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

Year 2023, Volume: 38 Issue: 4, 2179 - 2190, 12.04.2023

Emre Şafak Necaattin Barışçı

https://doi.org/10.17341/gazimmfd.1041091

Cited By: 1

Abstract

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.

Keywords

Yangın ve duman tespiti, mobil cihazlar için yangın ve duman tespiti, evrişimsel sinir ağları, transfer öğrenme, nesnelerin interneti, derin öğrenme

References

• Bu F., Gharajeh M.S., Intelligent and vision-based fire detection systems: A survey, Image and Vision Computing, 91, 2019.
• Geetha S., Abhishek C.S., Akshayanat C.S., Machine Vision Based Fire Detection Techniques: A Survey, Fire Technol, 57, 591-623, 2021.
• 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.
• 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.
• Öcal, H. , Doğru, İ. A. , Barışçı, N., Akıllı ve Geleneksel Giyilebilir Sağlık Cihazlarında Nesnelerin İnterneti, Politeknik Dergisi, (3) , 695-714, 2019.
• Li P., Zhao W., Image fire detection algorithms based on convolutional neural networks, Case Studies in Thermal Engineering, 19 , 2020.
• 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.
• Xu R., Lin H., Lu K., Cao L., Liu Y., A Forest Fire Detection System Based on Ensemble Learning, 12(2), 2021.
• 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.
• 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.
• 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.
• 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.
• Albawi S., Mohammed T. A., Al-Zawi S., Understanding of a convolutional neural network, International Conference on Engineering and Technology (ICET), 2017.
• 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.
• İnik, Ö.,Ülker, E., Derin Öğrenme ve Görüntü Analizinde Kullanılan Derin Öğrenme Modelleri, GAZİOSMANPAŞA BİLİMSEL ARAŞTIRMA DERGİSİ (GBAD), 6(3), 85-104, 2017.
• Cai S., Shu Y., Chen G., Ooi B.C., Wang W., Zhang M., Effective and Efficient Dropout for Deep Convolutional Neural Networks, CoRR, abs/1904.03392, 2020.
• Zhang X., Lin T., Xu J., Luo X., Ying Y., ADeepSpectra: An end-to-end deep learning approach for quantitative spectral analysis, Analytica Chimica Acta, 48-57, 2019.
• Krizhevsky A., Sutskever I., Hinton G., ImageNet classification with deep convolutional neural networks, NIPS’2012, 2012.
• Khan A., Sohail A., Zahoora U., Qureshi A.S., A survey of the recent architectures of deep convolutional neural networks, 53, 5455–5516, 2020.
• Fire Detection Dataset, https://mivia.unisa.it/datasets/video-analysis-datasets/fire-detection-dataset/. Erişim tarihi Aralık 20, 2021.
• FIRESENSE, https://zenodo.org/record/836749#.YcDXMWhBzIV. Erişim tarihi Aralık 20, 2021.
• Fire-Detection-Image-Dataset, https://github.com/cair/Fire-Detection-Image-Dataset. Erişim tarihi Aralık 20, 2021.
• Rácz, A., Bajusz, D., Héberger, K., Effect of Dataset Size and Train/Test Split Ratios in QSAR/QSPR Multiclass Classification, Molecules, 26(4), 2021.
• Howard A. G., Zhu M., Chen B., Kalenichenko D., Wang W., Weyand T., Andreetto M., Adam H., MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications, CoRR, abs/1704.04861, 2017.
• Sandler M., Howard A., Zhu M., Zhmoginov A., Chen L.C., MobileNetV2: Inverted Residuals and Linear Bottlenecks, CoRR, abs/1801.04381, 2019.
• Tan M., Le Q.V., EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks, CoRR, abs/1905.11946, 2019.
• Zhang X., Zhou X., Lin M., Sun J., ShuffleNet: An Extremely Efficient Convolutional Neural Network for Mobile Devices, CoRR, abs/1707.01083, 2017.
• Tensorflow. Tensorflow. https://www.tensorflow.org/. Erişim tarihi Aralık 20, 2021.
• Janardhanan P., Project repositories for machine learning with TensorFlow, Procedia Computer Science, 188-196, 2020.
• Şeker A., Diri B., Balık H.H., Derin Öğrenme Yöntemleri ve Uygulamaları Hakkında Bir İnceleme, Gazi Mühendislik Bilimleri Dergisi, 3(3), 47-64, 2017.
• Bozinovski S., Fulgosi A., The influence of pattern similarity and transfer of learning upon training of a base perceptron B2, Proc. Symp. Informatica 3-121-5, Bled, 1976.
• Elmas B., Evrişimli sinir ağları ile ağaç kabuğu görüntülerinden ağaç türlerinin transfer öğrenme yöntemiyle tanımlanması, Journal of the Faculty of Engineering and Architecture of Gazi University, 36(3): 1253-1270, 2021.
• Zhuang F., Qi Z., Duan K., Xi D., Zhu Y., Zhu H., Xiong H., He Q., A Comprehensive Survey on Transfer Learning, IEEE, 109(1), 43-76, 2021.
• Fırıldak K., Talu M.F., Evrişimsel Sinir Ağlarında Kullanılan Transfer Öğrenme Yaklaşımlarının İncelenmesi, Journal of Computer Science, 4(2), 88-95, 2019.