Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightBu bileşenlerin entegrasyonu sayesinde geliştirilen sistem, sürücü güvenliğini artırarak trafik kazalarının azaltılmasına yönelik yenilikçi bir çözüm sunmaktadır.
📌 3 Maddede Bu Makale
Özet
Bu çalışma, sürücü güvenliğini artırmayı amaçlayan yenilikçi bir sistemin geliştirilmesini hedeflemektedir. Trafik kazalarının büyük bir kısmı insan hatalarından kaynaklanmaktadır ve bu hataların azaltılmasına yönelik teknolojik çözümler hayati önem taşımaktadır. Bu amaçla, sürücü dikkat izleme, trafik işareti tanıma, kan ve kusmuk tespit sistemi, nabız izleme ve alkol tespiti gibi çok bileşenli bir güvenlik sistemi tasarlanmıştır. Sistemin temel bileşenlerinden biri, sürücünün dikkat durumunu analiz etmek için geliştirilen göz kırpma tespit modelidir. Bu model, gerçek zamanlı analiz yapabilmektedir. Trafik işareti tanıma sistemi için Evrişimsel Sinir Ağı (ESA) tabanlı bir model eğitilmiş ve modelin test doğruluk oranı %94 olarak hesaplanmıştır. Ayrıca, kan ve kusmuk tespiti için oluşturulan özel veri seti etiketlenerek ESA modeli ile eğitilmiş ve test doğruluk oranı kan tespiti için %93.75, kusmuk tespiti için %91.4 olarak elde edilmiştir. Nabız izleme sistemi, sürücünün kalp atışını anbean takip ederek ani sağlık sorunlarının tespit edilmesine olanak sağlamaktadır. Sensör teknolojisi olarak direksiyon simidine entegre edilen optik nabız sensörleri kullanılmıştır. Alkol tespit sisteminde ise MQ-3 gaz sensörleri ve nabız sensörlerinden gelen veriler birleştirilerek sürücünün alkol etkisi altında olup olmadığı belirlenmiştir. Bu bileşenlerin entegrasyonu sayesinde geliştirilen sistem, sürücü güvenliğini artırarak trafik kazalarının azaltılmasına yönelik yenilikçi bir çözüm sunmaktadır.
Abstract
This study aims to develop an innovative system designed to enhance driver safety. A significant portion of traffic accidents is caused by human error, and technological solutions aimed at mitigating these errors are of critical importance. For this purpose, a multi-component safety system has been designed, incorporating modules such as driver attention monitoring, traffic sign recognition, blood and vomit detection, heart rate monitoring, and alcohol detection. One of the system’s core components is a blink detection model developed to analyze the driver's attention status. This model is capable of real-time analysis. For the traffic sign recognition system, a Convolutional Neural Network (CNN)-based model was trained, achieving a test accuracy of 94%. Additionally, a custom-labeled dataset was created for blood and vomit detection. The CNN model trained on this dataset achieved a test accuracy of 93.75% for blood detection and 91.4% for vomit detection. The heart rate monitoring module continuously tracks the driver’s pulse, enabling the detection of sudden health issues. Optical pulse sensors integrated into the steering wheel were used as the sensor technology. In the alcohol detection system, data from MQ-3 gas sensors and pulse sensors were combined to determine whether the driver is under the influence of alcohol. Through the integration of these components, the proposed system offers an innovative solution to reduce traffic accidents by enhancing driver safety.