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.
Fire is a natural disaster that causes ecological, social and economic damage. With the global warming and the spread of the use of explosive/burning chemicals, fires have become one of the most important problems for mankind. Early detection of fires is critical to minimize damage. Heat and smoke detectors have been developed in the buildings to ensure the early detection of fires. However, the use of these detectors is limited to closed spaces. These detectors are unable to be used in large spaces. Also, these detectors are quite expensive in terms of installation and maintenance. For this reason, the fire detection of the images has begun. In recent studies for fire detection from images, deep learning algorithms are often used. These studies focus on the analysis of images taken through cameras with models working on powerful servers. With the developments in the internet of mobile devices and objects, images on end devices can now be analyzed. The study developed a fire and smoke detection model that requires low processing power to allow images to be analyzed on a mobile device without being transferred to a server. The MobileNet evolutionary nerve network has been revised and the last 3 layers have been removed and the intense layer of two nodes has been added with the refining layer instead. For the revised fire and smoke detection model, MobileNet, the original MobileNet, MobileNetV2, EfficientNetB0 and ShuffleNet have the highest accuracy ratio of models developed using the evolutionary nerve networks. To increase the success rate of models, pre-trained model weights on ImageNet have been reused with the transfer learning technique. A data set of 43,355 images has been used to train and test the models. 80% of the data set and 20% of the training is used for the test process. According to the test results, the revised MobileNet network reached the highest accuracy rate with 98.37%.
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.
Alan : Mimarlık, Planlama ve Tasarım; Mühendislik
Dergi Türü : Uluslararası
Benzer Makaleler | Yazar | # |
---|
Makale | Yazar | # |
---|