عنوان

تشخیص تابلوهای علائم راهنمایی و رانندگی ایران با استفاده از شبکه‌های عصبی کانولوشنی

پ۲۷۳۳۹

per

تشخیص تابلوهای علائم راهنمایی و رانندگی ایران با استفاده از شبکه‌های عصبی کانولوشنی

سید مهدی صفوی خلخالی

مهندسی برق و کامپیوتر

۱۴۰۱

۱۱۷ص.

سی دی

کارشناسی ارشد

مهندسی برق گرایش مخابرات سیستم

۱۴۰۱/۰۶/۲۲

چکیده: امروزه اکثر تصادفات خودروها به دلیل خستگی، حواس‌پرتی و خواب‌آلودگی راننده‌ها و به‌طورکلی به دلیل خطای انسانی رخ می‌دهد؛ بنابراین اهمیت وجود خودروهایی با سیستم‌های خودران و یا سیستم‌های دستیار پیشرفته‌ی راننده همیشه احساس شده است. یکی از مهم‌ترین مشخصه‌های چنین سیستم‌های هوشمندی، قابلیت تشخیص تابلوهای علائم راهنمایی و رانندگی است. به این منظور، در این پایان‌نامه چهارچوبی برای تشخیص تابلوهای علائم راهنمایی و رانندگی کشور ایران با استفاده از یادگیری انتقالی و شبکه عصبی کانولوشنی در سه روش مختلف ارائه‌شده است. در روش اول، از مدل پایه افیشنت‌نت استفاده شده و سیستم به‌دقت 24/88% در مجموعه داده PTSD رسیده است. در روش دوم، از مدل پایه لنت که بر روی مجموعه داده GTSRB آموزش دیده است استفاده شده و به کمک یادگیری انتقالی، برای طبقه‌بندی تصاویر تابلوهای علائم ترافیکی کشور ایران مورداستفاده قرارگرفته است. این شبکه در مجموعه داده PTSD توانسته است به‌دقت 71/94% برسد. در روش سوم نیز یک شبکه عصبی کانولوشنی معرفی شده که با مجموعه داده GTSRB آموزش دیده است. در ادامه از این شبکه آموزش‌دیده به‌عنوان بلوک استخراج‌کننده ویژگی در یک شبکه جدید برای طبقه‌بندی تابلوهای علائم ترافیکی کشور ایران استفاده شده است. این مدل پیشنهادی به‌دقت 00/97% در مجموعه داده PTSD دست‌یافته است.

Nowadays, most car accidents occur due to driver fatigue, distraction, sleepiness, and generally due to human error. Therefore, the importance of cars with self-driving systems or advanced driver assistance systems has always been tangible. One of the most important features of such smart systems is the ability to recognize traffic signs. For this purpose, in this thesis, a framework for recognizing Persian traffic signs using transfer learning and convolutional neural networks is presented in three different ways. In the first method, the basic model of EfficientNet was used and the system reached 88.24% accuracy in the PTSD dataset. In the second method, the basic LeNet model that trained on the GTSRB dataset was used with transfer learning to classify the Persian traffic signs. This network has been able to reach 94.71% accuracy in the PTSD dataset. In the third method, a convolutional neural network is introduced which is trained on the GTSRB dataset. In the following, this trained network has been used as a feature extracting block in a new network for the classification of Persian traffic signs. This proposed model achieved an accuracy of 97.00% on the PTSD dataset.

: Persian Traffic Sign Detection Using Convolutional Neural Networks

صفوی خلخالی‏، ‏

‏سید مهدی

تهيه کننده

‏سیدعربی‏،

افروزیان‏

‏میرهادی

‏رضا

استاد راهنما

استاد مشاور

‏تبریز