Sisli hava koşullarında otonom araçlar için derin öğrenme tabanlı görüntü ön işleme ile nesne tespiti

Anahtar Kelimeler: Otonom Araçlar, Nesne Tespiti, Sisli Hava Koşulları, Derin Öğrenme, Sis Giderme, Bilgisayarla Görü Otonom araçların güvenli ve verimli bir şekilde çalışabilmesi, çevresel koşulları doğru bir şekilde algılayan gelişmiş algı sistemlerine bağlıdır. Ancak, sisli hava koşulları gibi olumsuz atmosferik şartlar, görüntü kalitesini önemli ölçüde düşürerek nesne tespiti performansını ciddi şekilde sınırlandırmakta ve bu sistemlerin güvenilirliğini tehlikeye atmaktadır. Bu tez çalışmasında, sisli hava koşullarında otonom sürüş sistemlerinin nesne tespiti başarısını artırmak amacıyla, görüntüye özgü adaptif bir ön işleme (defogging) modülü ile desteklenen ve güncel bir nesne tespiti mimarisi olan YOLOv12m'yi kullanan iki aşamalı özgün bir sistem önerilmiştir. Geliştirilen sisli hava koşullarına duyarlı ön işleme modülü, her bir görüntüdeki sis yoğunluğunu ve kontrast dağılımını dinamik olarak analiz ederek, geleneksel sabit filtreleme yöntemlerinin aksine, sahneye özgü bir iyileştirme sağlamaktadır. Bu modül, iyileştirilmiş ve detayları zenginleştirilmiş görüntüleri, nesne tespiti doğruluğunu ve hızını optimize eden YOLOv12m mimarisine girdi olarak sunarak modüler ve yüksek performanslı bir çözüm oluşturmaktadır. Modelin etkinliği, hem sentetik sis içeren FOG-TRAINVAL hem de gerçek dünya görüntülerinden oluşan RTTS veri kümeleri üzerinde test edilmiştir. Değerlendirme, hem görsel kalite metrikleri (PSNR ve SSIM) hem de nesne tespiti performans metrikleri (Precision, Recall ve mAP@0.5:0.95) kullanılarak kapsamlı bir şekilde yapılmıştır. Deneysel sonuçlar, önerilen sistemin RTTS veri seti üzerinde %68.8 mAP@0.5:0.95, %88.4 P ve %78.2 R skorlarına ulaştığını göstermiştir. Bu başarı, yalnızca ön işleme tabi tutulmamış YOLOv12m mimarisine göre önemli bir artışı temsil etmekle kalmayıp, aynı zamanda literatürdeki benzer hibrit yaklaşımları da geride bırakmaktadır. Bu çalışma, sisli hava koşullarında otonom araçların algı performansını ve güvenilirliğini artıran, sahneye duyarlı ve iki aşamalı modüler bir yaklaşım sunarak literatüre önemli bir katkı sağlamaktadır.