Selçuk Üniversitesi amblemi Selçuk Üniversitesi Fen Bilimleri Enstitüsü, Aktüerya Bilimleri Ana Bilim Dalı Geliştirme aşamasında

Yüksek lisans tez projesi, Proje No: 25201091

Trafik Kameralarından Elde Edilen Görüntülerin Derin Öğrenme Algoritmaları ile İşlenmesi ve Aktüeryal Modelleme

Deep Learning-Based Processing of Images Obtained from Traffic Cameras and Actuarial Modeling

Sistem geliştirilme aşamasında

Proje portalı üzerindeki çalışmalar sürmektedir. Risk haritaları, model çıktıları ve trafik göstergeleri hazır oldukça bu adreste erişime açılacaktır.

Tespit önizlemesi --
0görüntüdeki araç
0sayım çizgisini geçen
Temsili canlandırma: trafik görüntülerinde derin öğrenme tabanlı araç tespiti, sınıflandırma ve sayım.

Proje hakkında

MOBESE kameralarından derin öğrenme yöntemleriyle elde edilen trafik verileri, klasik aktüeryal verilerle birleştirildiğinde kaza frekansı ve şiddeti tahminlerinde anlamlı bir iyileşme sağlar mı?

Projenin temel araştırma sorusu

Trafik kazaları hem toplum hem de sigorta sektörü için ciddi sosyal ve ekonomik sonuçlar doğurur. Bugün yürütülen aktüeryal çalışmaların büyük bölümü geçmişe dönük poliçe ve hasar verilerine dayanır; bu da risk analizini durağan ve geriye dönük bir bakışla sınırlar.

Şehirlerde yaygın olarak kullanılan MOBESE kameraları ise trafik yoğunluğu, araç türü, hız ve sürücü davranışları hakkında sürekli ve güncel veri üretir. Bu proje, Konya kent merkezindeki trafik kameralarından elde edilen görüntüleri derin öğrenme algoritmalarıyla işleyerek yapılandırılmış trafik verisine dönüştürmeyi ve bu veriyi aktüeryal risk modellerine kazandırmayı amaçlar.

Konya Sille Kavşağı görüntüleri üzerinde yapılan ön çalışmada YOLOv8 modeliyle %92 araç tanıma doğruluğuna ulaşılmış; hız, geçiş sıklığı ve yoğunluk değerleri başarıyla elde edilmiştir.

Görüntüden risk modeline

  1. 1

    Görüntü verisi

    Kent Güvenlik Yönetim Sistemi kameralarına ait, anonimleştirilmiş video kayıtlarının toplanması ve ön işlenmesi.

  2. 2

    Tespit ve izleme

    YOLO tabanlı modellerle araç, yaya ve motosiklet tespiti; DeepSORT ve ByteTrack ile izlenerek hız, yoğunluk ve geçiş sıklığının hesaplanması.

  3. 3

    Olay ve davranış analizi

    ConvLSTM ve 3D-CNN ağlarıyla çarpışma ve ani fren gibi olayların, şerit ihlali ve agresif sürüş gibi davranışların belirlenmesi.

  4. 4

    Aktüeryal modelleme

    Kaza frekansının Poisson ve Negatif Binom, kaza şiddetinin Gamma ve Lognormal dağılımlarla, nadir ve yüksek hasarların Uç Değer Teorisi ile modellenmesi.

Kavşak-Zaman Bazlı Risk İndeksi

Trafik yoğunluğu, hız, kaza olasılığı ve sürücü ile yaya davranışlarını tek bir ölçütte birleştiren bu indeks, riskin hangi kavşakta ve günün hangi saatinde yoğunlaştığını dinamik olarak gösterecektir.

Ön çalışmadan bir kesit

Analiz yazılımı, kamera görüntüsündeki her aracı ayrı ayrı tanıyıp izler ve bu izlerden trafik göstergeleri üretir. Aşağıdaki kayıt, yazılımın gerçek bir MOBESE görüntüsü üzerinde çalışırken ürettiği çıktıyı gösteriyor.

Kayseri'deki bir MOBESE kamerasına ait kayıt üzerinde yapılan model karşılaştırma testinden 30 saniyelik kesit. Bu testte hazır eğitilmiş YOLO11x-seg modeli kullanılmıştır.

Görüntüde neler var?

Renkli maskeler
Her aracın piksel düzeyinde ayrılmış (segmentasyon) silueti.
#numara
Aracın takip kimliği. Araç kadrajda kaldığı sürece aynı numarayı taşır.
B: süre
Aracın analiz bölgesinde beklediği süre.
Turuncu çerçeve
Yoğunluğun ölçüldüğü yol bölgesi. Bölge dışı kırmızı tonla maskelenmiştir.
Yeşil çizgiler
Hız ölçümünde kullanılan giriş ve çıkış çizgileri.
Sol üst panel
Anlık araç sayısı, toplam araç, yoğunluk, ortalama hız ve trafik durumu.

Görüntüden üretilen göstergeler

  • Araç sayımı

    Anlık araç sayısı ve takip kimlikleri sayesinde tekrar sayılmayan toplam araç sayısı, araç türüne göre.

  • Yoğunluk

    Araçların kapladığı alanın yol bölgesine oranı ve buna göre trafik durumu.

  • Hız

    Perspektif dönüşümüyle piksel hareketinin metreye çevrilmesi; iki çizgi arası geçiş süresiyle doğrulama.

  • Ani fren ve hızlanma

    Kısa zaman penceresindeki hız değişiminden ani manevra olaylarının belirlenmesi.

  • Bekleme süresi

    Araçların bölgede kalma süreleri ve uzun bekleme sayısı.

  • Anlık risk indeksi

    Hız ihlali, ani fren, uzun bekleme ve doluluk göstergelerinin ağırlıklı birleşimiyle 0–100 arası anlık risk değeri.

Projeye özel model, MOBESE karelerinden hazırlanan ve yaya, araba, motosiklet ve otobüs olmak üzere dört sınıf içeren veri setiyle YOLO11s-seg mimarisi üzerinde transfer öğrenme yöntemiyle eğitilmektedir. Veri seti; yol bölgesi maskeleme, model destekli ön etiketleme, elle kontrol ve veri artırma adımlarıyla hazırlanmıştır.

Portal tamamlandığında

Python/Django tabanlı platform, proje çıktılarını kamu kurumları, sigorta sektörü ve araştırmacılarla paylaşan bir karar destek aracı olarak tasarlanmaktadır.

  • Risk haritaları

    Kavşak ve bölge bazında risk yoğunluğunun harita üzerinde gösterimi.

  • Kaza olasılığı grafikleri

    Model tahminlerine dayalı kaza olasılıklarının görselleştirilmesi.

  • Zaman serisi analizleri

    Trafik göstergelerinin gün ve saat dilimlerine göre değişimi.

  • Risk indeksi dağılımları

    Kavşak-Zaman Bazlı Risk İndeksi sonuçlarının karşılaştırmalı sunumu.

Proje ekibi

Yürütücü

İsmail Hakkı KINALIOĞLU

Dr. Öğr. Üyesi

Araştırmacı

Mustafa CERİ

Yüksek Lisans Öğrencisi

Selçuk Üniversitesi Fen Bilimleri Enstitüsü
Aktüerya Bilimleri Ana Bilim Dalı