Machine learning based cigarette butt detection using yolo framework

Abstract

Bu tez çalışmasında sokak veya tarımsal arazilerde sigara izmariti tespiti yapılabilmesi için gereken teorik ve pratik çalışmalar yer almaktadır. Tez çalışmaları You Look Only Once(YOLO)v5 framework kullanılarak uygulanmaktadır. Bu tez çalışması için videoların parçalanması ile framelerden oluşturulan verisetleri dışında internet ortamında yapılan araştırmalar sonucunda bir veri seti bulunamamıştır. İnternet ortamında dijital şekilde sentetik hazırlanan veri seti mevcuttur. Bu nedenle tez çalışmasının tamamlanabilmesi amacıyla 2000 fotoğraftan oluşan bir veri seti manuel olarak dijital herhangi bir işlem gerçekleştirmeden hazırlanmıştır. Kamu kuruluşları, temizlik hizmetlerindeki insan sayısını artırarak sigara izmaritlerinden kaynaklanan kirliliği önlemeye çalışmaktadır. Ancak bu durum maliyeti önemli ölçüde artırmaktadır. Bu durumda görüntü işleme teknikleri kullanılarak sigara izmaritleri tespit edilerek, sokaklarımızın ve temizlememiz gereken alanların çevre kirliliğini önlememiz daha kolay olacaktır. Bu çalışmada sigara izmaritleri gerçek görüntüler kullanılarak tespit edilmiştir. Önerilen yöntem, sigara izmaritini tespit etmek için kullanılabilecektir. Tezin sonucunda farklı alanlarda izmarit tespiti yapılacak ve GPS üzerinden en yoğun sigara izmaritinden kaynakları çevresel atığa sahip bölge gösterilebilecektir. Bu sayede sadece gerekli bölgelere otonom sistemler veya ilgili görevliler yönlendirilerek hem zaman tasarrufu hem de kaynak yönetimi verimli şekilde kullanılacaktır. Bu sayede çevresel atık sorununa yardımcı bir çözüm sunulabilecektir. Amacımıza ulaşmak için gerçek hayatta farklı açılar, eğimler ve mesafeler için görüntüler alınarak manuel olarak bir görüntü veri seti oluşturulmuştur. Sigara atıkları kamusal, tarım alanlarında herhangi bir yerde olabileceğinden, bu görüntülerin farklı zamanlarda farklı yerlerde olması gerekliliği çalışmada deneyimlenmiştir. Görüntü veri seti, öğrenme, doğrulama ve test için toplam 1000x800 çözünürlükte 2100 görüntüden oluşmaktadır. Her görüntü çalışma için manuel olarak etiketlenmiştir. Deneylerimize göre, veri setimizde umut verici sonuçlar (0.889 ortalama hassasiyet) elde edilmiştir.