Yazar "Al-Doori, Shafeeq Kanaan Shakir" seçeneğine göre listele

Listeleniyor 1 - 1 / 1
  • Küçük Resim
    Öğe
    Dikkatsiz sürücü davranışlarının derin öğrenme yöntemleri ile tespiti
    (Selçuk Üniversitesi, Fen Bilimleri Enstitüsü, 2022) Al-Doori, Shafeeq Kanaan Shakir; Köklü, Murat
    Milyonlarca insan, çeşitli sebeplerden dolayı kaynaklanan kazalardan dolayı hayatlarını kaybetmektedirler. Araç sayısının artması ile birlikte, kazaların sayısı da artmaktadır. Buna birde teknolojik cihazların neden olduğu sürücü hataları eklenince kazaların ortanı gittikçe daha çok artmaktadır. Genellikle kazaların büyük çoğunluğu sürücülerin dikkatlerinin dağılması sonucu oluşmaktadır. Bu nedenle modern araçlarda sürücü hatalarının tespit edilerek sürücünün uyarılmasına dayanan bir sisteme ihtiyaç duyulmaktadır. Bu amaçla çalışmada evrişimsel sinir ağı özellik çıkarma tabanlı sınıflandırma modellerinin analizi gerçekleştirilmiştir. SqueezeNet, VGG16 ve VGG19 mimarileri transfer öğrenme yöntemi ile eğitilerek görüntü özellikleri sınıflandırma katmanından önce alınmıştır. Alınan özellikler k-en yakın komşu (k-NN), destek vektör makineleri (DVM), rastgele orman (RO), yapay sinir ağları (YSA) ve lojistik regresyon (LR) makine öğrenme algoritmalarına giriş olarak verilerek görüntülerin sınıflandırması gerçekleştirilmiştir. Modellerin eğitiminde 22,424 sürücü hataları görüntüsü içeren 10 sınıflı bir veriseti kullanılmıştır. Görüntüler ile eğitimi gerçekleştirilen k-NN, DVM, RO, YSA ve LR modelleri ile sınıflandırma işlemleri gerçekleştirilmiştir. SqueezeNet modelinden elde edilen özellikler ile yapılan sınıflandırmalarda en yüksek sınıflandırma başarısına sahip modelin %98,8 ile YSA modeli olduğu tespit edilmiştir. VGG16 modelinden elde edilen özellikler ile yapılan sınıflandırmalarda en yüksek sınıflandırma başarısına sahip modelin %99,1 ile YSA modeli olduğu tespit edilmiştir. VGG19 modelinden elde edilen özellikler ile yapılan sınıflandırmalarda en yüksek sınıflandırma başarısına sahip modelin %98,9 ile YSA modeli olduğu tespit edilmiştir. Tüm modeller kıyaslandığında en yüksek sınıflandırma başarısının VGG16 modelinden elde edilen özelliklerin YSA ile sınıflandırılması sonucu elde edildiği tespit edilmiştir. Sınıflandırma modellerinin detaylı analizi için eğitim ve test zamanları da ölçülmüştür. SqueezeNet özellikleri ike eğitilen k-NN modeli 57,892 saniye ile en hızlı eğitim yapılan sınıflandırma modeli olmuştur. Eğitim süresi en uzun olan model 4970,5 saniye ile VGG19 özellikleri ile eğitilen DVM modelidir. Test süresi en kısa olan model SqueezeNet özellikleri ile eğitilen RO ve LR modelidir ve test süresi 2,2 saniyedir. Test süresi en uzun olan model ise VGG16 özellikleri ile eğitilen k-NN modelidir ve test süresi 3686,4 saniyedir. Sınıflandırma modellerinin detaylı analizi için diğer performans ölçme metriklerinden de faydalanılmıştır. Modellerin eğitim ve test süreleri de karşılaştırılarak en uygun modelin bulunması amaçlanmıştır. Elde edilen modellerin görüntü üzerinden sürücü hatalarını tespit etmede kullanılabilmesi amaçlanmıştır.