YOLO ile engelli bireylerin kullandığı yardımcı gereçlerin tespiti
Detection of assistive devices used by disabled individuals with YOLO
- Tez No: 852929
- Danışmanlar: DOÇ. DR. HASAN SERHAN YAVUZ
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Eskişehir Osmangazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Telekomünikasyon - Sinyal İşleme Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Günümüzde fiziksel engele sahip olan ve olmayan kişiler arasındaki farkı en aza indirmek için kamu kurumları veya özel kuruluşlar çalışmalar gerçekleştirmektedir. Görme engelli bireylerin, kaldırımı takip edebilmesi için kaldırıma hissedilebilir zemin döşenmesi veya tekerlekli sandalye kullananlar için kaldırım başlangıç ve bitişlerinde bulunan az eğimli rampaların bulunması gibi çalışmalar örnek verilebilir. Gelişen teknolojiyle birlikte yakın gelecekte engelli bireylere eşlik eden robotlar veya başka formlarda akıllı elektronik uyarı ve yönlendirme sistemleri günlük hayatta engelli bireylerin sosyal hayat içinde karşılaştıkları zorlukların üstesinden gelmek üzere yön gösterici olabilir. Bu gibi sistemler, öncelikle engelli bireyleri diğer bireylerden ayırt edebilmelidir. Bu çalışma, görsel kamerayla elde edilen görüntülerde engelli birey olup olmadığının tespit edilmesi problemine odaklanmaktadır. Görsel nesne sezimi, derin öğrenme ile oluşturulan nesne tespit modellerinin başarısıyla beraber, son yıllarda birçok farklı alanda uygulama bulmaktadır. Bu tez kapsamında hareket kısıtına sahip bireylerin tespit edilebilmesi için derin öğrenme tabanlı nesne tespit yöntemleri olan YOLOv7 ve YOLOv8 ile çalışmalar gerçekleştirilmiştir. Nesne tespit yöntemlerinin probleme uygun şekilde tespit işlemi gerçekleştirebilmesi için problem kapsamında 14965 imgeden oluşan Helper veri kümesi oluşturulmuştur. Veri kümesi, hareket kısıtına sahip bireylerin hareket etmek için kullandıkları araçları ve modelin pratik başarımının kararlı olması amacıyla eklenen günlük hayatta sıkça rastlanan nesneleri içermektedir. Bu nesneler; koltuk değneği, tekerlekli sandalye, bisiklet, baston ve yürüteç olmak üzere toplamda 5 sınıftan oluşmaktadır. Helper veri kümesi üzerinde 5-kat çapraz doğrulama yöntemi ile yapılan testlerde, YOLOv7-Tiny için %97,42, YOLOv8n için %97,3 ortalama mAP50 değerleri elde edilmiştir. Bu sonuçlar, YOLO nesne sezimi yöntemlerinin, engelli bireylerin kullandığı bazı temel gereçlerin tespiti üzerine yapılabilecek gerçek uygulamalarda kullanılabilir olduğu izlenimi oluşturmaktadır.
Özet (Çeviri)
In order to minimize the disparity between individuals with and without physical disabilities, public institutions and private organizations carry out various initiatives. These efforts include installing tactile paving on sidewalks to assist visually impaired citizens in navigating the path and incorporating gently sloping ramps at the beginning and end of sidewalks to accommodate wheelchair users. With advancing technology, in the near future, robots accompanying disabled individuals or other forms of intelligent electronic warning and guidance systems can serve as navigational aids to overcome the challenges encountered by disabled individuals in their daily lives. Such systems should primarily be able to differentiate disabled individuals from others. This study focuses on the problem of detecting whether a person is disabled or not, based on visual images captured through a camera. Visual object detection, combined with the success of object detection models generated through deep learning, has found application in various fields in recent years. Within the scope of this thesis, works were conducted using deep learning-based object detection methods, namely YOLOv7 and YOLOv8, to detect individuals that have mobility aids. To ensure effective detection for the given problem, we created a Helper dataset consisting of 14965 images. This dataset includes the tools used by individuals with mobility restrictions for movement, as well as commonly encountered objects in daily life to ensure the practical performance of the model. The objects in the dataset comprise 5 classes: crutch, wheelchair, bike, walking stick, and walking frame. We utilized 5-fold cross validation to test the performance of the methods and obtained 97.42% average mAP50 value for YOLOv7-Tiny and %97.30 average mAP50 value for YOLOv8n. These results show that YOLO object detection methods can be used in real applications to detect some basic equipment used by disabled individuals.
Benzer Tezler
- Çağdaş Suriye nesrinde siyasî hapishane edebiyatı üzerine eleştirel bir bakış
The literature of political prisons in contemporary Syrian prose analytical prepective
ABDOLGADER MOHAMED ALİ
Yüksek Lisans
Arapça
2014
Doğu Dilleri ve EdebiyatıSelçuk ÜniversitesiDoğu Dilleri ve Edebiyatları Ana Bilim Dalı
YRD. DOÇ. FİKRET ARSLAN
- Türkiye'de yonga levha endüstrisi sorunları ve çözüm yolları
Die spanplatten indüstrie in der Türkei ihre probleme und lösungsmöglichkeiten
ABDİ EKİZOĞLU
- Zihinsel yetersizliği olan bireylerin KKTC'de tanılama süreci ve özel eğitim kurum müdürlerinin görüşleri
Başlık çevirisi yok
HASAN HÜSEYİN DELEN
Yüksek Lisans
Türkçe
2014
Eğitim ve ÖğretimAkdenız Karpaz UnıversıtesıEğitim Yönetimi Ana Bilim Dalı
YRD. DOÇ. DR. ORHAN ULUDAĞ
- Error detection and new stimulus mechanisms in brain-computer interface
Beyin-bilgisayar arayüzünde hata tespiti ve yeni uyaran mekanizmaları
HAMZA ALTAKROURY
Yüksek Lisans
İngilizce
2013
Elektrik ve Elektronik MühendisliğiSabancı ÜniversitesiElektronik Mühendisliği ve Bilgisayar Bilimi Ana Bilim Dalı
DOÇ. DR. MÜJDAT ÇETİN
- Derin öğrenme yöntemleri ile dokunsal parke yüzeyi tespiti
Tactile paving surface detection with deep learning methods
ABDULSAMET AKTAŞ
Yüksek Lisans
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMarmara ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖNDER DEMİR
DR. ÖĞR. ÜYESİ BUKET DOĞAN