AI Summary & Key Takeaways
AI InsightIn addition to the simulation environment, the trained model was also evaluated in a real ground vehicle.
📌 3 Key Takeaways
Abstract
The importance and application of systems that work without human involvement are growing in many industries, particularly in the defense industry. Although minimizing the human role in these systems saves money and time, it also introduces new challenges if the accuracy rate in image processing systems isn't high enough. Erroneous traffic sign detection for land vehicles running without human assistance, as well as a failure to correctly estimate the landing site in aircraft. In this study, images from the plane were collected and used to enhance object detection in autonomous systems. On these photos, several data augmentation approaches have been used to try to alleviate the detection challenges by increasing the object detection rate. Data reproduction methods included Gaussian, snow, shading, high gamma, Contrast Limited Adaptive Histogram Equalization (CLAHE), raised luminance, and lowered luminance methods, as well as data augmentation. The YOLOv4 algorithm was utilized to train the model for object detection. When the findings were examined, it was discovered that after 8000 repetitions, the success rate had increased to 94 percent, and the loss value had decreased to 0.42. In addition to the simulation environment, the trained model was also evaluated in a real ground vehicle.
Özet
İnsan müdahalesi olmadan çalışan sistemler savunma sanayi başta olmak üzere pek çok alanda gün geçtikte önemi ve kullanımı artmaktadır. Bu sistemlerde insan faktörü azaltılarak maliyet ve zamandan kazanç sağlansa da görüntü işleyerek çalışan sistemlerde doğruluk oranının yüksek olmaması durumunda yeni problemler ortaya çıkmaktadır. İnsan müdahalesi olmadan çalışan kara araçları için levha tespitindeki hatalı tespit problemleri, hava araçlarında ise iniş noktasının doğru tespit edilememesi gibi problemlerdir. Bu çalışmada hava aracından çekilmiş görüntüler kullanılmıştır. Bu görüntüler üzerinde çeşitli veri çoğaltma yöntemleri kullanılarak nesne tespit oranının arttırılmasıyla tespit problemlerinin giderilmesi üzerine çalışılmıştır. Veri çoğaltma yöntemlerinde Gaussian, karlanma, gölgelendirme, yüksek gama, Kontrast Sınırlı Uyarlanabilir Histogram Eşitleme (CLAHE), arttırılmış parlaklık, azaltılmış parlaklık yöntemleri uygulanarak veri çoğaltma işlemi yapılmış olup nesne tespitinde kullanılacak olan model eğitimi YOLOv4 algoritmasıyla gerçekleştirilmiştir. Sonuçlar gözlemlendiğinde 8000 tekrar sonrasında başarı oranının %94’e kadar çıktığı ve kayıp (loss) değerinin 0.42 sonucunu verdiği gözlemlenmiştir. Eğitilen model simülasyon ortamına gerek duyulmadan gerçek araçta denenmiştir.