KaydedilenlerDerginizi ekleyin

Dergiler / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi / 2023 / Cilt: 38 - Sayı: 4

Derin öğrenme kullanılarak mobil cihazlar için gerçek zamanlı yangın ve duman tespiti

Emre ŞAFAK
Necaattin BARIŞÇI
Sayfa
2179–2190
Yayın Tarihi
2023-04-12
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)

Yapılan test sonuçlarına göre revize edilmiş MobileNet ağı %98,37 ile en yüksek doğruluk oranına ulaşılmıştır.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Yangın; ekolojik, sosyal ve ekonomik zararlara neden olan doğal afettir.
📊
Temel Bulgular & Veri:MobileNet evrişimsel sinir ağı revize edilerek son 3 katman kaldırılmış ve yerine düzleştirme katmanı ile iki düğümden oluşan yoğun katman eklenmiştir.
💡
Sonuç & Katkı:Yapılan test sonuçlarına göre revize edilmiş MobileNet ağı %98,37 ile en yüksek doğruluk oranına ulaşılmıştır.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Yangın ve duman tespiti · mobil cihazlar için yangın ve duman tespiti · evrişimsel sinir ağları

Özet

Yangın; ekolojik, sosyal ve ekonomik zararlara neden olan doğal afettir. Küresel ısınma ve patlayıcı/yanıcı kimyasalların kullanımının yaygınlaşması ile birlikte yangınlar insanlık için en önemli sorunlardan biri haline gelmiştir. Yangınların erken tespiti tahribatı en aza indirmek için kritik öneme sahiptir. Binalarda yangınların erken tespit edilmesini sağlayabilmek için ısı ve duman dedektörleri geliştirilmiştir. Ancak bu dedektörlerin kullanımı kapalı alanlar ile kısıtlıdır. Geniş alanlarda bu detektörlerin kullanılması mümkün değildir. Ayrıca bu dedektörler kurulum ve bakım açısından oldukça maliyetlidir. Bu nedenlerden dolayı görüntülerden yangın tespiti üzerine çalışmalar yapılmaya başlanmıştır. Görüntülerden yangın tespiti için yapılan son çalışmalarda genellikle derin öğrenme algoritmaları kullanılmaktadır. Bu çalışmalar kameralar üzerinden alınan görüntülerin güçlü sunucular üzerinde çalışan modeller ile analizine odaklanmaktadır. Mobil cihazlar ve nesnelerin internetindeki gelişmeler ile artık uç cihazlar üzerinde görüntüler analiz edilebilir. Yapılan çalışmada görüntülerin bir sunucuya aktarılmadan mobil cihaz üzerinde analiz edilmesini sağlayacak düşük işlem gücü gerektiren yangın ve duman tespit modeli geliştirilmiştir. MobileNet evrişimsel sinir ağı revize edilerek son 3 katman kaldırılmış ve yerine düzleştirme katmanı ile iki düğümden oluşan yoğun katman eklenmiştir. Yangın ve duman tespiti modeli için revize edilmiş MobileNet, orijinal MobileNet, MobileNetV2, EfficientNetB0 ve ShuffleNet evrişimsel sinir ağları kullanılarak geliştirilen modeller arasından en yüksek doğruluk oranına sahip yöntem belirlenmiştir. Modellerin başarı oranını artırabilmek ImageNet üzerinde ön eğitilmiş model ağırlıkları transfer öğrenme tekniği ile tekrar kullanılmıştır. Modelleri eğitmek ve test etmek için 43,355 görüntüden oluşan veri seti kullanılmıştır. Veri setinin %80’i eğitim %20’si test işlemi için kullanılmıştır. Yapılan test sonuçlarına göre revize edilmiş MobileNet ağı %98,37 ile en yüksek doğruluk oranına ulaşılmıştır.

🔖

Bu Makaleye Atıf Yap

ŞAFAK, E., BARIŞÇI, N. (2023). Derin öğrenme kullanılarak mobil cihazlar için gerçek zamanlı yangın ve duman tespiti. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt: 38 - Sayı: 4, 2179–2190. https://ajindex.com/articles/886068

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (16)

  1. Bu F., Gharajeh M.S., Intelligent and vision-based fire detection systems: A survey, Image and Vision Computing, 91, 2019.
  2. Geetha S., Abhishek C.S., Akshayanat C.S., Machine Vision Based Fire Detection Techniques: A Survey, Fire Technol, 57, 591-623, 2021.
  3. Şafak E., Arslan Ç., Gözütok M., Köprülü T., Dağıtık Defter Teknolojileri ve Uygulama Alanları Üzerine Bir İnceleme, Avrupa Bilim ve Teknoloji Dergisi, (29), 36-45, 2021.
  4. Utku, A., Doğru, İ. A., Android kötücül yazılımlar için izin tabanlı tespit sistemi, Journal of the Faculty of Engineering and Architecture of Gazi University, 32 (4), 1015-1024, 2017.
  5. Öcal, H., Doğru, İ. A., Barışçı, N., Akıllı ve Geleneksel Giyilebilir Sağlık Cihazlarında Nesnelerin İnterneti, Politeknik Dergisi, (3), 695-714, 2019.
  6. Li P., Zhao W., Image fire detection algorithms based on convolutional neural networks, Case Studies in Thermal Engineering, 19, 2020.
  7. Li C., Yang B., Ding H., Shi H., Jiang X., Sun J., Real-time video-based smoke detection with high accuracy and efficiency, Fire Safety Journal, 117, 2020.
  8. Xu R., Lin H., Lu K., Cao L., Liu Y., A Forest Fire Detection System Based on Ensemble Learning, 12(2), 2021.
  9. He L., Gong X., Zhang S., Wang L., Li F., Efficient attention based deep fusion CNN for smoke detection in fog environment, Neurocomputing, 434, 224-238, 2021.
  10. Muhammad K., Ahmad J., Mehmood I., Rho S., Baik S.W., Convolutional Neural Networks Based Fire Detection in Surveillance Videos, IEEE, 6, 18174-18183, 2018.
  11. Majid S., Alenezi F., Masood S., Ahmad M., Gündüz E.S., Polat K., Attention based CNN model for fire detection and localization in real-world images, Expert Systems with Applications, 189, 2022.
  12. Şafak E., Barışçı N., Age and Gender Prediction Using Convolutional Neural Networks, 2018 2nd International Symposium on Multidisciplinary Studies and Innovative Technologies (ISMSIT), Ankara, 2018.
  13. Albawi S., Mohammed T. A., Al-Zawi S., Understanding of a convolutional neural network, International Conference on Engineering and Technology (ICET), 2017.
  14. Arı A., Hanbay D., Bölgesel evrişimsel sinir ağları tabanlı MR görüntülerinde tümör tespiti, Journal of the Faculty of Engineering and Architecture of Gazi University, 34(3): 1395-1408, 2019.
  15. İnik, Ö.,Ülker, E., Derin Öğrenme ve Görüntü Analizinde Kullanılan Derin Öğrenme Modelleri, GAZİOSMANPAŞA BİLİMSEL ARAŞTIRMA DERGİSİ (GBAD), 6(3), 85-104, 2017.
  16. Cai S., Shu Y., Chen G., Ooi B.C., Wang W., Zhang M., Effective and Efficient Dropout for Deep Convolutiona