İnsansız Hava Aracı ile Yangın Bölgesinin Tespiti ve Müdahalesinin Yapay Zeka ile Tahminlenmesi

Abstract

Özet: Orman yangınları günümüzde, canlı yaşam alanlarını tehdit eden afetlerin başında gelmektedir. Küresel ısınmadaki artış, hava kalitesinin bozulması, hayvan ve bitki çeşitliliğindeki azalmalar, orman yangınlarının oluşturduğu başlıca zararlardır. Orman yangınlarının oluşturduğu tehditler ile mücadele edebilmek için tüm devletler çeşitli politikalar geliştirmekte ve ciddi maddi harcamalar yapmaktadırlar. Bu mücadelede kullanılan teknolojik ürünlerin geliştirilmesi ve orman yangınlarına daha hızlı ve kesin çözümün bulunabilmesi elzemdir. Gerçekleştirilen tez çalışmasında bu sorunlardan hareketle yapay zeka tabanlı bir insansız hava aracı sistemi geliştirilmiştir. Geliştirilen sistem olası yangın bölgesinde devriye gezerek otonom uçuş ve analiz yapma yeteneklerine sahiptir. Sistem üzerinde bulunan kamera ile anlık olarak görüntüler yer birimine aktırılmakta ve işlenmektedir. İşlenen görüntüler de yangın ve duman emareleri aranmaktadır. Olası bir yangın durumunda sistem otonom olarak yangın bölgesinde uçuş gerçekleştirmekte ve yangına müdahale etmek üzere görev icra etmektedir. Yangın anında yapay zeka modelleri ile rüzgar hızı, İHA hızı, İHA irtifası bilgileri işlenerek bir yatay atış tahmini yapılmaktadır. Tahmin sonucunda İHA hareket halinde iken yangın söndürme topunun bırakılması gereken an hesaplanmaktadır. Oluşan yatay atışın X ekseninde ne kadar yol alacacağı model tarafından tahmin edilmektedir. X ekseninden alınacak yolun bitiş noktası yangın merkezi için tahminlenmektedir. Böylece doğru bir atış ile yangın söndürme topunun alevli bölgeye düşürülmesi hedeflenmiştir.

Keywords

• Derin öğrenme
• Makine Öğrenmesi
• Görüntü işleme
• İnsansız Hava Aracı
• Orman Yangınları

Detection of Fire Zone by Unmanned Aerial Vehicle and Prediction of Fire Intervention with Artificial Intelligence

Abstract

Abstract: Forest fires are among the most common disasters that threaten living spaces today. The increase in global warming, deterioration of air quality, and decreases in animal and plant diversity are the main damages caused by forest fires. In order to combat the threats posed by forest fires, all states develop various policies and make serious financial expenditures. It is essential to develop technological products used in this fight and to find faster and more definitive solutions to forest fires. In the thesis study conducted, an artificial intelligence-based unmanned aerial vehicle system was developed based on these problems. The developed system has the ability to patrol in a potential fire area and perform autonomous flight and analysis. Images are instantly transferred to the ground unit with the camera on the system and processed. Signs of fire and smoke are searched in the processed images. In the event of a possible fire, the system autonomously flies in the fire area and performs a task to intervene in the fire. In the event of a fire, a horizontal shot estimate is made by processing wind speed, UAV speed, and UAV altitude information with artificial intelligence models. As a result of the estimate, the moment when the fire extinguishing ball should be released while the UAV is moving is calculated. The model estimates how far the horizontal shot will travel on the X axis. The end point of the path to be taken from the X axis is estimated for the fire center. Thus, it is aimed to drop the fire extinguishing ball into the flaming area with a correct shot.

Keywords

• Deep learning
• Machine learning
• Image processing
• Unmanned aerial vehicle
• Forest fires

References

1. [1] Alsammak, I. L. H., Mahmoud, M. A., Aris, H., AlKilabi, M., & Mahdi, M. N. (2022). The use of swarms of unmanned aerial vehicles in mitigating area coverage challenges of forest-fire-extinguishing activities: a systematic literature review. Forests, 13(5), 811, 1-31.
2. [2] Avcı, M., ve Korkmaz, M. (2021). Türkiye’de orman yangını sorunu: Güncel bazı konular üzerine değerlendirmeler. Turkish Journal of Forestry, 22(3), 229-240.
3. [3] Torul, M. O. L. (1993). Orman yangınları. Journal of the Faculty of Forestry Istanbul University, 43(3-4), 69-78.
4. [4] Caton, O., Markoski, A., Osterloh, E., & Tallan, J. 2019. Exploring the Potential for Drone Use in Firefighting: Addressing Forest Fires in Albania. https://web.cs.wpi.edu/~rek/Projects/EXINN_Proposal.pdf (Erişim tarihi: 17 Ocak 2023).
5. [5] Roldán-Gómez, J. J., González-Gironda, E., ve Barrientos, A. (2021). A survey on robotic technologies for forest firefighting: applying drone swarms to improve firefighters’ efficiency and safety. Applied Sciences, 11(1), 363, 1-18.
6. [6] Akgül, A. S., ve Hacioğlu, A. (2010). Gözetleme/saldırı amaçlı mini insansız hava aracı tasarımı ve üretimi. Journal of Aeronautics & Space Technologies/Havacilik ve Uzay Teknolojileri Dergisi, 4(3), 1-6.
7. [7] Öztürk, K., & Şahin, M. E. (2018). Yapay sinir ağları ve yapay zekâ’ya genel bir bakış. Takvim-i Vekayi, 6(2), 25-36.
8. [8] Bolat, T. 2022. Çelik Kalıplarda Görüntü İşleme Yöntemi İle Hasar Analizi. Marmara Üniversitesi Fen Bilimleri Enstitüsü, Yüksek Lisans Tezi, 53s, İstanbul.

9. [9] Ertuğrul, M. (2005). Orman yangınlarının dünyadaki ve Türkiye’deki durumu. Bartın Orman Fakültesi Dergisi, 7(7), 43-50.
10. [10] Innocente, M. S., & Grasso, P. 2019. Self-organising swarms of firefighting drones: Harnessing the power of collective intelligence in decentralised multi-robot systems. Journal of Computational Science, 34, 80-101.
11. [11] Carmona, P., Climent, F., & Momparler, A. (2019). Predicting failure in the U.S. banking sector: An extreme gradient boosting approach. International Review of Economics & Finance, 61, 304-323.
12. [12] Friedman, J. H. (2001). Greedy function approximation: a gradient boosting machine. The Annals of Statistics, 29(5), 1189-1232.
13. [13] Chen, T., & Guestrin, C. 2016. Xgboost: A Scalable Tree Boosting System. Proceedings of the 22nd Acm Sigkdd International Conference on Knowledge Discovery and Data Mining. August 13-17, California, 785-794.
14. [14] Yeşilyurt, S., & Dalkılıç, H. 2021. Xgboost ve Gradient Boost Machine ile Günlük Nehir Akımı Tahmini. 3rd International Symposium of III Engineering Applications on Civil Engineering and Earth Sciences. September 22-24, Karabük, 1-9.
15. [15] Büyükkör, Y. (2022). 21. In Xgboost Makine Öğrenmesi Yöntemi Kullanılarak Ham Petrol Fiyatının Tahminlenmesi. SS 219-238. Yüzyılda iktisadı anlamak: güncel ekonometrik zaman serileri çalışmaları. Gazi Kitapevi, Ankara.
16. [16] Ercire, M., & Ünsal, A. 2021. Kısa süreli güç kalitesi bozulmalarının dalgacık analizi ve rastgele orman yöntemi ile sınıflandırılması. Uludağ Üniversitesi Mühendislik Fakültesi Dergisi, 26(3), 903-920.
17. [17] Arat, M. M. (2022). PyCaret ve Flask ile arkaplanında bir makine öğrenmesi modeli bulunan bir web uygulaması oluşturmak. https://mmuratarat.github.io/turkish/2022-01- 12/webapp_with_PyCaret_and_Flask#:~:text=PyCaret%2C%20Python'da%2 0makine%20%C3%B6%C4%9Frenmesi,%C3%B6%C4%9Frenmesi%20ve%20model%20y%C3%B6netimi%20arac%C4%B1d%C4%B1r. (Erişim tarihi: 27 Haziran 2023).
18. [18] Sayın, H., Salman, O. K. M., Aksoy, B., ve Köse, U. 2020. EKG Sinyallerini kullanarak Kalp Ritimlerinin Yapay Zekâ ile Sınıflandırılması. Düzce Üniversitesi Bilim ve Teknoloji Dergisi, 9(1), 7-15.
19. [19] Hossain, F. A., Zhang, Y., Yuan, C., ve Su, C. Y. (2019) Wildfire Flame and Smoke Detection Using Static İmage Features and Artificial Neural Network. 2019 1st International Conference on Industrial Artificial Intelligence. September 30, China, 1-6.
20. [20] Seydi, S. T., Saeidi, V., Kalantar, B., Ueda, N., & Halin, A. A. 2022. Fire‐Net: A Deep Learning Framework for Active Forest Fire Detection. Journal of Sensors, 2022(1), 8044390, 1-13.
21. [21] Aksoy, B., Korucu, K., Çalışkan, Ö., Osmanbey, Ş., & Halis, H. D. (2021). İnsansız hava aracı ile görüntü işleme ve yapay zekâ teknikleri kullanılarak yangın tespiti: örnek bir uygulama. Düzce Üniversitesi Bilim ve Teknoloji Dergisi, 9(6), 112-122.
22. [22] Kinaneva, D., Hristov, G., Georgiev, G., Kyuchukov, P., & Zahariev, P. 2020. An Artificial Intelligence Approach to Real-Time Automatic Smoke Detection by Unmanned Aerial Vehicles and Forest Observation Systems. 2020 International Conference on Biomedical Innovations and Applications (BIA). 04 November, Bulgaria, 133-138.
23. [23] Khan, A., Hassan, B., Khan, S., Ahmed, R., & Abuassba, A. (2022). DeepFire: a novel dataset and deep transfer learning benchmark for forest fire detection. Hindawi Mobile Information Systems, 2022, 1-14.
24. [24] Yanık, A., Yanık, M., Güzel, M. S., & Bostancı, G. E. 2022. In Machine Learning–Based Early Fire Detection System Using A Low-Cost Drone, Advanced sensing in ımage processing and IoT. Gupta, R., Rana, A.K., Dhawan, S., Cengiz, K. ed. CRC Press, India, 365s.
25. [25] Bushnaq, O. M., Chaaban, A., & Al-Naffouri, T. Y. 2021. The role of UAV-IoT networks in future wildfire detection. IEEE Internet of Things Journal, 8(23), 16984-16999.