Derin öğrenme tabanlı şeffaf nesne tanıma

Abstract

Gelişen teknoloji ve yapay zekâ algoritmalarıyla birlikte nesne tanıma uygulamaları hayatımızın içinde yerini almaya başlamıştır. Günlük hayatımızda plaka tanıma, optik karakter tanıma gibi uygulamalar artık hayatımızın vazgeçilmezi haline gelmiştir. Günümüzde devam eden teknolojik gelişmelere paralel olarak güvenlik kameralarından şüpheli durum tespiti veya otonom araçlar gibi yakın gelecekte hayatımızla iç içe olacak teknolojilerin gelişimi hızla artmaktadır. Nesne tanıma alanında gerçekleştirilen çalışmalar genel olarak şeffaf olmayan nesneler üzerinedir ve şeffaf nesnelerle ilgili çalışma sayısı çok sınırlı kalmaktadır. Oysa çevremizde şeffaf olmayan nesneler kadar şeffaf nesneler de bulunmaktadır ve şeffaf nesnelerin tanınması da önem taşımaktadır. Şeffaf nesne tanımanın, yakında hayatımızın içinde yer alacak robotların çevresini algılamasına ve geri dönüşüm tesislerindeki nesnelerin ayıklanma sürecine katkısı olacaktır. Bu çalışmada, şeffaf ve şeffaf olmayan bardaklardan oluşan bir veri kümesi ile eğitilen bir sistem vasıtasıyla bardakların şeffaflığı tespit edilmeye çalışılmıştır. Önerilen sistemin geliştirilmesinde son zamanlarda tanıtılan yeni bir derin öğrenme yaklaşımı olan kapsül ağları kullanılmıştır. Elde edilen sonuçların karşılaştırılabilmesi için, aynı veri kümesi LeNet, AlexNet ve ResNet modelleri üzerinde çalıştırılmıştır. Çalışmanın sonuçları değerlendirildiğinde kapsül ağlarının, sınıflandırma doğruluğunda, kullanılan diğer derin öğrenme yöntemlerinden daha iyi sonuçlar elde ettiği görülmüştür. Sınıflandırma doğruluğuna göre diğer yöntemler AlexNet, ResNet ve LeNet şeklinde sıralanmıştır. Çalışma sonucunda kapsül ağlarının şeffaf nesne tanıma probleminde kullanılabileceği ve mevcut yöntemlerden daha yüksek doğruluk oranlarına ulaştığı görülmüştür.

Object detection applications started to take their places in our lives with the improvements in technology and artificial intelligence. In daily life, some applications such as license plate detection, optical character recognition become indispensable. In parallel with ongoing technological developments today, the technologies which soon will be a part of our daily life such as detection of suspicious situations through security cameras and autonomous cars, are improving rapidly. The studies in the object detection area are have generally focused on opaque objects. The number of studies on transparent objects is very limited. However, there are transparent objects as well as opaque objects around us, and the detection of transparent objects is also important. Transparent object detection will contribute to the perception of the environment of the robots that will soon take place in our lives and the sorting process of the objects in the recycling facilities. In this study, a system which is trained by the dataset that contains transparent and non-transparent glasses is used to detect transparency of these glasses. Recently introduced deep learning approach capsule networks are used to develop a proposed system. To compare the obtained results, LeNet, AlexNet, and ResNet are trained and tested with the same dataset. When the result of the study is evaluated, it was seen that CapsNet got better results on classification accuracy than other deep learning methods that are used in this study. According to the classification accuracy, other methods were lined up as AlexNet, ResNet, and LeNet. As a result of the study, it has been seen that capsule networks can be used in transparent object detection problems and reach higher accuracy rates than existing methods.