2026-09-18T20:23:08.356717643Zhttps://dspace.ankara.edu.tr/server/oai/request

oai:dspace.ankara.edu.tr:20.500.12575/827282022-07-07T12:02:35Zcom_20.500.12575_70col_20.500.12575_72

Telatar, Ziya Kalkan, Yeşim Elektronik Mühendisliği 2022-07-07T12:02:34Z 2022-07-07T12:02:34Z 2020 http://hdl.handle.net/20.500.12575/82728 Image processing technologies are used in many fields which are defense, medical, communication and automotive. The use of artificial intelligence in image processing technologies has led to speed up autonomous vehicle studies in the automotive sector. In this study, it is aimed at an artificial neural network that was originally designed to automatically detect and recognize traffic signs on the images coming to the network. For this purpose, supervised deep learning technique was used to identify, classify and mark the signs belongs to 10 different classes. YZNet network, which is designed within the scope of the thesis, consists of 16 layers including input, output and hidden layers. Firstly, YZNet was trained using the German Traffic Sign Recognition Benchmark, using the Convolution Neural Network (CNN) method with supervised learning for classification. The number of pictures used for education is 26640. In this data set, the accuracy of the YZNet network was 93.05%. YZNet network designed in the study and AlexNet and Cifar10Net networks are available in the literature were retrained using the Regional Convolution Neural Network (R-CNN) method to detect and recognize traffic signs in the image and mark them with a bounding box and put the label on them. The German Traffic Sign Detection Benchmark was used for training and testing with the R-CNN method. 600 pictures in the data set were used for training and 300 pictures for testing. In the study the lowest false alarm rates were obtained as 0.2 in AlexNet, 0.25 in Cifar10Net and 0.72 in YZNet. The highest accuracy values were obtained as 98.33% for AlexNet, 98.33% for Cifar10Net and 96.95% for YZNet. Görüntü işleme teknolojileri savunma, medikal, haberleşme ve otomotiv olmak üzere birçok alanda kullanılmaktadır. Yapay zekanın görüntü işleme teknolojilerinde kullanılması, otomotiv sektöründe otonom araç çalışmalarını hızlandırmıştır. Bu çalışmada, özgün olarak bir yapay sinir ağı tasarlanarak ağa gelen resimlerin otomatik olarak trafik işaretlerini algılaması ve tanıması amaçlanmıştır. Bu amaçla, 10 farklı sınıfa ait işaretlerin tanınması, sınıflandırılması ve görüntü üzerinde işaretlenmesi için derin öğrenme tekniği kullanılmıştır. Tez çalışması kapsamında tasarlanan özgün YZNet ağı giriş, çıkış ve gizli katmanlar dahil 16 katmandan oluşmaktadır. YZNet öncelikle sınıflandırma için Evrişimli Sinir Ağı (CNN) yöntemi tercih edilerek Alman Trafik İşareti Tanıma Veri Kümesi (The German Traffic Sign Recognotion Benchmark) kullanılarak denetimli (gözetimli) öğrenme çeşidiyle eğitilmiştir. Eğitim için kullanılan resim sayısı 26640 adettir. YZNet ağının bu veri setindeki sınıflandırma başarı oranı %93.05 olarak gözlemlenmiştir. Resimde bulunan trafik işaretlerinin tespit edilerek ve tanınarak sınırlayıcı kutu ile işaretlenebilmesi ve etiketleyebilmesi için çalışmada tasarlanan YZNet ve literatürde yer alan AlexNet ve Cifar10Net ağları, Bölgesel Evrişimli Sinir Ağı (R-CNN) yöntemi tercih edilerek tekrar eğitilmiştir. R-CNN yöntemiyle yapılan eğitim ve testler için Alman Trafik İşareti Bulma Veri Kümesi (The German Traffic Sign Detection Benchmark) kullanılmıştır. Veri setinde 600 adet resim eğitim, 300 adet resim test için kullanılmıştır. Yapılan performans değerlendirmelerinde yanlış alarm oranı en düşük AlexNet'de 0.2, Cifar10Net'de 0.25 ve YZNet'de 0.72 olarak elde edilmiştir. Doğruluk değerleri ise en yüksek AlexNet'de %98.33, Cifar10Net'de %98.33 ve YZNet'de %96.95 oranlarında elde edilmiştir. tr Fen Bilimleri Enstitüsü görüntü işleme derin öğrenme Tanıma İmge içeriği tabanlı nesne sınıflandırma Image content based object classification masterThesisopen.access