Tez No	İndirme	Tez Künye	Durumu
612833		Akıllı ulaşım sistemleri için karayolu tipi, kavşak ve virajların derin öğrenme yöntemleri ile belirlenmesi / Determination of highway type, intersections and curves for intelligent transportation systems by deep learning methods Yazar:VEDAT TÜMEN Danışman: DOÇ. DR. BURHAN ERGEN Yer Bilgisi: Fırat Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı / Kuramsal Temeller Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:Görüntü sınıflandırma = Image classification ; Sayısal görüntü işleme = Digital image processing	Onaylandı Doktora Türkçe 2019 114 s.
Son günlerde akıllı ulaşım sistemleri alanında geliştirilen otonom araçlar ve ileri sürücü destek sistemleri için yeni fikirler ve senaryolar üretilmektedir. Otonom araçlar ya da sürücü destek sistemlerinde, karayolunda tanıma işlemi için çoğunlukla bilgisayar görü teknikleri kullanılmakta ya da lazer sinyal işleme teknikleri uygulanmaktadır. Görüntü işleme yöntemleri, lazer sinyal işleme yöntemlerine göre daha düşük maliyetli çözümler üretebilmektedir. Görüntü işleme tekniklerine ek olarak derin öğrenme yöntemleri kullanılarak nesne ve yol tipinin tespiti yapılabilir. Bu tez çalışmasında, karayolunda bulunan kavşaklar, yaya geçitleri, virajlar, yol ayrımları gibi önemli bölgelerin gerçek görüntüleri ilk defa bir tanıma problemi olarak ele alınmış, görüntü işleme ve derin öğrenme metoduyla tespit edilmiştir. Görüntü işleme aşamasında, yol görüntülerinin yapısı ve çekimine göre üst ve alt noktaları kırpılarak ilgili bölgenin tespiti için bir metot geliştirilmiş ve elde edilen görüntülerin derin öğrenme mimarisi ile tanınması sağlanmıştır. Geliştirmiş olduğumuz yöntem ve farklı tanıma algoritmaları ile görüntüler test edilmiştir. Modelimizin hem algoritmalara göre hem de literatürdeki farklı veri setleri kullanılarak geliştirilen çalışmalara göre oldukça iyi sonuçlar verdiği görülmüştür. Kamera görüntüleri kullanılarak gerçek zamanlı sistemler hazırlanabilir ve uygun maliyetli çözümler sunulabilir. Geliştirilen bu yöntemin sürücü destek sistemleri için uygulanabilir olduğu, hem araçlar hem de sürücülerin uyarılması gibi birçok alanda kullanılabilecek etkili bir yapı olduğu söylenebilir. Ayrıca bu çalışma, karayollarında bulunan trafik işaretleri ile gerçek yol durumlarının eşleşip eşleşmediği gibi tespit ve doğrulama sistemleri için de kullanılabilir.
Recently, new ideas and scenarios have been produced for autonomous vehicles and advanced driver assistance systems developed in the field of intelligent transportation systems. In autonomous vehicles or driver assistance systems, computer vision techniques are often used for road recognition, or laser signal processing techniques are applied. Image processing methods can produce lower cost solutions than laser signal processing methods. In addition to image processing techniques, the object and path type can be determined using deep learning methods. In this thesis, real images of important regions such as intersections, pedestrian crossings, bends, left-right intersections on the road have been dealt with for the first time as a recognition problem and determined by image processing and deep learning method. In the image processing stage, a method has been developed for the determination of the relevant region by clipping the top and bottom points according to the structure and attraction of road images and the acquired images were recognized with deep learning architecture. Images have been tested with the method we developed and different recognition algorithms. It has been found that our model gives very good results both according to algorithms and studies developed using different datasets in the literature. Using camera images, real-time systems can be prepared and cost-effective solutions can be provided. It can be said that this developed method is applicable to driver support systems and it is an effective structure that can be used in many fields such as warning of vehicles and drivers. Also, this study can be used for detection and verification systems as well as whether traffic signs on highways match actual road conditions.