Hızlı bir şekilde tespit edilemeyen yangınlar kontrolsüz hale gelmektedir. Kontrolsüz biçimde yayılmaya başlayan yangınlar ise insan hayatına ve doğal yaşama büyük tehlike oluşturmaktadır. Özellikle halka açık ve kalabalık olan alanlarda başlayan yangınların olası can kayıplarına ve büyük maddi hasarlara yol açtığı görülmektedir. Bu nedenle yangınları mümkün olduğunca doğru ve hızlı bir şekilde tespit etmek büyük önem taşımaktadır. Nesnelerin İnterneti (IoT) teknolojisi ile birlikte kullanılan duman detektörleri birbirlerine veri akışı gerçekleştirebilmektedir. Bu çalışmada IoT-Tabanlı iki farklı tür duman detektöründen toplanan veriler makine öğrenmesi algoritmaları kullanarak işlenmiştir. Çok Katmanlı Algılayıcı (MLP), K-En Yakın Komşu (K-NN), Radyal Tabanlı Fonksiyon (RBF) Ağları, Naive Bayes (NB), Karar Ağacı (DT), Rastgele Orman (RF) ve Lojistik Model Ağacı (LMT) algoritmaları kullanılmıştır. Duman detektörlerinden elde edilen veriler makine öğrenmesi algoritmalarında işlenerek yüksek başarıya sahip bir model tasarımı sağlanmıştır. Çalışma sonucunda hem kapalı alanlarda hem de dış mekanlarda oluşan yangınların erken tespitinin mümkün olacağı bir sistem tasarımı hedeflenmektedir.
Makine Öğrenmesi Yangın Tespit Sistemi IoT-Tabanlı Sistemler K-Katlı Çapraz Doğrulama
Fires that cannot be detected quickly become uncontrollable. The fires that start to spread uncontrollably pose a significant danger to humans and natural life. Especially in public and crowded areas, fires can lead to possible loss of life and massive property damage. Because of this, it is necessary to detect fires as accurately and quickly as possible. Smoke detectors used with Internet of Things (IoT) technology can exchange data with each other. In this study, data collected from two different types of IoT-based smoke detectors were processed using machine learning algorithms. The k-Nearest Neighbor (k-NN), Multilayer Perceptron (MLP), Radial Basis Function (RBF) Network, Naïve Bayes (NB), Decision Tree (DT), Random Forest (RF), and Logistic Model Tree (LMT) algorithms were used. The data obtained from the smoke detectors were processed using machine learning algorithms to create a highly successful model design. The aim of the study is to design an artificial intelligence-based system that enables the early detection of fires occurring both indoors and outdoors.
Machine Learning Fire Detection System IoT-Based Systems K-Fold Cross Validation
Birincil Dil | İngilizce |
---|---|
Konular | Makine Öğrenme (Diğer), Elektronik Algılayıcılar |
Bölüm | Makaleler |
Yazarlar | |
Erken Görünüm Tarihi | 4 Eylül 2024 |
Yayımlanma Tarihi | |
Gönderilme Tarihi | 6 Mart 2024 |
Kabul Tarihi | 20 Ağustos 2024 |
Yayımlandığı Sayı | Yıl 2024 Cilt: 13 Sayı: 4 |