Makine öğrenmesi yöntemleri ile Hatay ili karayolları yol hasar tespiti

Abstract

Bugünlerde, karayollarındaki bakım ve onarım genellikle fiziki gözlemlere ve kişisel inisiyatiflere dayanmaktadır. Bu, karayolu hasarlarının düzeltilmesini yavaşlatır. Karayolu hasarları, sürücülerin rahatlığını ve güvenliğini büyük ölçüde etkiler. Yol hasarlarının belirlenmesi sadece taşımacılık güvenliği açısından değil, aynı zamanda maliyet açısından da önemlidir. Yol hasarlarının tespit edilmesi, erken müdahale ve onarımın sağlanması açısından büyük önem taşır. Bu nedenle, makine öğrenmesi teknikleri yoluyla yol hasarlarının tespiti, belirlenmesi ve sınıflandırılması için birçok çalışma yürütülmektedir. Bu çalışmada, YOLOv8 algoritmasının yol hasar tespiti performansı, Çekya-Türkiye, HindistanTürkiye, ABD-Türkiye ve Japonya-Türkiye olmak üzere farklı coğrafyalardan elde edilen veri setleri üzerinde değerlendirilmiştir. Elde edilen bulgular, algoritmanın hasar tespiti konusundaki yeteneklerinin yanı sıra, modelin bazı hasar türlerini ayırt etmede karşılaştığı zorlukları da ortaya koymuştur. Türkiye veri setini oluşturmak için Hatay ilindeki yolların görüntüleri kayıt altına alınmıştır. Oluşturulan veri seti, yol hasarlarının detaylı bir şekilde analiz edilmesine olanak tanımaktadır. Veri seti üzerinde etiketleme işlemi Microsoft’un VoTT uygulaması kullanılarak yapılmıştır. Yol hasarlarının belirlenmesi için makine öğrenmesi algoritmaları kullanılmaktadır. Oluşturulan modeller arasında değerlendirmeler ve karşılaştırmalar yapılmıştır. Modellerden en iyi sonucu 0.55 mAP ve 0.54 F1 skoru ile Japonya-Türkiye modeli vermiştir. Modellerden elde edilen değerler ışığında hasarın görsellerinin coğrafya ve yol verilerine göre değişkenlik gösterdiği görülmüştür. Verilerin lokal görüntülerden oluşması ve netliği belli olmayan hasar türlerine eğitimde daha fazla önem verilmesi gerektiği gözlemlenmiştir.

Currently, the maintenance and repair of highways generally rely on physical observations and personal initiatives. This slows down the correction of road damages. Road damages significantly affect the comfort and safety of drivers. The detection of road damages is important not only for transportation safety but also in terms of cost. Detecting road damages is crucial for enabling early intervention and repair. Therefore, many studies are being conducted to detect, identify, and classify road damages using machine learning techniques. In this study, the performance of the YOLOv8 algorithm for road damage detection was evaluated on datasets obtained from various geographies, including the Czechia -Turkey, IndiaTurkey, USA-Turkey, and Japan-Turkey. The findings reveal both the capabilities of the algorithm in damage detection and the challenges the model faces in distinguishing certain types of damages. Images of roads in the Hatay province were recorded to create the Turkey dataset, allowing for a detailed analysis of road damages. Labeling on the dataset was conducted using Microsoft’s VoTT application. Machine learning algorithms are used for the identification of road damages. Evaluations and comparisons have been made among the developed models. The best result among the models was given by the Japan-Turkey model with a 0.55 mAP and 0.54 F1 score. Based on the values obtained from the models, it has been observed that the appearance of damages varies according to geography and road data. The necessity of giving more importance to training on less clear types of damages and local images has been observed.