KaydedilenlerDerginizi ekleyin

Dergiler / 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
Sayfa
1–12
Yayın Tarihi
2019-10-31
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

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

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Orman yangınları, ekolojik dengeyi olumsuz yönde etkileyen bir afet türüdür.
📊
Temel Bulgular & Veri:Orman yangınlarının olumsuz etkilerini azaltmak için yangının yapısının iyi bilinmesi gerekir.
💡
Sonuç & Katkı:Sınıflandırma başarısı Destek Vektör Makineleri ile %95, Yapay Sinir Ağları ile %96 olarak belirlenmiştir.
🔬Tür:Araştırma Makalesi
📍Kapsam:3100 adet
⚙️Değişkenler: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.

🔖

Bu Makaleye Atıf Yap

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

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (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.