-recognition-benchmark-cropped, Yayın Tarihi: 2019, Erişim Tarihi: 2023.
• 19. Kocakanat, K., Serif, T., Turkish Traffic Sign Recognition: Comparison of Training Step Numbers and Lighting Conditions, Avrupa Bilim ve Teknoloji Dergisi, 28, 1469-1475, 2021.
• 20. Minaee, S., Boykov, Y., Porikli, F., Plaza, A., Kehtarnavaz, N., Terzopoulos, D., Image Segmentation Using Deep Learning: A Survey, IEEE Transactions on Pattern Analysis and Machine Intelligence, 44 (7), 3523-3542, 2022.
• 21. Veličković, N., Stojković, Z., Dimić, G., Miletić, D., Vasiljević, J., Nagamalai, D., Traffic Sign Classification Using Convolutional Neural Network, Figshare, doi: 10.6084/m9.figshare.6652256.v1, 2018.
• 22. Tümen, V., Yıldırım, Ö., Ergen, B., A Convolutional Neural Network Model for Road Flow Direction Detection, Journal of Intelligent Systems with Applications (Akıllı Sistemler ve Uygulamaları Dergisi), 2 (2), 94-99, 2019.
• 23. Üzen H., Türkoğlu M., Arı A., Hanbay D., InceptionV3 based enriched feature integration network architecture for pixel-level surface defect detection, Journal of the Faculty of Engineering and Architecture of Gazi University, 38 (2), 721-732, 2023.
• 24. Öztürk, G., Derin Evrimsel Sinir Ağları Kullanılarak Araç, İnsan ve Trafik İşaretlerinin Tanınması, Mechatronic Eng. M.Sc. Thesis, Sakarya University, Sakarya, Turkey, 2020.
• 25. Xiao, T., Liu, L., Li, K., Qin, W., Yu, S., Li, Z., Comparison of Transferred Deep Neural Networks in Ultrasonic Breast Masses Discrimination, BioMed Research International, 2018.
• 26. Srivastava, N., Hinton, G., Krizhevsky, A., Sutskever, I., Salakhutdinov, R., Dropout: A Simple Way to Prevent Neural Networks from Overfitting, Journal of Machine Learning Research, 15, 1929–1958, 2014.
• 27. Alom, M. Z., Taha, T. M., Yakopcic, C., Westberg, S., Hasan, M., Van Essen, B. C., Awwal, A. A. S., & Asari, V. K., The History Began from AlexNet: A Comprehensive Survey on Deep Learning Approaches, arXiv preprint arXiv:1803.01164, 2018.
• 28. Szegedy, C., Liu, W., Jia, Y., Sermanet, P., Reed, S., Anguelov, D., Erhan, D., Vanhoucke, V., Rabinovich, A., Going Deeper with Convolutions, Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 1-9, 2015.
• 29. İnik, Ö., Ülker, E., Derin Öğrenme ve Görüntü Analizinde Kullanılan Derin Öğrenme Modelleri, GBAD (Görüntü Bilimi ve Analizi Dergisi), 6 (3), 85–104, 2017.
• 30. He, K., Zhang, X., Ren, S., Sun, J., Deep Residual Learning for Image Recognition, 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Las Vegas, NV, USA, 770-778, 2016.
• 31. Iandola, F. N., Han, S., Moskewicz, M. W., Ashraf, K., Dally, W. J., Keutzer, K., SqueezeNet: AlexNet-Level Accuracy with 50x Fewer Parameters and <0.5MB Model Size, arXiv preprint arXiv:1602.07360, 2016.
• 32. Polat, H., Özerdem, M. S., Derin Transfer Öğrenimi Yaklaşımı ile Kamusal Alanda Medikal Maske Kullanımının Otomatik Kontrolü, Türk Doğa ve Fen Dergisi, 10 (2), 191-198, 2021.
• 33. Ucar, F., Korkmaz, D., COVIDiagnosis-Net: Deep Bayes-SqueezeNet Based Diagnosis of the Coronavirus Disease 2019 (COVID-19) from X-ray Images, Medical Hypotheses, 140, 109761, 2020.
• 34. Sayed, G. I., Soliman, M. M., & Hassanien, A. E., A Novel Melanoma Prediction Model for Imbalanced Data Using Optimized SqueezeNet by Bald Eagle Search Optimization, Computers in Biology and Medicine, 136, 104712, 2021.