SavedAdd your journal

Journals / Mühendislik Bilimleri ve Araştırmaları Dergisi / 2019 / Cilt: 1 - Sayı: 1

RENKSEL VE DOKUSAL ÖZELLİKLER KULLANARAK ALEV VE ALEV OLMAYAN GÖRÜNTÜ KESİTLERİNİN SINIFLANDIRILMASI

Buket TOPTAŞ
Davut HANBAY
Pages
1–12
Publication Date
2019-10-31
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Sınıflandırma başarısı Destek Vektör Makineleri ile %95, Yapay Sinir Ağları ile %96 olarak belirlenmiştir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Orman yangınları, ekolojik dengeyi olumsuz yönde etkileyen bir afet türüdür.
📊
Key Findings & Data:Orman yangınlarının olumsuz etkilerini azaltmak için yangının yapısının iyi bilinmesi gerekir.
💡
Conclusion & Impact:Sınıflandırma başarısı Destek Vektör Makineleri ile %95, Yapay Sinir Ağları ile %96 olarak belirlenmiştir.
🔬Design:Research Article
📍Scope:3100 adet
⚙️Variables:Alev · Gri seviye eş oluşum matrisi

Özet

Orman yangınları, ekolojik dengeyi olumsuz yönde etkileyen bir afet türüdür. Orman yangınlarının olumsuz etkilerini azaltmak için yangının yapısının iyi bilinmesi gerekir. Bu çalışmada, orman yangın görüntülerinden elde edilen renksel ve dokusal özellikler kullanılarak alev görüntüleri sınıflandırılmıştır. Yapılan çalışmada alev ve alev olmayan 3100 adet görüntü kesiti üzerinde incelemeler gerçekleştirilmiştir. Renk özelliklerinin belirlenmesinde RGB renk uzayı kullanılmıştır. Dokusal özelliklerin belirlenmesinde ise Laws’ın Doku Enerji Ölçümleri ve Gri Seviye Eş Oluşum Matrisinden gelen doku özellikleri kullanılmıştır. Alev ve alev olmayan kesitlerden öznitelikler çıkarıldıktan sonra, Destek Vektör Makineleri ve Yapay Sinir Ağları ile sınıflandırılmıştır. Sınıflandırma başarısı Destek Vektör Makineleri ile %95, Yapay Sinir Ağları ile %96 olarak belirlenmiştir.

🔖

Cite This Article

TOPTAŞ, B., HANBAY, D. (2019). RENKSEL VE DOKUSAL ÖZELLİKLER KULLANARAK ALEV VE ALEV OLMAYAN GÖRÜNTÜ KESİTLERİNİN SINIFLANDIRILMASI. Mühendislik Bilimleri ve Araştırmaları Dergisi, Cilt: 1 - Sayı: 1, 1–12. https://ajindex.com/articles/793049

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (12)

  1. Y. Zhao, G. Tang, and M. Xu (2015),Hierarchical detection of wildfire flame video from pixel level to semantic level, Expert Systems with Applications, 42(8): 4097–4104,
  2. R. Chi, Z.-M. Lu, and Q.-G. Ji (2017), Real-time multi-feature based fire flame detection in video, IET Image Processing,11(1): 31–37.
  3. S. Garcia-Jimenez, A. Jurio, M. Pagola, L. De Miguel, E. Barrenechea, and H. Bustince (2017), Forest fire detection: A fuzzy system approach based on overlap indices, Applied Soft Computing Journal, vol.52: 834–842.
  4. M. Toptaş and D. Hanbay (2017), Smoke detection using texture and color analysis in videos, Artificial Intelligence and Data Processing Symposium (IDAP), 6–9.
  5. X. B. Li, Y. Hua, and N. Xia (2013), Fire detecting technology based on dynamic textures, Procedia Engineering, vol. 52: 186–195.
  6. V. Vipin (2012), Image Processing Based Forest Fire Detection, International Journal of Emerging Technology and Advanced Engineering, 2(2): 87–95.
  7. B. Toptas and D. Hanbay (2017), HSI Renk Uzayı Kullanarak Alev Tespiti, Artificial Intelligence and Data Processing Symposium (IDAP), 1–5.
  8. D. Y. T. Chino, L. P. S. Avalhais, J. F. Rodrigues, and A. J. M. Traina (2015), BoWFire: Detection of Fire in Still Images by Integrating Pixel Color and Texture Analysis, Brazilian Symposium of Computer Graphic and Image Processing, 95–102.
  9. S. Fazekas and D. Chetverikov (2007), Analysis and performance evaluation of optical flow features for dynamic texture recognition, Image Commun., 680–691.
  10. K. Kamal, R. Qayyum, S. Mathavan, and T. Zafar (2017),Wood defects classification using laws texture energy measures and supervised learning approach, Advanced Engineering Informatics,vol.34:125–135.
  11. J. Zhao, Z. Zhang, S. Han, C. Qu, Z. Yuan, and D. Zhang, 2011,SVM based forest fire detection using static and dynamic features, Computer Science and Information Systems, 8(3): 821–841.
  12. D. Hanbay, I. Turkoglu, and Y. Demir, 2010,Modeling switched circuits based on wavelet decomposition and neural networks,” Journal of the Franklin Institute, 347(3): 607–617.