Farklı derin öğrenme yöntemleriyle tam otomatik cadde park yeri tespiti

Metropollerde park yeri aramak uzun zaman alıyor ve bu da trafik kazaları, karbondioksit ve sera gazı emisyonu riskini artırıyor.Bu tezde, trafiği yoğun olduğu herhangi bir sokakta yol kenarı park yeri bulabilecek şekilde tam otomatik görüntü işleme tabanlı bir mobil bulut park yönetimi çözümü öneriyoruz. Otomatik bir park yeri tespit sistemi geliştirmek için hem nesne tespiti hem de yol segmentasyonu yöntemlerini kullanıyoruz. Böylece, her cadde için manuel olarak etiketleme ve eğitim vermemize ve park yeri sınırlarını ve çevresindeki yol alanlarını işaretlememize gerek yoktur. Yaklaşımımızda, yol segmentasyonu için FCN-VGG16 modeli ve KITTI yol veri seti, oysa nesne tespiti için Faster R-CNN ve COCO veri seti kullanılır. Yol Sınırları algoritmamız, yol kenarı hariç yol poligonunu otomatik olarak tanımlar. Buradaki asıl katkı, park halindeki arabaları yoldaki hareket halindeki arabalardan ayırt etmek ve yol kenarında park etmiş arabalar arasındaki boş park yerini tespit etmek ve sürücüyü en yakın noktaya yönlendirmektir. GPU'da, 1.5 fps resim/görüntü hızı ve akan trafikte yüzde 83'e ve trafik akışı olmadan yüzde 92'ye varan doğruluk elde ettik. Bu sonuçlar, şehir çapında bir potansiyel çözüm vaat ediyor. Ayrıca, üç modern evrişimli nesne algılama mimarisi olan Faster R-CNN, Mask R-CNN ve SSD görüntü başına en uygun çalışma süresini ve park yeri tespiti doğruluğu bakımından değerlendirildi. Diğer modellere kıyasla görüntü başına ortalama çalışma süresi açısından SSD en hızlısıdır ve Mask R-CNN ise en yavaş olanıdır. Mask R-CNN, diğer nesne algılama modellerine kıyasla en yüksek tespit doğruluğuna sahiptir ve SSD en az doğruluğu olandır. Sonuç olarak, Faster R-CNN gerçek zamanlı park yeri tespiti uygulaması için resim başına çalışma süresi ve tespit doğruluğu açısından en iyi performansı gösterdi.