Otonom araçlar için evrişimsel sinir ağları kullanılarak trafik işareti sınıflandırması

Abstract

Trafik işaretlerinin tanınması, yollarda güvenli navigasyon için otonom araçların geliştirilmesinde temel faaliyetlerden biridir. Bu çalışma, ConvNet'in Türk trafik işaretlerini tehlike uyarı işaretleri ve düzenleyici işaretler olmak üzere iki sınıfa ayırma çalışmasını ele almaktadır. Model performansını artırmak için renk tonu titreme dönüşümleriyle zenginleştirilmiş 129 trafik işareti görüntüsünden oluşan bir veri kümesi kullanılmıştır. Üç evrişim katmanlı mimariye, dört ReLU katmanına ve iki tam bağlı katmana dayanan ConvNet, iki trafik işareti sınıfını sınıflandırmak üzere eğitilmiştir. Elde edilen ortalama doğruluk, eğitim setinde %97,7 ± %5,2, doğrulama setinde %88,8 ± %1,2 ve test setinde %96,9 ± %7,2 olmuştur. Bu sonuçlar, ConvNet'lerin trafik işaretlerini tanımlamada ve sınıflandırmada oldukça iyi çalıştığını ve dolayısıyla otonom araç teknolojilerinde uygulanabileceğini kanıtlamaktadır. Modelin uygulanabilirliğini test etmek için gelecekteki çalışmalarda trafik işaretlerinin çekilmiş gerçek fotoğrafları kullanılacaktır.