KaydedilenlerDerginizi ekleyin

Dergiler / Uluslararası Mühendislik Araştırma ve Geliştirme Dergisi / 2019 / Cilt: 11 - Sayı: 1

Akıllı Yol Durum Sensörü Tasarımı

Intelligent Road Condition Sensor Design

Fecir DURAN
Mustafa TEKE
Sayfa
396–401
Yayın Tarihi
2019-01-31
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Tasarlanan yol durum sensörü mevcut sensörlere göre kurulumu kolay ve yüksek başarıma sahiptir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu çalışmada, yol yüzeyinin durumunu tespit eden akıllı yol durum sensörü tasarlanmıştır.
📊
Temel Bulgular & Veri:Yol yüzeyi tahmini için toprak sıcaklığı, hava sıcaklığı, hissedilen nem, hava basıncı ve yol yüzeyindeki iletkenlik değerleri sınıflandırma algoritmalarında öznitelik olarak seçilmiştir.
💡
Sonuç & Katkı:Tasarlanan yol durum sensörü mevcut sensörlere göre kurulumu kolay ve yüksek başarıma sahiptir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Makine Öğrenmesi · Yol Durum Sensörü · Gömülü Sistem

Özet

Bu çalışmada, yol yüzeyinin durumunu tespit eden akıllı yol durum sensörü tasarlanmıştır. Sürücülerin ve yolcuların güvenliğini en çok tehlikeye sokan buzlu yol durumunun tespiti üzerine çalışılmıştır. Yol yüzeyi tahmini için toprak sıcaklığı, hava sıcaklığı, hissedilen nem, hava basıncı ve yol yüzeyindeki iletkenlik değerleri sınıflandırma algoritmalarında öznitelik olarak seçilmiştir. Yol yüzeyi buzlu, kuru, ıslak ve tuzlu-ıslak olarak sınıflandırılmıştır. Sınıflandırma algoritmaları olarak K en yakın komşu ve Destek Vektör Makinası tercih edilmiştir. K en yakın komşu algoritmasının, Destek Vektör Makinası algoritmasına göre daha iyi sonuç verdiği görülmüştür. Sınıflandırıcı tek kartlı bilgisayar olarak bilinen Raspberry Pi3 üzerinde gerçek zamanlı olarak çalıştırılmaktadır. Tasarlanan yol durum sensörü mevcut sensörlere göre kurulumu kolay ve yüksek başarıma sahiptir.

Abstract

In this study, intelligent road condition sensor is designed to determine the condition of the road surface. It has been studied on the determination of the icy road situation which endangers the safety of drivers and passengers at most. For road surface estimation, soil temperature, air temperature, sensed humidity, air pressure and conductivity values on the road surface are selected as attributes in classification algorithms. The road surface is classified as icy, dry, wet and salty-wet. K-Near Neigbours and Support Vector Machine were preferred as classification algorithms. It is seen that K-Near Neigbours algorithm has given more accurate results than Support Vector Machine algorithm. The classifier is run in real time on the Raspberry Pi3, known as a single board computer. The designed road condition sensor is easy to install and has high performance in comparison with existing sensors.

🔖

Bu Makaleye Atıf Yap

DURAN, F., TEKE, M. (2019). Akıllı Yol Durum Sensörü Tasarımı. Uluslararası Mühendislik Araştırma ve Geliştirme Dergisi, Cilt: 11 - Sayı: 1, 396–401. https://ajindex.com/articles/889435

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (12)

  1. Alonso, J., Lopez, J., Pavón, I., Recuero, M., Asensio, C., Arcas, G., & Bravo, A. (2014). On-board wet road surface identification using tyre/road noise and Support Vector Machines. Applied acoustics, 76, 407-415.
  2. Andersson, A. K., & Chapman, L. (2011). The impact of climate change on winter road maintenance and traffic accidents in West Midlands, UK. Accident Analysis & Prevention, 43(1), 284-289.
  3. Batista, G., & Silva, D. F. (2009). How k-nearest neighbor parameters affect its performance. Paper presented at the Argentine symposium on artificial intelligence. Bhatia, N. (2010). Survey of nearest neighbor techniques. arXiv preprint arXiv:1007.0085. Casselgren, J., Kutila, M., & Jokela, M. (2012). Slippery road detection by using different methods of polarised light. Advanced Microsystems for Automotive Applications 2012, 207-220.
  4. Casselgren, J., Rosendahl, S., Sjödahl, M., & Jonsson, P. (2016). Road condition analysis using NIR illumination and compensating for surrounding light. Optics and lasers in engineering, 77, 175-182.
  5. Civelek, Z., Gorel, G., Luy, M., Barısci, N., & Cam, E. Effects on Load-Frequency Control of a Solar Power System with a Two-Area Interconnected Thermal Power Plant and its Control with a New BFA Algorithm. Elektronika ir Elektrotechnika, 24(6), 3-10.
  6. Cover, T., & Hart, P. (1967). Nearest neighbor pattern classification. IEEE transactions on information theory, 13(1), 21-27.
  7. Crevier, L.-P., & Delage, Y. (2001). METRo: A new model for road-condition forecasting in Canada. Journal of Applied Meteorology, 40(11), 2026-2037.
  8. Gagnon, R., Groves, J., & Pearson, W. (2012). Remote ice detection equipment—RIDE. Cold Regions Science and Technology, 72, 7-16.
  9. Gresham, I., Jain, N., Budka, T., Alexanian, A., Kinayman, N., Ziegner, B.,. Staecker, P. (2001). A compact manufacturable 76-77-GHz radar module for commercial ACC applications. IEEE Transactions on Microwave Theory and Techniques, 49(1), 44-58.
  10. Guyon, I., Weston, J., Barnhill, S., & Vapnik, V. (2002). Gene selection for cancer classification using support vector machines. Machine learning, 46(1-3), 389-422.
  11. Harvey, A. H., McLinden, M. O., & Tew, W. L. (2013). Thermodynamic analysis and experimental study of the effect of atmospheric pressure on the ice point. Paper presented at the AIP Conference Proceedings. Jonsson, P. (2011). Remote sensor for winter road surface status detection. Paper presented at the Sensors, 2011
  12. IEEE. Jonsson, P., Casselgren, J., & Thörnberg, B. (2015). Road