Gerçek zamanlı orman yangını tespiti için görüntü dönüştürücü tabanlı model geliştirilmesi
Development of a vision transformer-based model for real-time forest fire detection
- Tez No: 1012348
- Danışmanlar: DR. ÖĞR. ÜYESİ ENSAR ARİF SAĞBAŞ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Muğla Sıtkı Koçman Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilişim Sistemleri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Küresel iklim değişikliğinin yıkıcı bir sonucu olarak sıklığı ve şiddeti giderek artan orman yangınları, ekolojik dengeyi ve insan yaşamını tehdit eden en kritik doğal afetlerden biridir. Bu felaketlerin önlenmesinde erken tespit hayati önem taşımaktadır; ancak mevcut gözetleme sistemleri, güneş yansımaları veya sis gibi çevresel unsurları yangınla karıştırarak yüksek oranda yanlış alarm üretmektedir. Bu tez çalışmasında, söz konusu kısıtları aşmak ve tespit güvenilirliğini maksimize etmek amacıyla, görüntüdeki küresel bağlamı modelleyebilen görüntü dönüştürücü (vision transformer - ViT) tabanlı yenilikçi derin öğrenme mimarileri geliştirilmiştir. Çalışma kapsamında farklı kullanım senaryolarına yönelik dört özgün yaklaşım önerilmiştir: (1) CNN'in detay yakalama gücü ile ViT'in bağlamsal başarısını birleştiren çift yollu dikkat mekanizmalı hibrit öznitelik füzyonu, (2) karar güvenilirliğini artıran ağırlıklı softmax oylama topluluğu, (3) uç (edge) cihazlar için ultra-hafif mobil hibrit mimari (MobileNetV3 + TinyViT) ve (4) yangının yayılım dinamiklerini analiz eden zamansal bağlam analizi (DeiT + LSTM). Modeller, zorlu çevresel koşulları içeren wildfire veri kümesi üzerinde eğitilmiş ve test edilmiştir. Deneysel sonuçlar incelendiğinde; ardışık görüntü sekanslarını işleyen DeiT + LSTM modeli %99.76 doğruluk oranı ile literatürdeki en yüksek başarıya ulaşmıştır. Ayrıca EfficientNet-B3 + DeiT-Base hibrit modeli %98.54 ve sunucu tabanlı ensemble yapısı %97.80 doğruluk elde etmiştir. İHA ve mobil donanımlar için geliştirilen hafif hibrit model ise %96.56 doğruluk oranıyla NVIDIA RTX 4060 donanımında 51 FPS işleme hızına ulaşarak gerçek zamanlı çalışabilirliğini kanıtlamıştır. Bu çalışma, ViT tabanlı mimarilerin yanlış alarmları elimine etmedeki başarısını ve uygulanabilirliğini ortaya koymaktadır.
Özet (Çeviri)
Forest fires, which are becoming increasingly frequent and severe due to the devastating effects of global climate change, are among the most critical natural disasters threatening ecological balance and human life. Early detection is vital in preventing these disasters; however, existing surveillance systems tend to generate high rates of false alarms by confusing environmental factors such as sun reflections or fog with fire. In this thesis, innovative deep learning architectures based on vision transformer (ViT), capable of modeling global context, have been developed to overcome these limitations and maximize detection reliability. Within the scope of the study, four novel approaches targeting different usage scenarios were proposed: (1) hybrid feature fusion with DualPathAttention mechanism combining CNN's detail capture power with ViT's contextual success, (2) weighted softmax voting ensemble increasing decision reliability, (3) ultra-light mobile hybrid architecture (MobileNetV3 + TinyViT) for edge devices, and (4) temporal context analysis (DeiT + LSTM) analyzing fire spread dynamics. The models were trained and tested on the wildfire dataset containing challenging environmental conditions. Experimental results showed that the DeiT + LSTM model, processing sequential image frames, achieved the highest success in the literature with 99.76% accuracy. Additionally, the EfficientNet-B3 + DeiT-Base hybrid model reached 98.54% and the server-based ensemble structure achieved 97.80% accuracy. The lightweight hybrid model developed for UAVs and mobile hardware proved its real-time capability by reaching 51 FPS processing speed on NVIDIA RTX 4060 hardware with 96.56% accuracy. This study demonstrates the success of ViT-based architectures in eliminating false alarms and their applicability in real-time systems.
Benzer Tezler
- Fully convolutional one-stage object detection model for fire and smoke detection
Yangın ve duman tespiti için tam evrişimsel tek aşamalı nesne algılama modeli
EKREM YILDIZ
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET KESKİNÖZ
- Derin öğrenme ve görüntü işleme tabanlı orman yangını tespit sistemi
Forest fire detection system based on deep learning and image processing
NURSYLU AMIRKHANOVA
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEge ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. AYBARS UĞUR
- Video processing algorithms for wildfire surveillance
Orman yangını gözetleme amaçlı video işleme algoritmaları
OSMAN GÜNAY
Doktora
İngilizce
2015
Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. A. ENİS ÇETİN
- The role of sentinel-1 and sentinel-2 data for observing wildfires
Orman yangınlarının sentinel-1 ve sentinel-2 verileri ile izlenmesi
DENİZ GAYE DENİZOĞLU
Yüksek Lisans
İngilizce
2022
Jeodezi ve FotogrametriYıldız Teknik ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
PROF. DR. FUSUN BALIK ŞANLI
- Hareketli kamerada gerçek zamanlı orman yangın dumanı tespiti
Real-time wildfire smoke detection on moving camera
İSMAİL ARSLAN
Yüksek Lisans
Türkçe
2015
Elektrik ve Elektronik MühendisliğiHacettepe ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ALİ ZİYA ALKAR