ARTIFICIAL INTELLIGENCE-SUPPORTED SYSTEM DESIGN THAT DETECTS POTHOLES AND MARKS THEM ON THE MAP

Öz

This study aims to detect potholes on road surfaces and display them on a map using a Kinect sensor. Initially, pothole detection was conducted with the YOLOv5 model, but due to an accuracy rate of only 70%, a more advanced model, YOLOv8, was adopted. With YOLOv8, a 75% success rate was achieved, improving pothole detection accuracy and processing speed. Through the developed system, the GPS coordinates of detected potholes are combined with depth data obtained from the Kinect sensor and marked on a map. The application, developed with .NET MAUI, allows users to view these detections in real time. Each detected pothole is prominently marked on the map, warning drivers as they approach its location. This application offers an effective pothole detection and monitoring solution that can assist in road maintenance operations and provide autonomous vehicles with information on pothole locations, preventing potential accidents and damage.

Anahtar Kelimeler

• Image Processing
• Yolov8
• GPS
• Kinect
• Road
• Pothole
• Localization

YAPAY ZEKA DESTEKLİ ÇUKURLARI TESPİT EDEN VE HARİTA ÜZERİNDE İŞARETLEYEN SİSTEM TASARIMI

Öz

Bu çalışmada, Kinect sensörü kullanılarak yol yüzeylerinde bulunan çukurların tespiti ve harita üzerinde gösterimi amaçlanmaktadır. Başlangıçta YOLOv5 modeli ile çukur tespiti yapılmış, ancak doğruluk oranının %70 çıkmasından dolayı daha gelişmiş bir model olan YOLOv8’e geçiş yapılmıştır. YOLOv8 kullanılarak %75 başarı elde edilmiş olup daha yüksek doğruluk ve hızlı işlem kapasitesi sayesinde çukurların tespiti iyileştirilmiştir. Geliştirilen sistem sayesinde tespit edilen çukurların GPS koordinatları, Kinect sensöründen elde edilen derinlik verileri ile birleştirilerek harita üzerinde işaretlenmektedir. .NET MAUI ile yapılan uygulama, kullanıcılara bu tespitleri anlık olarak gösterecek şekilde geliştirilmiştir. Tespit edilen her çukur, harita üzerinde belirgin bir şekilde işaretlenmektedir. Böylelikle sürücülerin çukurun bulunduğu konumdan geçerken uyarılması sağlanacaktır. Ayrıca bu uygulama sayesinde hem yol bakım çalışmalarında kullanılabilecek etkili bir çukur tespit ve izleme çözümü sunulmakta hem de otonom sürüş sırasında araçlara yol güzergahında bulunan çukurların konumu bildirilerek olası kazaların ve arızaların önüne geçilebilecektir.

Anahtar Kelimeler

• Görüntü İşleme
• Yolov8
• GPS
• Kinect
• Yol
• Çukur
• Konumlandırma

Kaynakça

1. Teng, T.P., "Distress Identification Manual for the Long-Term Pavement Performance Project," U.S Department of Transportation Federal Highway Administration, 2014.
2. Heggie, "Commercial Management and Financing of Roads," World Bank, Washington, 1998.
3. Legreid A.M., "Potholes and Strategies on the Road to Campus Internationalization," International Research and Review: Journal of Phi Beta Delta Honor Society for International Scholars, vol. 6, no. 1, 2016.
4. Rita Justo-Silva A.F., "Pavement maintenance considering traffic accident costs," International Journal of Pavement Research and Technology, 2019.
5. Ümit Demir, Bora Uğurlu, “El Yazısından Kişilik Analizinde El Yazısı Tanımlamaya Yönelik Bir Karar Destek Modeli Önerisi”, UMÜFED Uluslararası Batı Karadeniz Mühendislik ve Fen Bilimleri Dergisi, 3(2), ss, 47-71, 2021.
6. Derin Öğrenme Nedir? : https://www.oracle.com/tr/artificial-intelligence/machine-learning/what-is-deep-learning/ [Ziyaret Tarihi: 19.10.2024]
7. Ferdi Doğan, İbrahim Türkoğlu, “Derin Öğrenme Algoritmalarının Yaprak Sınıflandırma Başarımlarının Karşılaştırılması”, Sakarya University Journal Of Computer and Information Science Vol. 1, Id. Saucis-1-2018, April 2018.
8. Ultralytics Yolov5 Mimarlık:https://docs.ultralytics.com/tr/yolov5/tutorials/architecture_description/ [Ziyaret tarihi:03.09.2024]

9. Yolov5 İle Nesne Tespiti: https://medium.com/@akdenizz7/yolov5-ile-nesne-tespiti-8aa370febfc0 [Ziyaret tarihi:03.09.2024]
10. A Deep Dive Into Non-Maximum Suppression(NMS): https://builtin.com/machine-learning/non-maximum-suppression [Ziyaret tarihi:04.09.2024]
11. Yolov8’in Gücünü Keşfedin: Yeni Nesil Nesne Tespiti Algoritması: https://medium.com/@meryemmsakinn/yolov8in-g%C3%BCc%C3%BCn%C3%BC-ke%C5%9Ffedin-yeni-nesil-nesne-tespit-algoritmas%C4%B1-d98efcda3e8d [Ziyaret tarihi:08.09.2024]
12. Ultralytics Yolo Dökümanlar: https://docs.ultralytics.com/tr [Ziyaret tarihi:08.09.2024]
13. Autonomous: Vehicles And Urban Traffic Management For Sustainbility: Impacts Of Transition Of Control And Dedicated Lanes : https://www.mdpi.com/2071-1050/16/19/8323 [Ziyaret Tarihi: 16.09.2024]
14. Image Analysis In Autonomous Vehicles: A Review Of The Latest AI Solutions And Their Comparison: https://www.mdpi.com/2076-3417/14/18/8150 [Ziyaret Tarihi: 16.09.2024]
15. Yol Yüzeyi Kusur Tespiti - Görüntü Tabanlıdan Görüntü Tabansıza : Bir Araştırma: https://arxiv.org/html/2402.04297v1 [Ziyaret tarihi:11.09.2024]
16. Arduino Gps Modülü Kullanımı: https://devreyakan.com/arduino-gps-modulu- kullanimi/[Ziyaret tarihi:12.09.2024]
17. Pothole Detection: https://www.kaggle.com/datasets/andrewmvd/pothole-detection [Ziyaret tarihi:14.09.2024]
18. Sylvain Arlot. Alain Celisse. "A survey of cross-validation procedures for model selection." Statist. Surv. 4 40 - 79, 2010.