Derin Öğrenme Temelli Robotik Maske Kontrol Sistemi

Abstract

Öz: Korona virüsün (COVID-19) hızlı bulaşması nedeniyle dünya büyük bir sağlık kriziyle karşı karşıya kalmıştır. Korona virüsün yayılmasını engellemek için Dünya Sağlık Örgütüne (WHO) göre en etkili tedbir, halka açık yerlerde ve kalabalık alanlarda maske takmaktır. Ancak kalabalık ortamlarda uzun süre kalan kişilerde sıkılma, boş verme ve umursamazlık gibi nedenlerle insanlar bu kuralı ihlal edebilmektedir. Bu nedenle kalabalık alanlarda insanların izlenmesi ve gerektiğinde ilgililerin uyarılarak toplum sağlığını korumak önem arz etmektedir. Bu çalışmada maske takmayan, maskesini yanlış takan ve maskesini doğru takan kişileri belirleme sürecini otomatikleştirmek için iki derin öğrenme modeli kullanan bir robotik model geliştirilmiştir. İnternetten elde edilen veri setleri ve çevreden alınan fotoğraflar kullanılarak özgün bir veri seti oluşturulmuştur. Geliştirilen yapay zekâ modellerinin daha iyi tahmin sonuçları verebilmesi için veri seti görüntüleri üzerinde veri çoğaltma (aynalama, döndürme) teknikleri kullanılmıştır. Çalışmada gerçek zamanlı olarak maskeli, maskesiz ve maskesini yanlış takan kişilerin tespiti gerçekleştirilmiş sesli olarak kişilere dönütler verilmiştir. Geliştirilen yapay zekâ modellerinde üç sınıf (maskeli, maskesiz, maskesini yanlış takan) için ortalama tahmin/sınıflandırma başarı oranı (mAP) %96,58 ile %98,45 olarak tespit edilmiştir. Hız ve eğitim süresi açısından YOLOv4-tiny algoritmasıyla geliştirilen modelin daha başarılı olduğu tespit edilmiştir. Çalışma kapsamında geliştirilen yapay zekâ modellerinin farklı donanımlar üzerinde gerçek zamanlı çalıştırılması için MKS (Maske Kontrol Sistemi) olarak adlandırılan etkileşimli yazılım önerilmektedir. MKS yazılımı geliştirilen hareketli bir robot üzerinde çalıştırılmıştır. Prototip robotla gerçekleştirilen uygulamalarda oldukça yüksek maske denetleme başarımları elde edilmiştir. Geliştirilen robotun, kullanımıyla kurumlara personel ve zaman tasarrufu sağlayabileceği, COVID-19 tedbirlerinin kontrolü ve toplum bilincinin arttırılmasında yararlı olacağı düşünülmektedir.

Emergency Detection With Deep Learning Based Image Processing

“…Mini bilgisayar olarak İHA' larda Jetson Nano 4 GB seçilmiştir. Jetson Nano'nun tercih edilme sebebi yapay zekâ uygulamalarında FPS (saniye başına kare) değerinin Raspberry pi 4-8 GB, Latte Panda Delta gibi mini bilgisayarlara göre yüksek olmasıdır (Göksu & Alkan, 2022). Şekil 1' de çalışmada kullanılan mini bilgisayar görülmektedir.…”

“…Bu çalışmada 3 sınıf olduğu için formüller 3 sınıf için alındıktan sonra ortalaması alınarak değer elde edilmiştir. Örneğin Hassasiyet değeri hesaplanırken Denklem 4.1' den yararlanılır (Kulshreshtha ve arkadaşları, 2021;Göksu & Alkan, 2022).…”