Hilmi Cenk Bayrakçı, Tolga Palandız, Merdan Özkahraman

YAPAY ZEKÂ KULLANILARAK TRAFİK İŞARET LEVHALARININ SINIFLANDIRILMASI: DENİZLİ İL MERKEZİ İÇİN ÖRNEK BİR UYGULAMA

Günümüzde sürekli olarak ilerlemekte olan teknolojik gelişmeler ile yapay zeka hayatımızın vazgeçilmez bir parçası haline gelmiştir. Yapay sinir ağlarının kullanıldığı çalışma alanlarından birisi de ulaşımdır. Ulaşım alanında olası kazaların azaltılması amacıyla sürücü destek sistemleri uygulamalarında yapay zeka kullanılmaktadır. Bu çalışmada hem trafik işaret levhalarının fotoğraflarının çekilmesiyle bireysel olarak oluşturulan veri seti hem de açık kaynak erişimli internet sitesinden (kaggle.com) elde edilen veri seti olmak üzere toplamda 4000 adet trafik işaret levhası görüntüsüne ait resimlerden oluşan veri seti kullanılmıştır. Veri seti 3200 adet eğitim verisi ve 800 adet test verisi içermektedir. Hazırlanan veri setleri CNN (Evrişimli Sinir Ağları) modeliyle birlikte ResNet50, MobileNetV2 ve NASNetMobile olmak üzere üç farklı derin öğrenme metoduyla eğitilerek eğitim doğruluğu, test doğruluğu, eğitim kaybı ve test kaybı faktörlerine göre performansları değerlendirilmiştir. ResNet50 metoduyla eğitim doğruluğu %97.62, test doğruluğu %78.75, eğitim kaybı %0.1 ve test kaybı %6.28 olmuştur. MobileNetV2 metoduyla eğitim doğruluğu %97.8, test doğruluğu %48.12, eğitim kaybı %0.38 ve test kaybı %38.34 olmuştur. NASNetMobile metoduyla eğitim doğruluğu %98.56, test doğruluğu %41.56, eğitim kaybı %0.1 ve test kaybı %17.28 olmuştur.

Anahtar Kelimeler:

Yapay Zeka, Derin Öğrenme, Sınıflandırma

CLASSIFICATION OF TRAFFIC SIGNS WITH ARTIFICIAL INTELLIGENCE: A SAMPLE APPLICATION FOR DENİZLİ CITY CENTER

Today, artificial intelligence has become an indispensable part of our lives with the constantly advancing technological developments. One of the fields of study where artificial neural networks are used is transportation. Artificial intelligence is used in driver support systems applications in order to reduce possible accidents in the field of transportation. In this study, a dataset consisting of images of 4000 traffic sign images in total, both the dataset created individually by taking the photos of the traffic signs and the dataset obtained from the open source website (kaggle.com) was used. The dataset contains 3200 training data and 800 test data. The prepared data sets were trained with three different deep learning methods, namely ResNet50, MobileNetV2 and NASNetMobile, together with the CNN (Convolutional Neural Network) model, and their performance was evaluated according to the factors of training accuracy, test accuracy, training loss and test loss. With the ResNet50 method, the training accuracy was 97.62%, the test accuracy was 78.75%, the training loss was 0.1%, and the test loss was 6.28%. With the MobileNetV2 method, the training accuracy was 97.8%, the test accuracy was 48.12%, the training loss was 0.38%, and the test loss was 38.34%. With the NASNetMobile method, the training accuracy was 98.56%, the test accuracy was 41.56%, the training loss was 0.1%, and the test loss was 17.28%.

Keywords:

Artificial Intelligence, Deep Learning, Classification,

PDF

___

1. Nabiyev, V. V., “Yapay zekâ: insan-bilgisayar etkileşimi”, Seçkin Yayıncılık, Ankara, 2012.
2. Wehle, H. D., “Machine learning, deep learning, and ai: What’s the difference?”, In Internationan Conference on Data Scientist Innovation Day, Bruxelles, Belgium, 2017, July.
3. Goodfellow, I., Bengio, Y., Courville, A., “Deep learning”, MIT Press, 2016.
4. Aksoy, B., Salman, O. K. M. and Ekrem, Ö., “Detection of Turkish Sign Language Using Deep Learning and Image Processing Methods”, Applied Artificial Intelligence, Vol 35, Issue 12, Pages 952-981, 2021.
5. Dener, M., Dörterler, M. ve Orman, A., “Açık kaynak kodlu veri madenciliği programları: WEKA’da örnek uygulama”, 11. Akademik Bilişim Konferansı, Şanlıurfa, Cilt 9, 2009.
6. Dölek, İ., “Yapay sinir ağlarıyla optik karakter tanımı kullanılarak günümüz Türkçesinin Osmanlıcaya çevrilmesi”, Yüksek Lisans Tezi, Sakarya Üniversitesi Fen Bilimleri Enstitüsü, Sakarya, 2016.
7. Tan, K. C., Lee, L. H. and Ou, K., “Artificial intelligence heuristics in solving vehicle routing problems with time window constraint”, Engineering Applications of Artificial Intelligence, Vol 14, Issue 6, Pages 825-837, 2001.
8. Dong, X. Y., Niu, X. Q., Zhang, Z. Y., Wei, J. S. and Xiong, H. M., “Red fluorescent carbon dot powder for accurate latent fingerprint identification using an artificial intelligence program”, ACS Applied Materials and Interfaces, Vol 12, Issue 26, Pages 29549-29555, 2020.
9. Öztemel, E., “Yapay sinir ağları”, Papatya Yayıncılık, İstanbul, 2003.
10. Kadiroğulları, G., Aksoy, B., Sayın, H., Ömür, M., “Arıma yapay zeka yöntemi kullanılarak Isparta ilindeki örnek bir kavşak için araç sayısı ve araç geçiş sürelerinin tespiti”, Mühendislik Bilimleri ve Tasarım Dergisi, Cilt 8, Sayı 5, Sayfa 11-24, 2020.
11. Ateş, F., Salman, O., Şenol, R., Aksoy, B., “Determination of vehicle type by image classification methods for a sample traffic intersection in Isparta province”, The International Conference on Artificial Intelligence and Applied Mathematics in Engineering”, Springer, Cham, Pages 429-438, 2020.
12. Yavuz, A., “Derin öğrenme algoritmaları ile trafik işaret ve levhalarının tanımlanması”, Yüksek Lisans Tezi, Pamukkale Üniversitesi Fen Bilimleri Enstitüsü, Denizli, 2021.
13. Malik, Z., ve Siddiqi, I., “Detection and recognition of traffic signs from road scene images. 12th International Conference on Frontiers of Information Technology”, Pages 330-335, 2014.
14. Serna, C. G. and Ruichek, Y., “Traffic signs detection and classification for European urban environments”, IEEE Transactions on Intelligent Transportation Systems, Vol 21, Issue 10, Pages 4388-4399, 2019.
15. Mykola, “GTSRB - German traffic sign recognition benchmark”, https://www.kaggle.com/meowmeowmeowmeowmeow/gtsrb-german-traffic-sign, November 25, 2018.
16. LeCun Y., Bengio Y., Hinton G., “Deep learning”, Nature, Vol 521, Pages 436-444, 2015.
17. Bozkurt, S., “Derin öğrenme algoritmaları kullanılarak çay alanlarının otomatik segmentasyonu”, Yüksek Lisans Tezi, Sayfa 22-25, İstanbul, 2018.
18. Le Q. V., Ngiam J., Coates A., Lahiri A., Prochnow B., Ng A. Y., “On optimization methods for deep learning”, In Proceedings of the 28th International Conference on International Conference on Machine Learning, Pages 265-272, 2011.
19. Lee H., Pham P., Largman Y., Ng A. Y., “Unsupervised feature learning for audio classification using convolutional deep belief networks”, In Advances in Neura Information Processing Systems, Pages 1096-1104, 2009.
20. Özkan, İ., Ülker, E., “Derin öğrenme ve görüntü analizinde kullanılan derin öğrenme modelleri”, Gaziosmanpaşa Bilimsel Araştırma Dergisi, Cilt 6, Sayı 3, Sayfa 85-104, 2017.
21. Amidi A., Amidi S., “Convolutional neural networks cheatsheet”, https://stanford.edu/~shervine/teaching/cs-230/cheatsheet-convolutional-neural-networks, November 24, 2018.
22. Srivastava, N., Hinton, G., Krizhevsky, A., Sutskever, I., Salakhutdinov, R., “Dropout: a simple way to prevent neural networks from overfitting”, The Journal of Machine Learning Research, Vol 15, Issue 1, Pages 1929-1958, 2014.