Gelişmiş Sürücü Destek Sistemleri İçin Trafik İşaretlerine Duyarlı Yapay Zekâ Modeli

Creative Commons License

Vadi S., Koçak S.

Savunma Bilimleri Dergisi, cilt.22, sa.1, ss.65-84, 2026 (TRDizin)

Özet

Günümüzde otonom sistemlerin giderek yaygınlaşması, sürüş ortamının algılanması ve sürücülere ya da otonom sistemlere gerçek zamanlı bilgi sunan Gelişmiş Sürücü Destek Sistemleri (ADAS) ile bütünleştiğinde, yol güvenliği açısından büyük bir dönüşüm sağlamaktadır. Özellikle bilgisayar teknolojilerindeki ilerlemeler ve derin öğrenme tabanlı yöntemlerin başarısı, hem insan faktöründen kaynaklanan hataları en aza indirme hem de trafiği akıcı, güvenli ve konforlu hale getirme potansiyeli taşımaktadır. Bu çalışmada, otoyollardaki trafik akışı sorunlarını, zaman kaybını ve maliyet artışlarını azaltmak amacıyla trafik işaretlerine, özellikle de trafik ışıklarına duyarlı bir yapay zekâ modeli geliştirilmiştir. Çalışmada, geleneksel otomatik olay tespit (AID) yöntemlerinde sıkça karşılaşılan düşük tespit oranları ve yüksek yanlış alarm sorunlarını aşmak üzere, sinir ağları ve derin öğrenme teknikleri kullanılmıştır. Geliştirilmiş YOLOv8 algoritması kullanılarak ileri seviye nesne tespiti algoritmaları yardımıyla, trafik ışıkları da dâhil olmak üzere çeşitli yol işaretleri ve şeritler, farklı çevresel koşullar ve görüş açıları altında yüksek doğrulukla saptanmıştır. Böylece yalnızca trafik akışına yönelik veriler değil, aynı zamanda işaretlerin anlamları, konumları ve yönleri de modele entegre edilerek, sürücülere ve otonom araçlara daha kapsamlı bilgi sunulmuştur.
The increasing prevalence of autonomous systems today, when integrated with Advanced Driver Assistance Systems (ADAS) that perceive the driving environment and provide real-time information to drivers or autonomous systems, is bringing about a significant transformation in terms of road safety. Specifically, advancements in computer technology and the success of deep learning-based methods hold the potential to both minimize errors stemming from human factors and make traffic smoother, safer, and more comfortable. In this study, an artificial intelligence model sensitive to traffic signs, particularly traffic lights, has been developed to mitigate traffic flow issues, reduce time loss, and prevent cost increases on highways. The study employs neural networks and deep learning techniques to address the low detection rates and high false alarm issues commonly encountered in traditional automatic incident detection (AID) methods. Advanced object detection algorithms, the enhanced YOLOv8 algorithm, have been utilized to accurately identify various road signs and lanes, including traffic lights, under diverse environmental conditions and viewing angles. Thus, not only traffic flow data but also the meanings, locations, and directions of signs were integrated into the model, providing drivers and autonomous vehicles with a more comprehensive information environment.