Enhancing Turkish traffic sign recognition: A comparison of training step numbers, lighting conditions and image sizes

Yollardaki araç sayısının her geçen gün artmasıyla birlikte trafik işaretleri her geçen gün daha da önem kazanmaktadır. Trafik işaretleri basit ve anlaşılması kolay olmasına rağmen, sıkışık trafikte sürücüler bunları gözden kaçırabilir. Sürücüye trafik işaretleri konusunda yardımcı olması için bir trafik işareti tanıma sisteminin uygulanması gerekmektedir. Bu tezde Türk TSR sistemi için üç farklı adım önerilmiştir. İlk olarak, birinci adımda, modeller seçici arama algoritması kullanılarak eğitilir ve model eğitiminde öğrenme aktarımı kullanılır. Modeller, önceden eğitilmiş MobileNetV2 modeli kullanılarak geliştirilmiştir. İkinci olarak, ikinci adımda, modeller bir kez daha seçici arama algoritması kullanılarak eğitilir, ancak bu sefer öğrenme aktarımını kullanmak yerine, modeller yeni geliştirilen bir CNN ile eğitilir. Son olarak, üçüncü adımda, model eğitiminde Faster R-CNN Inception V2 COCO modeli kullanılır. Modellerin eğitimi sırasında kullanılması amacıyla 54 farklı sınıf ve 10842 adet Türk trafik işareti görüntüsünü içeren özgün veri seti oluşturulmuştur. Modellerin eğitim süreci, farklı eğitim adım sayıları ile iki kez gerçekleştirilir. Daha sonra bu modeller, hem gündüz hem de gece çekilen Türk trafik işareti görüntülerini büyük ve küçük boyutlu görüntülerle tespit etmek için kullanılır. Birinci adımın sonuçları, 25 epok ile eğitilen model için kayıp değerinin 7% ve test doğruluğunun 98.7% olduğunu gösterirken 50 epok ile eğitilen model için kayıp değerinin 4% ve test doğruluğunun 99% olduğunu göstermektedir. İkinci adımın sonuçları, 25 epok ile eğitilen model için kayıp değerinin 8.9% ve test doğruluğunun 98.8% olduğunu gösterirken 50 epok ile eğitilen model için kayıp değerinin 9.5% ve test doğruluğunun 99.1% olduğunu göstermektedir. Üçüncü adımın sonuçları, 51,217 adımla eğitildiğinde Daha Hızlı R-CNN modelinin ortalama hassasiyetinin %67,2 ve ortalama hatırlamanın %78,3 olduğunu, 200,000 adımla eğitildiğinde ise ortalama hassasiyetinin %76'ya ve ortalama hatırlamanın %82,8'e yükseldiğini göstermektedir. Her üç adım için toplam test süresi karşılaştırıldığında, modeller için algılama ve tanıma süresinin sırasıyla yaklaşık 51, 63 ve 7 saniye olduğu görülmektedir.