Demiryolu Ortamında Nesne Tespiti için Derin Öğrenme Yöntemlerinin Geliştirilmesi ve Zed Kamerası ile Mesafe Ölçümü

Abstract

Demiryolu güvenliğinin sağlanması, dinamik ortamlarda doğru ve gerçek zamanlı nesne tespiti gerektiren kritik bir mühendislik problemidir. Bu çalışmada, demiryolu izleme süreçlerini iyileştirmek amacıyla derin öğrenme tabanlı nesne tespiti modelleri geliştirilmiş ve RailSem19 veri seti kullanılarak YOLOv8, YOLOv9, YOLOv11 ve Faster R-CNN modelleri eğitilerek entegre edilmiştir. Ayrıca, nesnelerin mesafe ölçümlerinin hassasiyetini artırmak için ZED stereo kamerası kullanılmıştır. Deneysel bulgular, YOLOv9 modelinin doğruluk ve işlem verimliliği açısından en iyi dengeyi sağladığını ortaya koymakta olup, bu modelin ortalama doğruluk (mAP50) değeri %52,14 olarak hesaplanmış ve çıkarım süresi optimize edilmiştir. Önerilen yöntem, otonom demiryolu sistemleri ve güvenlik izleme uygulamaları için önemli bir potansiyel taşımaktadır. Gelecekteki çalışmalar, veri artırma teknikleri, yapay zekâ destekli yorumlanabilirlik ve çoklu sensör füzyonu ile modelin dayanıklılığını artırmaya odaklanacaktır.