Endüstri 4.0’ın endüstriye getirdiği teknolojik gelişmeler ile birlikte otonom taşıyıcı araçlar akıllı fabrikaların önemli bileşenlerinden biri haline gelmiştir. Otonom taşıyıcı araçların çevresini algılayabilmesini sağlayan algılama sistemleri, bu araçların başarılı bir şekilde çalışabilmelerinde kritik rol oynamaktadır. Bilgisayarlı görme alanındaki gelişmeler araçların çevreyi ve çevredeki nesneleri görsel olarak algılayabilmesinde büyük fayda sağlamıştır. Özellikle dış ortamlarda akıllı trafik ağları için çok sayıda görsel kamera tabanlı uygulama mevcuttur. Ancak dış ortamlara kıyasla iç mekan endüstriyel ortamlarda otonom taşıma araçları için uygulama ve veri tabanı eksikliği vardır. Akıllı fabrikalarda bazı temel güvenlik ve yön işaretleri bulunmaktadır. Bu işaretler güvenlik konularında önemlidir ve otonom araçlar tarafından doğru bir şekilde tespit edilmesi gerekmektedir.
Bu çalışmada, bir akıllı fabrika ortamının benzetildiği bir laboratuvarda fabrika içi güvenlik ve yönlendirme işaretlerinden ve fabrikalarda bulunabilecek bazı önemli nesnelerden oluşan görsel bir veri kümesi oluşturulmuştur. Gerçek zamanlı çalışan güncel derin öğrenme modelleri içerisinden Faster R-CNN, SSD, RetinaNet, YOLOv3 ve YOLOv4 derin öğrenme modelleri seçilmiştir. Seçilen bu modeller hazırlanan veri kümesi üzerinde eğitilmiştir. Daha sonra bu yöntemlerin performansları doğruluk cinsinden karşılaştırılarak hangi yöntemlerin daha başarılı olduğu gözlenmiştir. Test edilen bütün yöntemler arasında en yüksek doğruluk değeri YOLOv4 modeli ile edilmiştir
With the technological developments brought by Industry 4.0 to the industry, autonomous transport vehicles have become one of the important components in smart factories. Sensing systems that enable autonomous transport vehicles to perceive their environment play a critical role in the successful operation of these vehicles. Developments in the field of computer vision studies yield the vehicles to visually perceive the environment and detect the objects in the environment. There are many applications especially for smart traffic networks in outdoor environments. However, there is a lack of application and database for autonomous transport vehicles in indoor industrial environments compared to outdoor environments. Smart factories have some basic safety and direction signs. These signs are important for safety issues and need to be correctly detected by autonomous vehicles.
In this study, a visual dataset consisting of in-factory security and orientation signs and some important objects that can be found in factories was created in a laboratory where a smart factory environment was simulated. Faster R-CNN, SSD, RetinaNet, YOLOv3 and YOLOv4 deep learning models were selected among the current deep learning models working in real time. These selected models were trained on the prepared data set. Later, by comparing the performances of these methods in terms of accuracy, it was observed which methods were more successful. The highest accuracy value among all the methods tested was with the YOLOv4 model
