Hibrit Bir Derin Öğrenme Modeli Kullanılarak Görüntülerden Hava Durumu Sınıflandırması

Abstract

Derin evrişimli sinir ağları günümüzde görüntü tanıma ve sınıflandırma alanında yaygın olarak kullanılmaktadır. Görüntü tanıma için kullanılan bu mimarilerde yer alan evrişim katmanları sayesinde, görüntüler üzerinde bulunan öznitelikler kendiliğinden ortaya çıkmakta ve bu öznitelikler aracılığıyla sınıflandırma işlemi yapılmaktadır. Farklı mimarilere ait evrişim katmanları bazı özellikleri ön plana çıkarırken, bazı bilgilerin yitirilmesine neden olabilmektedir. Bu durum, görüntü işleme alanında sürekli araştırma yapılmasını zorunlu kılmaktadır. Çalışmaların bir bölümü yeni mimarilerin geliştirilmesine odaklanırken, bazı çalışmalar mevcut modellerden hibrit yapılar oluşturmayı hedeflemektedir. Görüntü işleme günümüzde pek çok alanda etkin biçimde kullanılmaktadır. Bu alanlardan biri de otonom araç geliştirme sürecidir. Otonom araçlarda sürüş güvenliği açısından hava durumu önemli bir faktördür. Derin evrişimli sinir ağları kullanılarak aracın aldığı görüntüler üzerinden hava durumu tespiti yapılabilir. Bu çalışmada, hava durumunu gösteren görüntülere ait bir veri kümesi üzerinde sınıflandırma işlemi gerçekleştirilmiştir. Çalışmanın özgünlüğü adına, mevcut mimari modellerden iki hibrit model türetilmiştir. Hibrit modellerin tasarımında, sınıflandırmada sıkça tercih edilen VGG19, ResNet152V2, MobileNetV2, NASNetMobile ve InceptionV3 modelleri özellik çıkarımı amacıyla kullanılmıştır. Elde edilen öznitelikler LSTM ağı ve tam bağlantılı ağ ile sınıflandırılmış; en yüksek başarı oranları sırasıyla LSTM ağı için %94.47 ve tam bağlantılı ağ için %94.76 olarak ölçülmüştür. Elde edilen sonuçlar, hibrit modelin etkinliğini ortaya koymaktadır.Deep convolutional neural networks are widely used today in the fields of image recognition and classification. In these architectures employed for image recognition, convolutional layers autonomously extract features from images, and classification is carried out using these features. While the convolutional layers of different architectures may highlight certain features, they may also lead to the loss of other information. This situation necessitates ongoing research in the field of image processing. While some studies focus on developing new architectures, others aim to create hybrid structures by combining existing models. Image processing is actively used in many fields today. One of these areas is the development of autonomous vehicles. Weather conditions are a crucial factor for driving safety in autonomous vehicles. Using deep convolutional neural networks, it is possible to detect weather conditions from the images captured by the vehicle. In this study, a classification task was conducted on a dataset consisting of images representing various weather conditions. To ensure the originality of the study, two hybrid models were derived from existing architectural models. In designing the hybrid models, popular architectures such as VGG19, ResNet152V2, MobileNetV2, NASNetMobile, and InceptionV3 were used for feature extraction. The extracted features were classified using both an LSTM network and a fully connected network. The highest classification accuracies were measured as %94.47 for the LSTM network and %94.76 for the fully connected network. These results demonstrate the effectiveness of the proposed hybrid model.