Batarya elektrikli aracın derin öğrenme ve görüntü işleme ile otonom denetiminin gerçekleştirilmesi
- Global styles
- Apa
- Bibtex
- Chicago Fullnote
- Help
Abstract
Gelişen batarya teknolojisi ile batarya elektrikli araçlarla uzun mesafe yolculukları mümkündür. Bu sebeplerle elektrikli araçlara olan ilgi giderek artmaktadır. Batarya elektrikli araçların gelişmesiyle bu araçların otonom hareketinin sağlanması büyük önem arz etmektedir. Otonom, batarya elektrikli araç geliştirmenin amacı olası trafik kazalarını en aza indirmek ve sürücü açısından daha konforlu ve güvenli sürüş sağlamaktır. Bu çalışmada sürücüsüz araç yazılımları geliştirmek için küçük boyutlu akülü bir araç üzerinde modifiyeler yapılarak test düzeneği oluşturulmuştur. OpenCV kütüphanesi ile birlikte görüntü işleme yöntemi kullanılarak Canny hough estimation of. vanishing points (CHEVP) algoritması ile şerit takibi sistemi gerçekleştirilmiştir. Tabela tanıma sistemi derin öğrenme yöntemlerinden evrişimsel sinir ağının transfer öğrenmesi yöntemi kullanılarak geliştirilmiştir. Yazılım testleri deney düzeneği boyutlarına göre tasarlanan pist üzerinde aracın gerçek zamanlı kontrolü yapılmaktadır. Deneysel çalışmalarda otonom sürüş için tasarlanan şerit takibi ve tabela tahmini görevlerinin yüksek doğrulukta yapıldığı görülmektedir. With the developing battery technology, long distance trips are possible with battery electric vehicles. For these reasons, interest in electric vehicles is gradually increasing. With the development of battery electric vehicles, ensuring the autonomous movement of these vehicles is of great importance. The aim of developing autonomous, battery electric vehicles is to minimize possible traffic accidents and provide more comfortable and safe driving for the driver. In this study, modifications were made on a small battery powered vehicle in order to develop driverless vehicle software and a test setup was created. Canny hough estimation of using image processing method in conjunction with the OpenCV library. Lane tracking system was implemented with the vanishing points (CHEVP) algorithm. Signage recognition system has been developed by using the transfer learning method of the convolutional neural network, which is one of the deep learning methods. Real-time control of the vehicle is carried out on the track, which is designed according to the dimensions of software tests, experimental setup. In experimental studies, it is seen that lane tracking and signage estimation tasdesigned for autonomous driving are performed with high accuracy.
Collections