Bilgisayarlı Görü
Yol Kenarı Sürücü Davranışı Analizi
Tek bir gece geçişinde, ön cam ardından aracı (gövde tipi, plaka, renk) tanımlar ve sürücü kaynaklı ihlalleri tespit eder. Tek bir kurala dayanır: kanıtlanamayan hiçbir şey raporlanmaz. Sonuç: sıfır yanlış pozitif.
- Rolüm
- AI / bilgisayarlı görü mühendisi
- Bağlam
- TEKNOFEST 2026 · 5G & YZ ile Akıllı Yol Güvenliği · BiDatalar
- Teknolojiler
- YOLO11 · Pose estimation · EasyOCR · OpenCV
1.00
precision
0
yanlış pozitif
F1 0.77
toplam
Problem
Yol kenarındaki bir kamera bir aracı birkaç saniye görür; gece, ön camın ardından. Bu tek geçişten sistemin aracı tanımlaması (gövde tipi, plaka, renk) ve sürücü kaynaklı yol güvenliği ihlallerini tespit etmesi gerekiyor: telefon kullanımı, sigara, yolcular, torpidodaki nesneler, slalom sürüş. BiDatalar takımıyla TEKNOFEST 2026 5G & Yapay Zekâ ile Akıllı Yol Güvenliği için geliştirildi.
Her tasarım kararına tek bir kural yön verdi:
Kanıtlanamayan hiçbir şey raporlanmaz. Yanlış bir tespit, eksik bir tespitten daha pahalıdır.
Mimari
Açıklamaya değer üç tasarım kararı
1. Sürücü eylemi: eğitilmiş sınıflandırıcı yerine geometri. Eğitilmiş sınıflandırıcı, üç test videosunun üçünde de ~%99 güvenle sigara diyordu; sürücü kadrajdan çıktığında ise ~1,0 güvenle emniyet kemeri ihlali üretiyordu. Dağıtım dışı girdide kendinden emin biçimde yanılıyordu. Bunun yerine bilek, yüz ölçeğine göre normalize edilmiş, burun merkezli bir koordinat çerçevesine yerleştiriliyor:
| yanal (x) | dikey (y) | anlamı | |
|---|---|---|---|
| telefon | 0,83 | 0,74 | el başın yanında, kulak hizasında |
| sigara | 0,02 | 1,14 | el yüzün önünde, ağız hizasında |
| eylem yok | 0,06 | 1,57 | eller direksiyonda, yüzün çok altında |
Fiziksel olarak anlamlı, açıklanabilir ve alan farkına dayanıklı. Sürücünün yüzü okunamıyorsa hiçbir eylem raporlanmıyor.
2. Slalom: yörüngenin trendi gideriliyor. Araç yaklaşıp geçerken merkezi doğal olarak büyük bir yay çiziyor; ham salınım bunu slalom sanıyordu. Yörüngeye 2. derece polinom oturtulup çıkarılıyor ve kalan yanal RMS araç genişliği biriminde ölçülüyor: düz seyir 0,035–0,046, yalpalayan sürüş 0,091.
3. Kabin maskotu: sentetik alan uyarlaması. Açık veri setinde maskot görüntünün %27’sini kaplıyor; gerçek sahnede ise kabinin binde biri kadar. Kırpıntılar gerçek araç içi sahnelere küçük, karanlık, bulanık ve yumuşak kenarlı nesneler olarak kompozit edilerek 2.500 sentetik örnek üretildi; stop lambalarına karşı ek bir geometrik koruma da var.
Sonuçlar
Araç bilgisi: renk 3/3, gövde tipi 2/3, plaka 2/3. Üçüncü plakada sistem açılı çekim nedeniyle bilinçli olarak çekimser kaldı; uydurmak yerine null döndürdü.
Bu noktaya nasıl gelindi
| Sorun | Önce | Sonra |
|---|---|---|
| Sürücü eylemi | 10 tespitin 7’si yanlış (P ≈ 0,30), çelişkili etiketler | P = 1,00, R = 1,00 |
| Kabin maskotu | panoda net dururken hiç tespit edilmiyordu (0,10 güven) | tespit ediliyor (0,82’ye kadar) |
| Yolcular | sürücü “ön koltuk yolcusu” sayılıyordu | sürücü hariç tutuluyor |
| Gövde tipi | bir C-SUV’a %99,8 güvenle “sedan” | 2/3 doğru |
| Slalom | devre dışıydı (yanlış pozitif) | tespit ediliyor |
Teslimat
Gömülü ağırlıklarla CUDA 12.1 üzerinde çevrimdışı çalışan bir Docker imajı; normalizasyon katmanı (CLAHE + gamma) ve uyarlanabilir kare adımı. Komitenin şemasına göre doğrulanmış bir JSON sonucu yazıyor; tüm başlıklar çekimser kalsa bile bu dosya her zaman yazılıyor.
