Gerçek zamanlı nesne tanıma sistemlerinde microservis yaklaşımı ile performans artırımı
Küçük Resim Yok
Tarih
2021
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
T.C. Maltepe Üniversitesi, Lisansüstü Eğitim Enstitüsü.
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Bu çalışma ile belli bir güzergâhta yer alan binalara yerleştirilmiş tabelaların varlık ve boyutlarının tespitine yönelik gerçek zamanlı, mikro servis mimarisine dayalı yeni bir sistem tasarlanmış ve uygulaması gerçekleştirilmiştir. Sistem ile gezici bir platforma yerleştirilmiş video kameradan elde edilen anlık görüntü çerçevelerinde sınıflandırma işlemi yapılarak belli sınıflardan birisine ait olma durumları belirlenmektedir. Bu amaçla geliştirilmiş SSD Mobile Net ve Fast R-CNN modeli, ekran kartının tahsisli bir alanında çalışarak amaç nesnelerin çerçevelenmesini sağlamakta ve görüntüyü base64stringe çevirmektedir. Bu veri Mask R-CNN modeline aktarılarak tabelanın genelleştirilmiş koordinatları ve piksel cinsinden alanı hesaplanmaktadır. Bu işlem boyunca görüntü akışı sürdüğünden geleneksel olarak nesne tanıma, alan taraması ve boyutlandırılması işlemlerinin artarda yapılması yerine bağımsız mikroservis birimlerinde paralel işlenmesi ile zaman kazandıran ve çerçeve kaybettirmeyen yeni bir yapı gerçekleştirilmiştir. Böylece görüntü akışının kesintisiz sürmesi gereken sistemlerde süreç döngüsünün önemli ölçüde hızlandırılması mümkün olabilmiştir. Sonuç olarak bu çalışmada, hareketli kamera ile anlık olarak elde edilen görüntünün tanınması amacıyla görüntü işleme teknikleri ve derin öğrenme algoritmaları kullanılarak geliştirilen yazılımda, görüntü gerçek zamanlı olarak 24 FPS hızda işlenerek %90 doğruluk başarımı elde edilmiştir. Böylece süreç önemli ölçüde hızlandırılabilmiştir.
In this study, a new system based on real-time, micro service architecture was designed and implemented for the recognition of the signs placed in the buildings located on a certain route. System; In the snapshot frames obtained from the video camera placed on a mobile platform, the classification process is performed and the status of belonging to one of the certain classes is determined. The SSD and Fast R-CNN model developed for this purpose works in a dedicated area of the graphics card, providing framing of the object objects and converting the image to base64 string. By transferring this data to the Mask R-CNN model, the generalized coordinates of the sign and its area in pixels are calculated. Since the picture flow continues throughout this process, in order to save time and not to waste frames, the traditionally sequential object recognition, area scanning and sizing operations are processed in parallel in independent microservice units. Thus, it was possible to prevent frame losses and speed up the process cycle significantly in systems that require uninterrupted picture flow. As a result, in this study, in the software developed by using image processing techniques and deep learning algorithms for the purpose of recognizing the image instantly obtained with the moving camera, the image is processed in real time at 24 FPS (Frame Per Second: the number of pictures per second), an accuracy of 90% was achieved. Thus, the completion time of the process was significantly accelerated.
In this study, a new system based on real-time, micro service architecture was designed and implemented for the recognition of the signs placed in the buildings located on a certain route. System; In the snapshot frames obtained from the video camera placed on a mobile platform, the classification process is performed and the status of belonging to one of the certain classes is determined. The SSD and Fast R-CNN model developed for this purpose works in a dedicated area of the graphics card, providing framing of the object objects and converting the image to base64 string. By transferring this data to the Mask R-CNN model, the generalized coordinates of the sign and its area in pixels are calculated. Since the picture flow continues throughout this process, in order to save time and not to waste frames, the traditionally sequential object recognition, area scanning and sizing operations are processed in parallel in independent microservice units. Thus, it was possible to prevent frame losses and speed up the process cycle significantly in systems that require uninterrupted picture flow. As a result, in this study, in the software developed by using image processing techniques and deep learning algorithms for the purpose of recognizing the image instantly obtained with the moving camera, the image is processed in real time at 24 FPS (Frame Per Second: the number of pictures per second), an accuracy of 90% was achieved. Thus, the completion time of the process was significantly accelerated.
Açıklama
Anahtar Kelimeler
Nesne tanıma, Derin öğrenme, Görüntü işleme, Tensorflow, SSD mobile net, Fast R-CNN, Mask R-CNN, Mikroservis, Redis, Object detection, Deep learning, İmage processing, Tensorflow, SSD mobile net, Fast R-CNN, Mask R-CNN, Microservice, Redis
Kaynak
WoS Q Değeri
Scopus Q Değeri
Cilt
Sayı
Künye
Serttaş, M. A. (2021). Gerçek zamanlı nesne tanıma sistemlerinde microservis yaklaşımı ile performans artırımı / Real-time object detection systems performance increase with microservice approach. (Yayımlanmamış Doktora Tezi). Maltepe Üniversitesi, Lisansüstü Eğitim Enstitüsü, İstanbul.
