CNN Based Real-Time Fire Detection System

Öz

The early detection and rapid response to fires are vital in minimizing damage and protecting lives and property. This study presents a camera-based fire detection system utilizing advanced image processing techniques and Artificial Intelligence (AI). The system, employing Convolutional Neural Networks (CNNs) for image analysis, achieves an accuracy rate of 89% in detecting fire. Upon detection, the system sends real-time notifications to users through Telegram, enabling swift intervention and enhancing emergency response times. This approach significantly improves fire detection capabilities, particularly in large, complex environments where traditional detection methods are less effective. The integration of CNN-based image processing with communication technologies such as Telegram bots provides a flexible, accessible, and scalable solution. The proposed system demonstrates its potential as an innovative tool for enhancing fire safety and response efficiency, ensuring timely intervention and minimizing the impact of fires.

Anahtar Kelimeler

• deep learning
• fire detection
• telegram bot
• convolutional neural network

Konvolüsyonel Sinir Ağı Tabanlı Gerçek Zamanlı Yangın Tespit Sistemi

Öz

Yangınların erken tespiti ve hızlı müdahale, hasarın en aza indirilmesi, can ile mal güvenliğinin korunması açısından hayati öneme sahiptir. Bu çalışma, gelişmiş görüntü işleme teknikleri ve Yapay Zekâ (AI) kullanan kamera tabanlı bir yangın tespit sistemi sunmaktadır. Görüntü analizinde Konvolüsyonel Sinir Ağları (CNN) kullanan sistem, yangın tespitinde %89 doğruluk oranına ulaşmaktadır. Yangın tespit edildiğinde, sistem kullanıcılara Telegram üzerinden gerçek zamanlı bildirimler göndererek hızlı müdahale imkânı sağlayıp acil durum yanıt sürelerini iyileştirmektedir. Bu yaklaşım, özellikle geleneksel tespit yöntemlerinin daha az etkili olduğu büyük ve karmaşık ortamlarda yangın tespit yeteneklerini önemli ölçüde artırmaktadır. CNN tabanlı görüntü işlemenin, Telegram botları gibi iletişim teknolojileriyle entegrasyonu, esnek, erişilebilir ve ölçeklenebilir bir çözüm sunmaktadır. Önerilen sistem, yangın güvenliği ve müdahale verimliliğini artıran yenilikçi bir araç olarak potansiyelini göstermekte, zamanında müdahaleyi sağlayarak yangınların etkisini en aza indirmeyi amaçlamaktadır.

Anahtar Kelimeler

• derin öğrenme
• yangın tespiti
• telegram botu
• konvolüsyonel sinir ağı

Kaynakça

1. [1] Herald Sun. New AI bushfire cameras can spot blazes within moments, set to be game changers for fire season. Herald Sun. https://l24.im/9zdD , (2025, Şubat). [2]. Business Insider.. New technology: AI sensors for California wildfire detection. Business Insider. https://www.businessinsider.com/new-technology-ai-sensors-california-wildfire-detection-2025-1? (2025,Şubat).
2. [3] Safak, E., & Barışçı, N. (2023). Real-time fire and smoke detection for mobile devices using deep learning. Journal of the Faculty of Engineering and Architecture of Gazi University, 38(4), 2179-2190.
3. [4] Çeltek, S. A., Durgun, M., Gökrem, L., & Durgun, Y. (2017). Nesnelerin interneti tabanlı yangın alarm sistemi tasarımı ve uygulaması. Gaziosmanpaşa Bilimsel Araştırma Dergisi, 6(3), 66-72.
4. [5] Engin, M. A., & Kökhan, S. (2024). İnsansız hava araçları ile orman yangınlarının tespitinde görüntü işleme ve yapay zekâ tabanlı otomatik bir model. Düzce University Journal of Science and Technology, 12(2), 762-775.
5. [6] Safak, E., & Barışçı, N. (2023). Real-time fire and smoke detection for mobile devices using deep learning. Journal of the Faculty of Engineering and Architecture of Gazi University, 38(4), 2179-2190.
6. [7] Ceylan, Z., Yüksel, A., Yıldız, A., Şimşak, B. (2019). Sınav Çizelgeleme Problemi için Hedef Programlama Yaklaşımı ve Bir Uygulama. Erzincan University Journal of Science and Technology, 12(2), 942-956. https://doi.org/10.18185/erzifbed.513981
7. [8] Kumbharkar, P. B., Gope, B., Chavan, T., Deo, S., & Nawale, S. (2024). Enhancing communication security with a Telegram bot for encrypted image communication using F5-LSB steganography. 2024 International Conference on Expert Clouds and Applications (ICOECA), Bengaluru, India, 137-143.
8. [9] Abu Zaid, M. I. M., Abdullah, R., Ismail, S. I., & Dzulkefli, N. N. S. N. (2023). IoT-based emergency alert system integrated with Telegram bot. 2023 IEEE International Conference on Automatic Control and Intelligent Systems (I2CACIS), Shah Alam, Malaysia, 126-131.

9. [10] Faizrakhmanov, R., Bahrami, M. R., & Platunov, A. (2025). Prototype, method, and experiment for evaluating usability of smart home user interfaces. Computer Standards & Interfaces, 92, 103903. https://doi.org/10.1016/j.csi.2024.103903
10. [11] Karabaş, İ., Aslay, F., & Öksüz, E. (2024). A Mobile Secure Content Development Application for Children in the Software Development Life Cycle Framework. Erzincan University Journal of Science and Technology, 17(3), 884-904. https://doi.org/10.18185/erzifbed.1581945
11. [12] Yoo, J., & Cho, Y. (2022). ICSA: Intelligent chatbot security assistant using Text-CNN and multi-phase real-time defense against SNS phishing attacks. Expert Systems with Applications, 207, 117893. https://doi.org/10.1016/j.eswa.2022.117893
12. [13] Cação, J., Antunes, M., Santos, J., & Gomes, D. (2024). Intelligent assistant for smart factory power management. Procedia Computer Science, 232, 966-979. https://doi.org/10.1016/j.procs.2024.01.096
13. [14] Rahmatulloh, R., Gunawan, H., Sulastri, H., Pratama, I., & Darmawan, I. (2021). Face mask detection using Haar cascade classifier algorithm based on Internet of Things with Telegram bot notification. 2021 International Conference Advancement in Data Science, E-learning and Information Systems (ICADEIS), Bali, Indonesia, 1-6. https://doi.org/10.1109/ICADEIS52521.2021.9702065
14. [15]Lakas, R. Fire dataset - JPG 224 [Data set]. Kaggle. https://www.kaggle.com/datasets/rachadlakis/firedataset-jpg-224/data, (2024, Kasım).
15. [16] İlkbahar, F., Ünal, Ş., Karakaya, A. T., & Eren, B. (2021). Akıllı ev sistemleri üzerine bir model önerisi. AJIT-E: Academic Journal of Information Technology, 12(45), 90-105. https://doi.org/10.5824/ajite.2021.02.005.x
16. [17] Goutte, C., & Gaussier, E. (2005). A probabilistic interpretation of precision, recall and F-score, with implications for evaluation. In D. E. Losada & J. M. Fernández-Luna (Eds.), Advances in Information Retrieval. ECIR 2005. Lecture Notes in Computer Science (Vol. 3408) (pp. 345-359). Springer, Berlin, Heidelberg. https://doi.org/10.1007/978-3-540-31865-1_25
17. [18] Aydemir, Ö. (2022). Dengesiz Veri Kümelerinin Sınıflandırılmasında Poligon Alan Metriğinin Sınıflandırıcı Performans Değerlendirilmesi İçin Kullanılması. Yüzüncü Yıl Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 27(2), 194-205. https://doi.org/10.53433/yyufbed.1066340
18. [19] Postalcioglu, S., (2022). “Design of Automatic Tool for Diagnosis of Pneumonia Using Boosting Techniques”, Brazilian Archives of Biology and Technology. v. 65, pp:1-16. doi.org/10.1590/1678-4324-2022210322.
19. [20] Atalay Aydın, V. (2024). Comparison of CNN-based methods for yoga pose classification. Turkish Journal of Engineering, 8(1), 65-75. https://doi.org/10.31127/tuje.1275826
20. [21] Prati, R. C., Batista, G. E. A. P. A., & Monard, M. C. (2008). Evaluating classifiers using ROC curves. IEEE Latin America Transactions, 6(2), 215-222. https://doi.org/10.1109/TLA.2008.4609920