Akıllı Sürücü Takip ve Sürüş Analizi Raporlama Sistemi

Yıl 2025, Cilt: 15 Sayı: 1, 319 - 340, 15.03.2025

Ferhat Akalan , Betül Mumcu , Erdinç Şahin

https://doi.org/10.31466/kfbd.1548673

Öz

Her geçen gün yollardaki araç sayısının artmasıyla beraber trafik kazalarının sayısı da artmaktadır. Türkiye İstatistik Kurumu (TÜİK) 2023 verilerine göre, bu kazaların %88,9’u sürücü hatalarından kaynaklanmaktadır. Sürücülerin bu hataları genellikle sürüş anında dikkatsiz, yorgun, uykulu ya da farklı bir işle meşgul olmalarından dolayı kaynaklanmaktadır. Bu noktada araçlarda akıllı sistemlerin kullanılmasına ihtiyaç duyulmaya başlanmıştır. Sürücüleri bu davranışları sırasında onları uyaran akıllı araç sistemleri geliştirilmiştir. Bu sistemlerle sürücünün daha güvenli bir sürüş sağlaması hedeflenmiştir. Literatüre bakıldığında bu konuda çalışmalar yapılmış ve gömülü sistemler geliştirilmiştir. Bu çalışmaların genel amacı sürücüyü sürüş sırasında uyararak güvenli bir sürüş sağlamaktır. Bu çalışmada önerilen akıllı sürücü takip ve sürüş analizi raporlama sistemi daha çok yük ve yolcu taşımacılığı sektöründe bulunan şirketler için tasarlanmıştır. Sürücü hatasından kaynaklanan trafik kazalarının önüne geçebilmek için ticari araç sürücülerinin sürüş analizi yapılarak şirkete raporlanması ve bu sayede daha dikkatli sürücülerin tercih edilmesini ya da mevcut sürücülerin daha dikkatli olmasını sağlayarak trafik kazalarını en aza indirgenmesi hedeflenmektedir. Sistem araç içerisine yerleştirilen sürücüye ve trafiğe bakan sürüş boyunca video kaydını alan iki kameradan oluşmaktadır. Video kaydı sürüş analizi raporlama yazılımına yüklenerek iki ayrı video iki ayrı modelden geçirilerek sonuçları anlamlı bir formatta görüntülemektedir. Projeyi gerçekleştirirken iki farklı model oluşturulmuştur. Bu modellerden ilki sürücünün uykulu olma, telefonla ilgilenme, sigara içme gibi davranışlarını tespit ederken ikincisi aracın trafikte hız sınırlarına ve trafik ışıklarına uyup uymadığı konusunda analizler yapmaktadır. Bu analizler kullanıcı dostu bir ara yüz ile rapor şeklinde sunulmaktadır. Bu sayede sürücü nedenli kazaların önüne geçilerek daha güvenli bir trafik akışının sağlanması hedeflenmektedir.

Anahtar Kelimeler

Sürücü Davranış Takibi, Makine Öğrenmesi, Sürüş Analizi

Proje Numarası

1919B012305483

An Intelligent Driver Tracking and Driving Analysis Reporting System

Öz

As the number of vehicles on the roads increases day by day, the number of traffic accidents also increases. According to Turkish Statistical Institute (TÜİK) 2023 data, 88.9% of these accidents are caused by driver errors. These mistakes of drivers usually occur because they are careless, tired, sleepy, or busy with a different task while driving. At this point, the need for the use of smart systems in vehicles has begun. Intelligent vehicle systems have been developed to warn drivers during these behaviors. These systems aim to provide the driver with a safer driving experience. Looking at the literature, studies have been done on this subject and embedded systems have been developed. The general purpose of these studies is to ensure safe driving by warning the driver while driving. The proposed intelligent driver tracking and driving analysis reporting system in this study is designed mostly for companies in the freight and passenger transportation sector. In order to prevent traffic accidents caused by driver error, the aim is to conduct a driving analysis of commercial vehicle drivers and report them to the transportation company, thus minimizing traffic accidents by choosing more careful drivers or ensuring that the drivers are more careful. The proposed system consists of two cameras placed inside the vehicle, facing with the driver and traffic, recording video throughout the drive. The video recording is uploaded to the driving analysis reporting software, two separate videos are passed through two separate models and the results are displayed in a meaningful format. While carrying out the project, two different models are created. While the first of these models detects the driver's behavior such as sleepiness, making a phone call, or smoking, the second analyzes whether the vehicle complies with the speed limits and traffic lights. These analyses are presented in the form of reports with a user-friendly interface. In this way, it is aimed to ensure a safer traffic flow by preventing accidents caused by drivers.

Anahtar Kelimeler

Driver Behavior Tracking, Machine Learning, Driving Analysis

Proje Numarası

1919B012305483

Kaynakça

• Acar Vural, R., Sert, M. Y., & Karaköse, B. (2018). Gerçek Zamanlı Sürücü Yorgunluk Tespit Sistemi. Marmara Fen Bilimleri Dergisi, 30(3), 249-259. https://doi.org/10.7240/marufbd.417915
• Aki, M. O. (2017). Sürücü uykululuğunun gerçek zamanlı görüntü işleme ve makine öğrenmesi teknikleri ile tespitine yönelik bir sistem tasarımı ve uygulaması, Doktora Tezi, Trakya Üniversitesi, Fen Bilimleri Enstitüsü.
• Çivik, E. (2020). Gömülü sistem üzerinde derin öğrenme bazlı sürücü yorgunluk tespiti, Master's thesis, Bilecik Şeyh Edebali Üniversitesi, Fen Bilimleri Enstitüsü.
• Django (Version 5.1) (2024). [Computer Software]. https://www.djangoproject.com (Last Access Date: 04.03.2025)
• Grover, P. (2018). Evolution of object detection and localization algorithms. Towards Data Science. https://medium.com/towards-data-science/evolution-of-object-detection-and-localization-algorithms-e241021d8bad (Last Access Date: 04.03.2025)
• Golgiyaz, S., Kocamaz, A. F., & Okumuş, F. (2017). Video Tabanlı Uykulu Sürücü Algılama Sistemi. Journal of Safety Research, 7(1), 1-12.
• Güney, E. (2021). Sürücü asistan sistemleri için mobil GPU tabanlı gerçek zamanlı durum analizi ve tespit uygulamaları, Master's thesis, Sakarya Üniversitesi, Fen Bilimleri Enstitüsü.
• Jocher, G., Chaurasia, A., & Qiu, J. (2023). Ultralytics YOLO (Version 8.0.0) [Computer software]. https://github.com/ultralytics/ultralytics (Last Access Date: 04.03.2025)
• Ma, B., Fu, Z., Rakheja, S., Zhao, D., He, W., Ming, W., & Zhang, Z. (2024). Distracted Driving Behavior and Driver’s Emotion Detection Based on Improved YOLOv8 with Attention Mechanism. IEEE Access. https://doi.org/10.1109/ACCESS.2024.3374726
• Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2016). You Only Look Once: Unified, Real-Time Object Detection. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 779-788. https://doi.org/10.1109/CVPR.2016.91.
• Şafak, E., Dogru, İ., Barışçı, N., & Toklu, S. (2022). Derin öğrenme kullanılarak nesnelerin interneti tabanlı mobil sürücü yorgunluk tespiti. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 37(4), 1869-1882. https://doi.org/10.17341/gazimmfd.999527
• Şahin, A., Çil, S., & İstanbullu, A. (2020). Raspberry Pi 4 ile Sürücü Yorgunluk Tespiti ve Uyarı Sistemi. Journal of Science, Technology and Engineering Research, 1(1), 13-18. https://doi.org/10.5281/zenodo.3902907
• SelfDriving Car. (2023). Self-Driving Cars Dataset [Open Source Dataset]. Roboflow Universe. Roboflow. https://universe.roboflow.com/selfdriving-car-qtywx/self-driving-cars-lfjou (Last Access Date: 04.03.2025)
• Türkiye İstatistik Kurumu. (2023). Karayolu Trafik Kaza İstatistikleri. https://data.tuik.gov.tr/Bulten/Index?p=Karayolu-Trafik-Kaza-Istatistikleri-2023-5347 (Last Access Date: 04.03.2025)
• Ultralytics. (2024). Documentation. https://docs.ultralytics.com/tr (Last Access Date: 04.03.2025)
• Xie, S., Chuah, J. H., & Chai, G. M. T. (2023). Revolutionizing Road Safety: YOLOv8-Powered Driver Fatigue Detection. (2023) IEEE Asia-Pacific Conference on Computer Science and Data Engineering (CSDE), 1-6. https://doi.org/10.1109/CSDE59766.2023.10487765