Yapay Zeka Tabanlı Araç Algılama Sistemi Geliştirilmesi
Öz
Araç algılama ve trafik durumları güvenli sürüş, kazadan kaçınma, otomatik sürüş ve takip için önemli unsurlardır. Halihazırda, trafik sinyalizasyon işlemleri için kavşaklarda Trafik Sinyal Denetleyicisi (TSD) sistemleri kullanılmaktadır. Bu sistemlerde yol altına döşenen Trafik Sinyal Loop Dedektörleri bulunmaktadır. Bu dedektörlerin kurulumu, işletilmesi ve bakımı, zaman alıcı ve maliyetli işlemlerdir. Yolda bir hasar olması durumunda, loop dedektörler de hasar görebilmektedir. Ayrıca dedektörlerle alınabilecek trafik yol bilgisi de oldukça sınırlı kalmaktadır. Ulaşım sektöründe birçok şehirdeki trafik sinyalizasyonuna yeni bir çözüm getirecek bu proje çalışmasında, yapay zeka tabanlı kamera ile bir araç algılama sistemi (Video Dedektör) geliştirilmiştir. Projenin temel amacı geleneksel asfalt altı manyetik ve elektriksel araç algılayıcılara alternatif olarak, görüntü tabanlı algılayıcı bir sistem geliştirilmesidir. Bu projeyle geliştirilen sistem sayesinde, maliyetli fiziksel loop dedektörlerine olan ihtiyacın kalkması hedeflenmektedir. Bu çalışma kapsamında yapay zeka temelli çalışan bir video algılayıcı sistem kullanılarak; ilk aşamada sanal loop, araç sayım, varlık-yokluk bilgisi, sonraki aşamalarda ise araç işgaliye, kuyruklanma, ortalama hız, araç sınıflandırma ve kavşak içi yönlere bağlı olarak araç takibi bilgileri üretilebilecektir.
Anahtar Kelimeler
Araç Algılama , Trafik Sinyalizasyon , Yapay Zeka , Akıllı Ulaşım Sistemleri
Kaynakça
- [1] J. Huang, V. Rathod, C. Sun, M. Zhu, A. Korattikara, A. Fathi, I. Fischer, Z. Wojna, Y. Song, S. Guadarrama, K. Murphy, (2017), Speed/Accuracy Trade-Offs for Modern Convolutional Object Detectors,The IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 7310-7311.
- [2] Anthony Sarkis, (2017), Self-Driving Cars: Implementing Real-Time Traffic Light Detection and Classification, https://medium.com/@anthony_sarki.
- [3] NVIDIA TensorRT, (2018), https://developer.nvidia.com/tensorrt
- [4] Sakshi Indolia et all., (2018), Conceptual Understanding Of Convolutional Neural Network- A Deep Learning Approach,Procedia Computer Science 132, pp. 679–688.
- [5] Vijayasanthi D., Geetha S., (2017), Deep Learnıng Approach Model For Vehıcle Classıfıcatıon Usıng Artıfıcıal Neural Network, International Research Journal of Engineering and Technology (IRJET) , Volume: 04 -06, pp. 1418-1424.
- [6] Surendra Gupte et all., (2002), Detection And Classification Of Vehicles, IEEE Transactions On Intelligent Transportation Systems, Vol. 3, No. 1
- [7] Jiyong Chung and Keemin Sohn, (2018), Image-Based Learning to Measure Traffic Density Using a Deep Convolutional Neural Network, IEEE Transactions On Intelligent Transportation Systems, Vol. 19, No. 5
- [8] Sayanan Sivaraman, Mohan Manubhai Trivedi, (2013), Looking at Vehicles on the Road: A Survey of Vision-Based Vehicle Detection, Tracking and Behavior Analysi, IEEE Transactions on Intelligent Transportation Systems, Vol. 14, No. 4
- [9] Abhijeet Kumar, Gunshi Gupta, Avinash Sharma and K. Madhava Krishna, (2018), Towards View-Invariant Intersection Recognition from Videos using Deep Network Ensembles, Intelligent Robots and Systems (IROS), IEEE/RSJ International Conference on, pp. 1053-1060
- [10] Bhatt Dhaivat, Sodhi Danish, Pal Arghya, Balasubramanian Vineeth and Krishna Madhava, (2017),HaveI reached the intersection: A deep learning-based approach for intersection detection from monocular cameras. 4495-4500. 10.1109/IROS.2017.8206317
