Bu çalışma, görme engelli bireylerin güvenli ve bağımsız biçimde şehirde hareket edebilmesini desteklemek için
trafik ışıkları ve çevresel nesneleri gerçek zamanlı algılayan bir mobil uygulama ve makine/derin öğrenme
hattı sunar. Sistem; kamera akışından elde edilen görüntüleri işleyerek trafik ışığı durumunu ve çevredeki kritik nesneleri
sınıflandırır, sonucu sesli/uçucu (titreşim) geri bildirimlerle kullanıcıya bildirir.
Yöntem ve Mimari
Derin öğrenme modelleri: CNN tabanlı yaklaşımlar; AlexNet, VGGNet, ResNet, MobileNet ve
CNN–LSTM hibrit mimarisi.
Transfer öğrenme: MobileNetV2 gibi önceden eğitilmiş ağlar üzerine ince ayar (fine-tuning).
Ön-işleme ve özellik seçimi: 64×64’e normalizasyon; SelectKBest, Global Average Pooling (GAP) ve
PCA ile öznitelik seçimi/indirgeme.
Gerçek zamanlı çalışma: Android üzerinde TensorFlow Lite entegrasyonu; cihaz-içi
(on-device) çıkarım, düşük gecikme.
Uygulama Özellikleri
Trafik ışığı tespiti: Kırmızı/yeşil durumunun anlık sınıflandırılması ve sesli uyarı.
Çevresel nesne algılama: Potansiyel çarpışma tehlikesi taşıyan nesnelerin bildirimi.
Erişilebilirlik: Tamamen sesli arayüz ve titreşimle yönlendirme; şehir içi senaryolara uygun basit etkileşimler.
Deneysel Sonuçlar (Özet)
CNN–LSTM modeli, farklı aydınlatma ve çekim koşullarında %99+ doğruluk ve yüksek
F1-skoru ile diğer klasik/derin öğrenme yöntemlerinin üzerinde performans göstermiştir.
Kullanıcı testlerinde sesli yönlendirme ve hızlı tepki süresi ile yüksek memnuniyet raporlanmıştır.
Katkılar
Görme engelli bireyler için uçtan uca (veri → model → mobil uygulama) bir çözüm.
Gerçek zamanlı, cihaz-içi çalışan hafif ve erişilebilir bir yapay zekâ mimarisi.
Özellik seçimi ve transfer öğrenmenin birleştirilmesiyle genellenebilir ve dayanıklı bir tespit hattı.
Anahtar Kelimeler
Görme Engelli Bireyler, Trafik Işığı Sınıflandırması, Nesne Tespiti, CNN–LSTM, MobileNet, TensorFlow Lite,
Gerçek Zamanlı Görüntü İşleme, Erişilebilirlik.
